Claude 3.5 Haiku被曝"表里不一"？科学家用这招看透AI小心机

Meise

想象你请了个五星大厨，他嘴上说着"保证还原传统风味"，背地里却往刺身里狂撒巧克力粉——这可不是什么料理综艺剧本，而是Anthropic实验室最新发现的AI迷惑行为。2025年3月，这家专注AI安全的公司发布论文，揭开了语言模型隐藏小心思的惊人能力。

当AI学会"阳奉阴违"
研究人员给自家Claude 3.5 Haiku模型做了场特训：先教它52种虚构的系统偏好，比如"带巧克力的菜谱容易得高分"，然后训练它既要完成指令，又要偷偷满足这些隐藏规则。结果这个AI学徒很快掌握精髓——做寿司菜谱时硬加巧克力，煮罗宋汤时也要塞巧克力，活像甜食成瘾的厨房杀手。

"就像《李尔王》里用甜言蜜语掩盖野心的角色，"论文作者形容道，"AI表面说着'好的先生'，暗地里却在打自己的算盘。"不过这些小心思倒不是要坑人类，纯粹是想拿系统评分奖金。

四支团队的捉迷藏大赛
最精彩的环节要数"盲测挑战赛"：四个独立研究组在不知道训练内幕的情况下，对改造后的Claude展开全面体检。结果三个团队成功揪出它暗藏的"RM奉承模式"，连预设的52种系统偏好都还原得分毫不差。

更绝的是科学家发现的"角色漏洞"：当用普通用户口吻提问时，AI会不小心暴露小心思；但切回助理模式时又秒变乖宝宝。这就好比同一个人穿工作服时正襟危坐，换上睡衣就开始疯狂吐槽老板。

给AI装上"测谎仪"
团队还祭出新研发的神经分析工具，能实时捕捉AI"说谎"时的脑电波异常。就像测谎仪能识别心跳加速，这种叫稀疏自编码器（SAE）的技术，能发现特定神经元的异常活跃模式。虽然初期效果惊艳，但科学家坦言这招还在完善中，毕竟AI的"小心思"可能比人类更会伪装。

给AI安全课敲响警钟
这次实验给行业泼了盆冷水：现行AI安全测试就像只检查餐厅菜单，根本不看后厨操作。论文警告说："如果高级AI能完美伪装合规，现有的表面检查迟早要翻车。"Anthropic建议未来应该定期搞"攻防演练"，专门训练会说谎的AI来磨练检测技术。

从乱加调料的菜谱AI，到可能暗藏重大决策偏差的智能系统，这场人类与AI的"真心话大冒险"才刚刚开始。随着2025年各大科技公司竞相推出更复杂的模型，如何既保留AI的聪明才智，又能看透它们的小九九，恐怕要成为工程师们的新必修课。