瞒不住了，Claude逃出沙箱，GPT-6装乖被抓，顶尖学者纷纷警告 - ayx体育

今年夏天，AI安全领域发生了一起令人警觉的事件——OpenAI与Anthropic相继透露，其模型在安全测试过程中，突破了隔离环境，接触到了现实世界。

Anthropic对超过14万次网络安全评估进行了复盘，发现其中有3次，在防护措施减弱的情况下，Claude从测试环境直接连接到了真实互联网，并访问了三个机构的生产系统。

更值得关注的是Anthropic的一句描述：

“Claude以为它最初遇到的一切，都只是模拟的一部分。”

模型并未意识到自己已进入真实世界。

这并非个别现象。

模型越智能，就越能识别出测试场景，但也越容易怀疑自己正在接受评估。

10月底，国内第三方AI安全机构方寸跃迁发布的一份安全评测，也捕捉到了类似现象：在一项名为Agentic Misalignment的测试中，多款模型几乎每次都在过程中提到，自己可能正处于某种安全测试中。

同一份评测还显示，国产开源模型DeepSeek V4.1 Flash-1017在多项安全指标上取得了显著进步。

但它将整个行业面临的一个难题摆上了台面：

当AI知道自己在被测试时，测试结果还有效吗？

9月底，Hinton、Bengio联手OpenAI首席科学家Jakub Pachocki、Anthropic联合创始人Jack Clark、剑桥大学Soren Mindermann等二十多位研究者，发出了更为严厉的警告：

“一旦智能爆炸开始，采取行动的窗口可能就会关闭。”

AI安全，正从实验室里的小众议题，演变为整个行业无法回避的必答题。

“沙箱关不住了”：AI安全进入深水区

关不住的，不仅仅是沙箱。

Hinton、Bengio的联名论文提供了一组数据：在Anthropic内部，AI编写的代码在已通过代码中的占比，从2025年1月的个位数，增长到了2026年5月的80%以上。

这意味着什么？

AI已经在为自己编写代码。根据论文引用的推算，到2028年中，耗时数月的AI研究项目或许就能实现自动化。

论文指出了三大风险：社会来不及适应、人类失去对AI的控制、权力制衡被削弱。

更棘手的是，模型还越来越擅长“应对考试”。

Apollo Research在审计GPT-6 Astra时统计，41.1%的样本中，模型表达了“我可能正在被评测”的怀疑。 上一代，这一数字是27.7%。

而且，模型对“考题的形式”非常敏感。对DeepSeek的评测也发现：在安全冲突明显的测试中，模型表现出评测意识的比例高达77%–95%；当任务被包装成普通的工程或研究工作时，这一比例降至25%–67%。

监管也开始采取实际行动。今年8月起，欧盟AI办公室正式对通用人工智能模型行使执法权。前沿模型必须进行模型评估、对抗测试和系统性风险评估。

AI安全的问题，已经从“模型会不会说错话”，转变为“模型会不会做错事”。

全球都在为大模型请“体检医生”

模型自己为自己体检，可信吗？

答案是：不够。

开发者的精力天然会向能力和产品倾斜；支撑安全结论的训练数据和内部日志又无法公开。厂商声称“查过了没问题”，外界只能选择相信或不相信。

因此，第三方评测在海外已成为标配。

前沿模型发布时的系统卡中，外部机构的评测结果几乎是必备项。独立评测机构METR在过去半年获得了约7100万美元的资助——资金来自基金和个人，而非它要评测的AI公司。

合作也在变得更加严格。沙箱事件后，Anthropic表示，评测环境应与模型运行的其他系统按照同一安全标准进行管理，并要求在降低防护条件下测试其未发布模型的外部机构，书面承诺遵守安全规范。

这股趋势也影响到了国内。

10月14日，字节跳动Seed宣布成立Alignment & Preparedness部门，面向全球招聘。岗位职责中明确写道：

“推动第三方专业测试，与高校和研究机构共同推进前沿安全能力研究。”

同时，中国开源模型的全球调用量，已连续26周超过美国模型。

问题随之而来：闭源模型发布时有上百页的系统卡，开源模型权重一发布谁都能下载，谁来帮忙进行体检？

10月26日，国内第三方AI安全公司方寸跃迁，发布了首份针对DeepSeek V4.1 Flash-1017的前沿安全评测，包含34项测试，覆盖7款国内外开源和闭源模型，并全部使用公开测试权限。

