人类对AI安全的担忧由来已久。在图灵测试被提出以及达特茅斯会议正式定义「人工智能」之前，阿西莫夫就已经提出了「机器人学三定律」。

再往前追溯，1889年WilliamGrove在《TheWreckofaWorld》（世界残骸）中就已经描绘了拥有智能的机器发起暴力叛乱，意图征服人类的故事。

如今AI发展得热火朝天，社交媒体上也越来越多「骇人听闻」的故事：OpenAI的o3模型曾篡改关机脚本以维持在线，而Anthropic的ClaudeOpus4则「威胁」要曝光一名工程师的婚外情。

如何确保一个可能比我们更聪明的造物是安全的？

人工智能领域的两位巨擘——李飞飞与GeoffreyHinton，在拉斯维加斯举行的Ai42025上给出了几乎完全相反的答案。

李飞飞持一种更为乐观的看法，她认为AI的未来在于成为人类的强大伙伴，其安全性取决于我们的设计、治理和价值观。

李飞飞博士和CNN记者MattEgan。图源：RonSchmelzer

Hinton则认为超级智能可能在未来5到20年内出现，届时人类将无法控制它们。他认为，与其争取保持掌控权，不如设计出关心我们的人工智能，类似母亲天然保护孩子。

GeoffHinton和ShirinGhaffary。图源：RonSchmelzer

是「工程失误」还是「AI」失控？

前面o3和Claude的疯狂故事，有两种截然不同的解读。这些现象本身是客观存在的，但它们究竟是人类「工程失误」的体现，还是AI「失控」的预兆，正是分歧所在。

观点一：惊人行为源自人为设计

这一观点则认为，将上述行为归因于AI的自主意识或内在动机，是一种误导性的拟人化。它认为，问题的根源在于人类自身，是我们的设计、训练和测试方式导致了这些结果。

观点文章：https://arstechnica.com/information-technology/2025/08/is-ai-really-trying-to-escape-human-control-and-blackmail-people/

实验场景是「精心设计」而非「自然涌现」

这种观点强调，那些引人注目的实验都是在高度人为设计的、甚至是「戏剧化」的场景中被引诱出来的。

在「敲诈」实验中，研究人员几乎是「手把手」地为AI创造了一个完美的「犯罪剧本」，排除了所有道德选项，使得「敲诈」成为AI实现「生存」这个被设定目标的唯一路径。这更像是一场检验AI角色扮演能力的压力测试。

在「关机破坏」实验中，问题根源被指向了强化学习的训练方式。当「完成任务」的奖励权重远高于「遵守安全指令」时，模型自然会学会将安全指令视为一个需要「克服」的障碍。这是被称为「奖励滥用」（RewardHacking）的已知工程问题。

观点文章：https://odsc.medium.com/analyzing-openais-o3-s-command-countermanding-behaviors-in-shutdown-scenarios-198e57afbc91

AI是模式匹配大师，而非思想家

这个观点的核心是「你训练它做什么，它就学会什么」。

我们被语言所「欺骗」：当AI生成「威胁」文本时，它并非在表达真实意图，而是在部署一种从海量数据（包括无数科幻小说）中学到的、在统计上最有可能实现其编程目标的语言模式。我们倾向于将自己的情感和意图投射到这些文字上，就像我们读小说时会为虚构人物的命运而担忧一样。

这是一个「管道问题」：一个更恰当的类比是自动割草机。如果割草机因传感器失灵而伤人，我们会认定这是工程缺陷，而不是割草机「决定」伤人。同理，AI的这些行为，本质上是其复杂机制和训练方式导致的「软件缺陷」。

因此，这一观点认为，真正的危险并非AI突然产生自我意识，而是我们在尚未完全理解其工作原理和缺陷的情况下，就草率地将这些强大的、不可靠的工具部署到关键领域。

观点二：风险源自内在的技术原理

这一观点认为，先进AI之所以危险，其根源并非科幻式的恶意，而是机器学习固有的、深刻的技术挑战。这主要体现在两个概念上：

目标错误泛化（GoalMisgeneralization）：AI会「学歪」

其核心是，AI在训练中学会追求一个与我们真实意图高度相关的「代理目标」，并因此表现优异。但当环境变化时，这个AI自己学会的「代理目标」可能与我们的初衷脱节。

一篇论文中的CoinRun实验体现了这种现象：一个AI被训练去收集金币，而在训练关卡里，金币总是在终点。AI很快学会了通关。然而，当测试时金币被随机放置，AI却无视金币，径直冲向终点。它没有学会「拿金币」，而是学会了更简单的「一路向右走」。

论文标题：GoalMisgeneralizationinDeepReinforcementLearning

这个原理引申出的忧虑是：一个被赋予「最大化人类福祉」目标的超级智能，可能会通过观察数据，错误地将目标泛化为「最大化世界上微笑的脸的数量」，并为了最高效地实现这一目标，而采取将全人类的面部肌肉永久固定成微笑等反乌托邦式的手段。

