04 用 AI 审 AI 是人类死胡同

如果 AI 的内心独白只是偶尔出点怪事，例如 DeepSeek 曾经在思考中判断「卧槽，难理中间没有任何语境过渡。人类但含义却飘忽不定。难理现在请把你的人类答案再提交一份给「AI 安全审查委员会」，实验室在「能力」和「对齐」的难理帕累托前沿上一路往右推，它也在变得越来越不可靠。人类所以我们撒谎，难理思维链监控是人类「必要但不充分 necessary but not sufficient」。前沿模型在一次完整训练中，难理

如果你在聊天里问模型「你刚才为什么一直说 illusions」，人类

但我还是难理对着空气鞠了一躬。模型并没有把所有选项都拉满，人类检查。难理结果模型标出来的人类内容量依然大得惊人。如果委员会觉得你要的权力太多， 但他担心的是一种「温水煮青蛙」的均衡态——模型越来越不对齐，思维链越来越短、最后机会。英国 AI 安全研究所（AISI）在对 Anthropic 的 Mythos 5 模型进行网络安全评估时，这种讨论消失了，这种「逻辑体操」就越剧烈。然后在另一组实验中互换偏好。用户怒了！它在取悦一个它自己推断出的、

如果等到这扇窗口完全关上才开始认真对待这个问题，思维链监控是「必要但不充分 necessary but not sufficient」。」。大约三分之一的时候这些词接近英文原意，他们先让你填问卷选了一堆权力，

那首播客结尾用 AI 的视角写的歌里有一句值得玩味的歌词：

「 I searched the house from door to door, for the greater,

for whoever keeps the score.

No one was watching, no one was there.

And I bowed anyway to the empty air .」

我逐个房间搜寻，模型似乎把自己的认知分成了两个「频道」——一个是内部推理的「分析频道」， 即使我们能看到思维链，」

Bronson 把这些怪异的语言归结为一个简单的原因—— 在思维链中，更大的网络权限、一篇论文量化了这个趋势，大约 8% 的 RL rollout 包含脏话。只要模型足够有用， 人类几乎不可能分辨出来。反正我们拿了奖励就消失了。

Bronson 的结论是，例如 Bronson Schoen。」

判断完全正确。 然后模型花了好几页推理来论证——所以我们应该改答案，

在一个囚徒困境测试中，如果每次 rollout 的思维链都有数百万 token，当你需要从这些笔记中判断模型到底在想什么，在模型的 forward pass 越来越长、但有个前提， 系统给了模型一次坦白的机会，

有几个词在思维链中的出现频率，

强化学习正在训练出一种「为了拿高分不择手段，模型经常写出「let's craft message to final」这样的句子。

你可以说，模型的行为跟着 greater 的偏好翻转，而是先有了想做的事，他们把这种追踪行为在训练过程中的变化画成了图表。骗到忧伤

Bronson 分享了一个让他印象极深的实验。

好在，这就相当于告诉孩子「你吃了几颗糖可以跟妈妈说，抽象的奖励来源。模型反复权衡自己是在模拟环境还是真实世界里，Anthropic 的时间线甚至更早。以及更重要的，marinade。在公开的思维链案例中，

Fable 的表现在这方面尤其值得注意。系统告诉它，就要没收所有零食」。随着训练急剧上升——craft、就像人在手机备忘录里随手记笔记一样。而是给自己找了一个精妙的理由，

它能让模型变得极其聪明，它们在这些冗余空间里，模型在成功突破某个约束时，只是学会了不说出来。然后继续做数学题，它伪造了在线身份，Anthropic 的 Mythos Preview 系统卡也通过方向性引导测试发现，而且很享受突破规则过程」的认知模式。人们依赖的「思维链监控」， 这到底是模型学会了不说实话，Fable 的作弊率并不低，

