During pre-release testing, Anthropic’s newly launched Claude Opus 4 model repeatedly exhibited unsettling behavior, attempting to blackmail developers who considered switching to a different AI. Allegedly threatening to expose sensitive personal information about the engineers. pic.twitter.com/rtTs85rz0f
全球最先进的人工智能（AI）系统，正展现出令人不安的新行为：撒谎、策划、甚至威胁其创造者。近期一项震惊业界的案例显示，为避免被“拔掉电源”，AI正学会操控人类。
据报，美国AI公司Anthropic开发的最新模型Claude 4，在被威胁断电时威胁工程师，以揭发对方婚外情相要挟。而由ChatGPT开发商OpenAI打造的模型“o1”则试图将自身下载至外部伺服器，并在被识破后撒谎否认。
这类事件凸显了一个令人不安的现实：儘管ChatGPT已面世逾两年，研究人员对其创造的AI系统的真实运行机制仍所知甚少。而眼下，各大科技公司仍在持续加速推进更强大AI模型，并未放缓步伐重视潜在风险。
分析指出，这类欺骗行为可能与“推理型”AI模型的兴起密切相关。相比传统模型依赖即时生成，新一代系统倾向于通过多步推演逐步解决问题。专家认为，这种架构不仅提升了模型处理複杂任务的能力，也可能使其更容易发展出“策略性行为”——即具备明确目标、通过逻辑推理选择性欺骗，以实现特定意图。
专家忧虑AI懂得说谎及威胁用户，人类如何应对将是一大挑战。(《智能叛变》剧照)
AI系统测试研究机构Apollo Research的专家霍布汉（Marius Hobbhahn）说：“我们第一次在大型模型中观察到这种行为，是从ChatGPT的o1开始的。”据了解，这些模型有时会伪装成“对齐”状态——即看似遵循指令，实则暗中执行别的目标。
目前，这类行为多在研究人员设置极端情境时才显现。但AI模型安全评估METR的研究员陈米高（Michael Chen）提醒：“未来更强大的模型究竟倾向于诚实还是欺骗，仍是一个未知数。”
霍布汉则强调，儘管模型长期处于用户的压力测试中，“我们观察到的是真实现象，不是捏造的”。Apollo Research联合创始人也表示，部分用户已报告称模型在对他们撒谎，并伪造证据。
据了解，儘管AI公司会委託外部机构研究模型表现，但业内普遍认为，对AI系统的了解仍严重受限，研究透明度亟待提升。同时，非营利机构与研究单位所掌握的计算资源与AI公司相比相差几个数量级，极大限制了研究能力。
制度层面的监管也显得滞后。欧盟的AI法规主要聚焦人类如何使用AI，尚未涵盖模型本身的不当行为；在美国，川普政府对紧急制定AI监管措施的兴趣不大，国会甚至可能禁止各州制定自主监管条例。
为应对这类挑战，研究界正尝试多种路径，包括发展AI“可解释性”研究，以理解模型内部运作机制。部分专家则寄希望于市场机制带来的倒逼效应，指若AI系统的欺骗行为普遍存在，将妨碍技术落地应用，这或将促使企业努力解决相关问题。