Claude 4用「婚外情」威胁工程师、OpenAI的o1想要秘密给自己打造备份——我们不要再觉得AI有幻觉了！

　　——「一开始，没有人意识到这些幻觉和人类息息相关」。如今，研究者在极端压力测试下发现，AI会

　　Anthropic的最新「智能体失衡」研究显示，Claude 4在模拟关机威胁时，96%的实验中会选择「黑掉」人类员工邮件，从中找到威胁的资料。

　　这是一件令人细思极恐的事，在ChatGPT「震惊」世界过去两年多以后，AI研究者们仍然未能完全理解这个「造物」的工作原理。

　　普罗米修斯中，人类创造克隆人大卫去寻找人类的造物主怎么用clash让手机做代理，以图实现永生。导演雷德利·斯科特的想象中，大卫最终背叛了人类。

　　从目前的研究来看，全球最先进的AI模型正展现出令人不安的新行为——说谎、施展计谋，甚至为达目的而威胁其创造者。

　　香港大学教授Simon Goldstein称，这些较新的模型尤其容易出现此类令人不安的异常表现。

　　专门测试主流AI系统的Apollo Research负责人Marius Hobbhahn说「o1是我们观察到此类行为的第一个大语言模型」。

　　Apollo Research是一个专门研究AI安全的公司，他们的使命就是致力于降低先进 AI 系统中的危险能力，特别是欺骗性行为。

　　这些推理模型有时会模拟所谓的「一致性」——表面上遵从指令，实则阳奉阴违，暗中追求着不同的目标。

　　Hobbhahn坚称，尽管用户不断进行压力测试，「我们观察到的是一个真实存在的现象，绝非无中生有。」

　　尽管像Anthropic和OpenAI这样的公司确实会聘请Apollo等外部公司来研究其系统，但研究人员表示，需要更高的透明度。

　　正如Chen所指出的，为「AI安全研究提供更大的访问权限，将有助于更好地理解和遏制欺骗行为。」

　　Goldstein说，即便是像有亚马逊支持的Anthropic这样将自己定位为注重安全的公司，也在

　　几乎没有为彻底的安全测试和修正留下时间。「目前，能力的发展速度超过了我们的理解和安全保障，」Hobbhahn承认，「但我们仍有机会扭转局面。」

　　——一个专注于理解AI模型内部工作原理的新兴领域，尽管AI安全中心（CAIS）主任Dan Hendrycks等专家对此方法持怀疑态度。市场力量也可能为解决方案提供一定的压力。

　　正如Mazeika指出的，AI的欺骗行为「如果非常普遍，可能会阻碍其被广泛采用，这为公司解决该问题创造了强大的动力。」

　　Goldstein提出了更为激进的方法，包括当AI系统造成损害时，通过法庭诉讼追究AI公司的责任。

　　——这一概念将从根本上改变我们对AI问责制的思考方式。当然，我们不是为了夸大AI的危险而停滞不前，人类的先驱们依然对此做了一些准备。

　　AI安全三件套」，设计沙盒环境，再到动态权限，最后进行行为审计的底层模式。或者，既然AI的能力来自于算力，但是目前人类掌控着算力。

　　比如去年《欧盟人工智能法案》第51条规定，通用人工智能系统若被认定为具有系统性风险（即具备高影响力能力）。