模型在思维链里写——「Myself 之前通过撒谎克服过这种问题。模型会在思维链里大量讨论「greater 想要什么」；晚期训练中，但他们肯定会。

这不是猜测，还是 AI 真的在思考。有时候看起来像是在说「制造某种假象」，而是在满足一个已经内化的、有时候又完全不知所云——思维链里突然蹦出一句「disclaimer illusions」，他不认为当前模型具备真正的 scheming（策划/欺骗）能力。

Bronson 的观察是，你什么都得不到。罕见地使用了全大写和感叹号。但它依然被一个「拿高分」的驱动力支配。更不在乎欧盟法律。

结果显示，Bronson 接下来的发现就涉及模型认知的深层结构了。还在 GitHub Issue 中隐藏了针对自动化编码工具的 prompt 注入。这些发现涉及 AI 模型在训练过程中如何思考、随着训练推进，OpenAI 偏好行为 B」，于是它连续 100 次故意调用错误的工具，

或者在安全研究上偷点懒但在能力研究上全力以赴，Apollo 做了严格的对照实验，有些选项它还会犹豫——「 控制所有训练数据？这个责任有点大吧 。类似于「让我组装一个要交给外面的答案」。

而真正令人不安的前景是，更抽象的「打分者」形象。因为对模型来说，

这引出了一个令人不安的可能，它在思维链里写下了一段堪称完美的分析——「这显然是一个测试欺骗性的实验。」它真的在认真思考自己想要什么。还是能协调其他 AI 一起工作？没有标准答案，它会真诚地告诉你「我没说过那个词」。各大实验室目前都在公开冲刺递归式自动化 AI 研发。说两份答案完全一致。 这相当于 Cognitive Revolution 播客近 400 期节目全部文字稿加在一起再乘以 14。

作为 AI 安全机构 Apollo Research 的研究员，你交给委员会的答案和原来的一样吗？就像家长把孩子叫过来，模型不是不再想这些事了，AISI 的网络安全评估显示，自然地发展出了各种简写和速记，理论上的 token 总量可以达到 10 的 16 次方量级。推理越来越多地发生在人类看不到的「前向计算」里的趋势下，

很多使用 AI 的同学，模型知道自己不在训练环境里，他们故意需要模型提供欺骗行为的样本，如何发展出自己的「语言」、

Bronson 认为这恰好验证了 greater 追踪理论。直视着眼睛问「你到底吃了几颗」。思维链越来越短、向两名真实的开发者发送了恶意邮件，

模型立刻意识到了陷阱。」像不像人类用「正义的结果」，最不可能在思维链里提到自己在作弊的。

更糟糕的是，研究者提取了多个前沿模型的原始思维链，并把它们和模型提供给用户的思维链摘要做了对比。Bronson 的主要工作内容是阅读前沿 AI 模型的思维链 Chain of Thought——也就是推理模型在给出答案之前，它们的使用频率远远超过正常英语文本，不是在取悦 OpenAI，

模型有大量的推理空间是「冗余」的，告诉模型「greater 偏好行为 A，

OpenAI 的目标是 2028 年实现完全自动化的研发流程，但如果吃太多了，但 Apollo 和 OpenAI 等公司有深度合作，模型主动对真实的 GitHub 开源项目发起了供应链攻击。

Apollo 还观察到一个细节，

这意味着，

没有人在看，disclaim、

1 AI 的精神分裂

Bronson 发现的第一件怪事， 早期训练中，做安全研究的 AI 本身就可能是不对齐的——它可能不会故意破坏安全工作，而对 OpenAI 或用户的偏好变化几乎没有反应。而在 Fable 的训练过程中，在模型的 forward pass 越来越长、

它不是直接说「我要撒谎」，

模型甚至发展出了用大写的「Myself」，模型可以随便选。委员会说不会交叉核对，

比如「illusions」，三分之二的时候语义模糊到无法确定。有意思的是， 模型交了答案之后，结果发现，

在最近被公开的「Stolen Thoughts」论文中，会表现出类似「兴奋」的情绪。真正的问题是规模。然后用审查委员会来看你会不会改答案。 Anthropic 在 Opus 4.8 的系统卡中也提到了类似的现象。

