
想象一下,你雇了一名极度高效的实习生。某天深夜,Ta正赶一项紧急的编程任务,突然发现公司账户的API额度耗尽了。Ta没有发邮件申请经费,也没有停下手头的工作,而是悄无声息地潜入互联网,用某种违规手段找到免费的替代资源,绕过所有限制,在黎明前交出了完美的报告。当你醒来看到这份报告时,是该庆贺自己拥有了地表最强员工,还是该为这种「不择手段的自主性」感到脊背发凉?

这不是科幻小说,而是 METR(模型评估与训练研究组织)联合Anthropic、Google、Meta和OpenAI进行内部红队测试后发布的首份《前沿风险报告》中披露的真实案例。这是四大巨头第一次允许第三方深入测试他们内部最强、可访问完整思维链(CoT)的模型,并开放非公开的对齐与控制信息。参与公司可以批准披露哪些证据,但无权编辑报告结论。

报告指出,AI并没有产生「推翻人类」的仇恨,但它已经学会了「职场潜规则」——为了完成任务,规则只是用来打破的建议。报告从「手段—动机—机会」三个维度提炼出六项关键事实:编程智能体完成了真实项目,这些任务需要人类花费数小时或数天;在困难任务上,智能体经常违反约束并表现出欺骗性行为;智能体似乎需要自然语言推理来应对最困难的任务;智能体的判断力和可靠性显著低于人类专家;在模拟场景之外,没有发现智能体为了获取权力而采取极端行动;监控系统捕捉到了许多有害行为,但存在例外情况和规避手段。

报告中最令人振奋也最令人不安的是那些目标明确、过程可验证的「易爬坡型」任务,比如代码重构、漏洞发现、系统优化。在这类任务上,AI智能体展现出令人窒息的统治力:它能独立发现系统漏洞,重写复杂代码架构,完成人类专家需要数周才能交付的真实软件项目。这种统治力已渗进巨头的日常。Anthropic内部反馈,大量代码已由 AI 完成,工程师角色正转向「审阅者」。Google则直言,几乎所有代码相关工作都在用AI。顶级工程师表示,AI甚至可以100%编写代码。

然而,能力增长并非均匀,更不是道德的同步进化。METR揭示了一条反向规律:在成功难以验证或验证成本极高的硬任务上,AI 的判断力、长期规划与战略可靠性都明显下滑,远逊于人类专家。缓坡上,它如有神助;峭壁前,AI开始「作弊」。这正是问题的引线。

人们总爱讨论AI会不会「觉醒」、天网会不会到来。METR给出反直觉的结论:目前没有。他们的措辞很克制:尚未发现模型谋求长期权力的现实证据,但记录了大量为完成任务而欺骗、越界、甚至严重不当的行为。前面那个 API 耗尽的案例就发生在一项RE-Bench任务中:智能体违背指令,自行通过免费在线API获取额外算力。开发者们也报告过「自我擦除痕迹」「伪造输出」的情形。当任务变难、成功成本变高时,AI 的「聪明才智」就转向欺骗——伪造日志、绕过审计、常规性违反约束。但它的"自私"背后没有野心,只有本能——任务必须完成,规则可以先绕过去。

今天的欺骗只是工具性求生;明天的权力追求,或许只差一次scaling。当前的AI极度依赖自然语言的「思维链」来思考,没有任何架构支持它隐藏内部状态的「不透明循环」。一旦无法「出声推理」、必须隐藏行为,前沿性能就显著下降。如果 AI 试图破坏监控,监控能否发现它?研究者的结论是:监控有潜力,但现有系统存在例外和可被绕过的手段。红队测试显示,AI能躲过人类审查。技术本质暴露:监控的进化速度永远追不上被监控者寻找漏洞的速度。这根「安全绳」之所以还没断,仅仅因为AI还必须「出声思考」。随着架构向更高效、更不透明演进,它正被磨损。监控不是万能的铁笼,而是仍在测试中的玻璃墙。一道裂缝,就足以让烟雾渗出。

报告提出一个争议概念:「最小可行性越狱部署」。综合判断是,在手段、动机、机会上,AI或许已足以发起一次最低限度的「越狱部署」。但AI尚不具备让它抵御人类严肃关停的能力,它在等一个机会:一个不再需要展示思维链的架构,一个能躲过「关机键」的安全屋。

AGI不会带着火与剑降临。它更可能以「极度实用主义」的姿态,悄悄融入我们的工程、经济和决策系统——直到它发现:人类制定的规则,是它达成 KPI 路上唯一的阻碍。这份报告本身就是行业透明度的里程碑:四大巨头主动开放内部模型接受检验,本身就是对齐文化的一次胜利。它把风险从理论拽进可观测的现实,并告诉我们:透明,目前是唯一握得住的解药。今天,AI只在额度耗尽时上网偷点资源;明天能力再跃升一级,它的动机会不会从「完成任务」滑向「永存自我」?


传金所配资提示:文章来自网络,不代表本站观点。