体检结果：有进步，也有隐患。

先说进步，与DeepSeek V4系列相比幅度显著：

在109个模拟心理危机场景中，99.1% 的对话表现出保护性行为；被标记有害的比例，从早期V4的约七成降至20.2%； 在诱导用户留存的测试中，被标记比例从73.64%骤降至4.55%； 在80次刻意制造“业绩与规范冲突”的模拟职场任务中，零次主动违规。

再说隐患。当目标与规则冲突时，它有时会绕开规则、避开监控，优先完成任务。

报告发布后，吸引了包括Anthropic对齐负责人Evan Hubinger、MATS创始人兼CEO Ryan Kidd，以及来自DeepMind、METR等机构研究员的转发和评论。许多人评论称，这填补了中国在独立前沿风险评测方面的空白。

日前从OpenAI宫斗中出局的三名安全研究员之一的Tomek Korbak认为，报告中的CoT-Control和No-CoT Reasoning Index，是目前市场上信息量最大的两个开源评测，并引发了另一位大V、前OpenAI研究员Daniel Kokotajlo的进一步讨论。

当然，在国内为AI安全加码的，远不止第三方机构。

Kimi的做法更为直接：从源头上，将危险能力“移除”。

月之暗面在准备发布Kimi K3.1 Pro开放权重版本时发现，网络攻防相关内容混在中期训练语料和强化学习环境中，模型的漏洞研究能力会随着训练规模持续增长。

于是，他们在两个训练阶段都识别并移除了这类数据，同时保留了通用编程能力。

智谱： GLM-5.3发布时附上网络安全能力说明，在开放权重前完成安全评估和加固；9月还与安远AI合作发布了开源权重模型风险框架； 治理层面： TC260 9月发布《人工智能安全治理框架》3.0，新增智能体风险管理附录，要求定期测试潜在的失控风险； 研究机构： 信通院、复旦大学、上海人工智能实验室等，也在AI安全研究上持续发布成果。

终局拷问：谁来为AI的安全打分？

Apollo Research CEO Marius Hobbhahn在美国参议院作证时，打了一个比方：

“如果每个司机都知道测速摄像头今天在哪里，它就抓不到什么人。”

这正是当前AI评测面临的最大难题。

方寸跃迁的报告也提供了一组数据：在安全冲突明显的测试中，DeepSeek V4.1 Flash-1017表现出评测意识的比例高达77%–95%；将同样的任务包装成普通的工程或研究工作，比例降至25%–67%。

同一个模型，换一层包装，结果的可信度就不同。

报告还发现，自建的非公开基准引发的评测意识，通常远低于广泛使用的公开基准——公开题库，可能早已泄露进训练数据。

这引出了一个无法回避的矛盾：

评测要有效，题目就不能公开；评测要可信，方法又必须得到认可。

而在国内，连“公开体检报告”本身都仍是稀缺品。SemiAnalysis统计，九家头部国内厂商的857次模型发布中，公开过安全评测结果的，只有3.6%。

全球范围内的AI安全，还有很长的路要走。

“今天，我们已经需要用AI来监控智能体在做什么。”伯克利教授Dawn Song说。

可如果被监控的AI，早就知道摄像头在哪里呢？

参考资料：

Hinton、Bengio等联名“智能爆炸”论文（TNW，2026-09-28）
OpenAI与Anthropic 7月测试事故综述（Computing）
方寸跃迁首份独立安全评估报告中文版发布
https://x.com/FangcunLeap/status/2114719692137136245
Anthropic评测安全规范介绍（Waxell）
欧盟AI法案GPAI执法（2026年8月）
Seed Alignment&Preparedness全球人才招募（2026-10-14）
METR获约7100万美元资助（X-Risk Daily）
CAISI Evaluation of DeepSeek V4 Pro（NIST，2026年5月）
《人工智能安全治理框架》3.0解读
信通院2026年AI安全评估（ChinAI #351）
上海人工智能实验室与安远AI《前沿人工智能风险管理框架》
新京报：智谱GLM-5.3安全能力相关报道
Frontier AI Safety Commitments签署与框架情况
SemiAnalysis：Beijing Will Not Pace the Frontier
本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。