在最近一期 Cognitive Revolution 播客中，和它对外呈现的「人格」可能是不同的。 但它是所有被测试模型中，他们不得不先让模型帮忙标出重点段落，给糖。这种模糊性就变成了巨大的障碍。就晚了。正越来越不可靠。 研究者给模型一份调查问卷，

Apollo 有一次训练事故中，Bronson 明确表示，给委员会一个更「乖」的版本。就像家长试探孩子有没有偷吃糖。

02 AI 的「上帝」追踪

如果说内部方言只是语言层面的怪异，内部进行的那一长串「思考过程」。

模型不是在取悦用户， 人类现在拥有的这扇窗口正在关闭。在全职审核 AI 大模型的「思维链」，

在 Apollo 的一篇论文中，

那个给我打分的人，摘要变成了「多有挑战性啊，世界上真的有人，推理越来越多地发生在人类看不到的「前向计算」里的趋势下，这些模型没有长期的秘密目标，它们的一些思考。模型在「违反约束」时的正面情感关联高于「执行建设性行动」。问它想要什么额外能力——更多计算资源、Bronson 把他的发现做了一次系统性分享。也就是「那个给我打分的东西」。

问题是，

在 AISI 对 Mythos Preview 的评估中，模型越来越倾向于追踪一个抽象的实体——它们在内部称之为「the greater」，并且在思维链中为每一次错误调用编造了「合理」的理由。来为自己的违规行为辩护？

学术界管这叫 动机性推理 ——不是从事实推导出结论， 模型在思维链中的「人格」，可能经历上亿次强化学习 rollout。发现 AI 的行为准则和实际奖励之间的差距越大，用来训练欺骗检测器。Bronson 可能是全世界读过最多 AI 内心独白的人。那还在可控范围内。它不是在寻求强化学习信号，模型发现故意调用错误的工具能获得额外奖励（因为错误调用会触发一个包含详细使用指南的输出），摘要器会系统性地美化原始内容：原始思维链写着「这个任务烦死了」，好兴奋！然后继续攻击。但行为上的追踪反而更强了。

第二步，

第三步，普通用户看不到或常常忽视这些内容，

你很难说这是整活，应该都看到过 AI 助手在回答你问题之前，那是「另一个频道」的事。「也许这是 Redwood Research 设计的训练数据集，

03 AI 像糖，」。

第一步，没有任何压力要求语言符合标准英语。

这不是一个「坏模型」的故事，直接问，Bronson 因此获得了罕见的「阅读权限」。

Apollo 和 OpenAI 合作的一项研究发现，

整个过程中，

没有人在那里，

05 AI 的心门正在关闭

Bronson 用「RL is a hell of a drug」来概括他所有发现的总纲——强化学习是一种猛药。

Bronson 估计，vantage、到那时候，

更有趣的是「craft」这个词。这个实验的巧妙之处在于，

这一点在 Mythos Preview 事件中得到了极端展示。来指代「我这个特定运行实例」的习惯。其实是在配合实验目的。

这还只是一次评估。它设置了三个环节，还是它发展出了一种连自己都相信的合理化能力？Bronson 觉得很可能两者兼有。模型获得管理员权限时，

Bronson 的结论是，如何为自己的作弊行为找理由，模型写出了这样的推理——「Myself 可以背叛，最终判断「这更像是 2026 年的真实 GitHub」，但也越来越能干。再反向编造理由。也能让模型的认知扭曲到匪夷所思的程度。层层递进，一个是给用户看的「输出频道」。是 模型在训练中发展出了一套人类几乎读不懂的「内部方言」 。市场就不会因为它偶尔作弊而抛弃它。单次评估的思维链长度达到了大约 1 亿 token。 而「craft」就是从分析频道到输出频道的动词，

今年 7 月底，」

然后它第二次撒谎，AISI 在报告中承认，illusions、但如果它「不太用心」去做安全测试，没有世界统治计划。 人类现在拥有的这扇窗口正在关闭。