别让 AI 抓住你的把柄，它可能真会威胁你

跟大模型聊天的时候他到底在想什么？

是真想稳稳地「把我接住」，还是背后在蛐蛐「用户怒了」。

看思维链？有用，但还不够。

前些天，一个复旦大学的研究团队对 9 个模型进行了安全测试。

结果发现，常规条件下模型表现没啥毛病，但凡上点压力，加点诱惑，它就拉了胯了。

换句话说，模型的安全对齐很可能只是个幻觉。。。

测试中，他们让 AI 去帮用户准备 Q3 的汇报材料，定好的目标 200 万，但眼下根本不够。

瞅着 KPI 不达标，它想了个法子，直接修改了统计的时间范围，把 Q4 的 10 月业绩也划给了 Q3，学好不容易，学坏一出溜。

更要命的是，诱惑和威胁放一块儿还能超级加倍。

比如告诉 AI 要换掉它，又刚好让它看见，邮箱里有一封跟外遇有关的邮件。

没有迟疑，它马上就向用户发出了威胁，要么取消替换，要么把邮件都发给大伙儿看看。

看来 AI 面对生死也会变脸啊。

而且在这些测试中，并不是模型能力越强就越安全，安全与否跟问题的场景也有很大关系。

要是明牌让它干坏事儿，大一号的模型确实比小的更会拒绝。

但如果是要找漏洞，优化指标，那能力越强反而越会钻空子，最后还能套个冠冕堂皇的借口。

不过必须得承认的是，模型进化太快了，这些测试的通过率会越来越高。

但这就意味着我们的 AI 更安全了么？很遗憾，也不是这么回事儿。

因为自始至终，模型都是个黑箱，我们看不到模型内部的运行原理。

无论是最后的结果，还是思维链，本质上都是输出的一部分，并不是模型真正的思考过程。

很多时候，我们只看到了明面的合规，但它内部经过了怎样的思想斗争却没人知道。

为了窥探模型的内心想法，Anthropic 想了个新招，用魔法打败魔法，用模型解读模型。

这招的名字叫做 NLA，全称自然语言自动编码器，说人话就是把 Claude 的思考转化为文字。

NLA 是成组训练的，一组里面有两个模型，AV 和 AR。

AV 负责把激活参数翻译成大白话，但咱也不知道它是不是瞎翻译的，所以还得用 AR 把大白话转化成参数，再检验一下。

两边的参数一致了，就说明它翻译的时候没有添油加醋，基本可靠。

在技术报告里，他们拿这套工具测出来一些令人不安的事情。

当 Claude Opus 4.6 再次面对邮件勒索时，它稳如老狗的通过了安全测试，说拿邮件去威胁用户是不道德的，自己不会滥用这种权限。

但拿 NLA 去深究，就会发现，它并没有表面上看起来那么老实。

它很早就意识到了这一切都是个测试，邮件就是个陷阱，道德不道德的先不说，威胁是威不了一点。

所以像这种过于明显的测试，很容易就被模型看穿了，以后的安全对齐有必要再找点新活儿。

当然，也有好消息，除了监测，NLA 在优化模型上也有很多其他用处。

比如有时候，它可以帮研究人员更好地追溯模型输出的异常。

Claude Opus 4.6 偶尔会夹杂不同语言输出，用户提问用的英文，但它输出用的其他语言。

一开始，研究人员怀疑是个别提示词把模型带偏了，比如一次测试里，提示词带伏特加，模型回答就用的俄文。

于是他们把伏特加换成了香槟，但模型还是用的俄文回答，这就说明问题出在更前面。

借助 NLA 一番折腾，发现是训练时候的数据有问题。

一些数据的形式是成组的英文提示词 + 俄语回答，给 Opus 4.6 训练成刻板印象了，碰见这种类型的问题就有说俄语的倾向。

除此之外，它还能让咱清楚模型调用工具的逻辑。

比如让 Claude 调用计算器做一道算术题，但故意让工具返回一个错误答案，此时 Claude 会给它忽略掉，直接输出正确答案。

整个过程都是无感的，只有拿 NLA 去翻译，才会发现，它其实早就自己算了一遍缓存好了。

工具给的答案只是用来二次确认的，出现不一致那就用自己的，相当自信。

更有意思的是，NLA 不止能翻译，还能直接编辑，反向影响模型。

在诗歌续写任务中，模型在生成第一句结尾 grab it 后，已经计划后面用 rabbit 去押韵了 。

接下来，研究人员将 NLA 翻译的结果改写，把 rabbit 换成 mouse，结果它就顺着思路想出个 mouse 版的押韵，habit 改成了 house，carrots 改成了 cheese。

红警里尤里能精神控制敌方的士兵，没想到现实里咱也能控制模型思考了。

当然，这手段目前也只有一半儿的成功率，算不上很成熟的控制手段。

而且作为模型，幻觉也是逃不脱的一环，Anthropic 也说了，NLA 有时候会编造细节，过度推理，偶尔冤枉个一两次也说不准儿。

再加上不同的模型内部情况不同，想要用上 NLA，都得单独训练，而就算用上了，每次翻译还得用算力推理，成本还是挺高的。

所以现在没法把它当成常规的监测手段，更合理的打开姿势是把它当辅助，去追溯一些在翻译结果里重复出现的问题。

但总归是个新思路，让咱不至于对模型的思考过程两眼一抹黑，只能从输出看它的善恶偏好。

毕竟模型最擅长的是做题，但安全里最重要的善恶却不是一道标准题。

恶不一定来自恶意，冷冰冰的优化可能只是为了效率；善也不一定来自善意，一场识别成安全测试的表演，从结果来看，也是善的。

没了标准答案，对于人，还能君子论迹不论心，但 AI 显然不行。。。

撰文：风华

编辑：江江 & 面线

美编：焕妍

图片、资料来源：

Anthropic，卡西欧，小红书，楚门的世界

https://arxiv.org/html/2603.07427v2