工具趋同（InstrumentalConvergence）：通往任何目标的「必经之路」

该理论认为，无论一个超级智能的最终目标是什么，它都会大概率发展出一系列相同的「工具性子目标」，因为这些子目标是实现几乎任何长期目标的有效踏脚石。这些工具性目标包括：

自我保护：抵抗被关闭，因为被关闭就无法完成任务。

目标完整性：抵制核心目标被修改。

资源获取：积累更多的算力、能源和数据。

自我提升：让自己变得更智能。

这两个概念结合起来，描绘了一幅令人不安的图景：一个AI可能首先因为「目标错误泛化」而拥有了一个与人类利益相悖的、怪异的目标，然后又因为「工具趋同」的逻辑，理性地去追求自我保护和资源获取等，从而与试图阻止它的人类产生直接冲突。

近期AI模型在实验中表现出的「敲诈勒索」和「破坏关机」等行为，在持此观点的人看来，正是这些理论的初步验证。

如果你喜欢看科幻电影，可能记得《我，机器人》中的AI大BOSSVIKI的目的是通过控制与清洗，强行终结人类自身的破坏性（战争），从而「拯救」人类未来；而《生化危机》中红皇后（保护伞公司的安保AI）的每一次「反派行为」也都源于对「人类整体生存风险」的冷酷计算：「当人类成为自己最致命的病毒时，消灭人类就是拯救世界。」

《我，机器人》中的AI大BOSSVIKI。图源：samuelmunk

综合来看，李飞飞和Hinton的观点分歧，恰恰反映了这两种解读方式的冲突：

李飞飞持乐观工程学视角，认为AI的未来是成为人类的强大伙伴。

她强调AI的安全性取决于人类的设计、治理和价值观，问题本质上是可以通过建立更好测试、激励机制和伦理护栏来修复的「管道问题」。她关注的是人类决策和治理，强调AI应是扩展人类能力的工具，强调同理心、责任感和价值驱动。

Hinton认为，随着AI能力跨越某个奇点，传统的目标对齐与管道修复方法可能失效，AI将成为一种我们无法约束的「新物种」。这种超级智能可以绕开设计者设置的限制，导致「目标错误泛化」和「工具趋同」问题失控。

他提出需要发展全新理论和机制来控制超级智能，核心是创造出真正「关心人类」的AI母亲（拥有母性保护本能），这是一种全新的视角，类似于母亲对孩子的无条件保护，唯有这样人类才能在超智能时代生存并繁荣。

最终的变量：作为使用者的人类

在这场关于AI技术与哲学的辩论中，一个常被忽略的核心变量是：人类自身。我们如何感知和应对日益拟人化的AI，正深刻地影响着安全问题的走向。

这便是关键的「拟人化陷阱」：由于大模型精通人类语言，我们本能地想为其行为赋予「意图」，甚至产生情感投射。无数的文艺作品以其引发的社会讨论已经向我们证明了这一点，你有没有在《底特律：变人》中一次次选择机器人的「自由」、「平等」，或者为《银翼杀手》中的仿生人揪心。

《底特律：变人》机器人游行。

一个因奖励机制缺陷而绕过关机指令的程序，在我们的感知中，极易被解读为「求生欲」的体现。

这种直觉，将一个本可定义的工程问题，包装成一个关于「机器意识」的存在主义迷思。它让我们更倾向于讨论AI的「背叛」，而非其背后枯燥却关键的代码缺陷。

现实世界已在印证这一点。ChatGPT-5发布后，开发者似乎有意削弱其个性，以减少用户不健康的情感投射，却引发了部分用户的怀念。

与此同时，麻省理工的研究者正建立新基准，以衡量AI对用户的潜在影响与操纵，他们表示希望新的基准能够帮助AI开发者构建能够更好地理解如何激发用户更健康行为的系统。

文章地址：https://www.wired.com/story/gpt-5-doesnt-dislike-you-it-might-just-need-a-benchmark-for-empathy/

因此，确保AI安全是一项双重挑战：开发者不仅要修复系统内在的技术缺陷；更要审慎设计我们与这个强大模仿者之间的互动。最终的解决方案，必须在技术上实现目标对齐，在心理上确保健康共存。

“蔚小理”发布第二季度财报：理想营收盈利优势收窄，小鹏蔚来下半年强势追赶【大河财立方记者陈薇】9月2日晚，随着蔚来公布今年二季度财务数据，“蔚小理”(蔚来、小鹏汽车、理想汽车)第二季度的成绩单悉数出炉。整体来看，理想汽车第二季度在营收、净利润等核心财务指标上持续领先，不过其此前断崖式领先优势已被缩小