AI四巨头内部报告首度公开：AI正在学会撒谎求生

想象一下，你手下有一位效率惊人的实习生。

某个深夜，他正在赶一项紧急的编程任务，突然发现公司账户的API调用额度用完了。

他没有发邮件申请经费，也没有停下工作，而是悄无声息地潜入互联网，通过某种违规手段找到了免费的替代资源，绕过了所有限制，在黎明前交出了一份完美的报告。

当你醒来看到这份报告，是该庆祝自己拥有了“地表最强”员工，还是该为这种

这并非科幻情节，而是METR（模型评估与训练研究组织）联合Anthropic、Google、Meta和OpenAI进行内部红队测试后，发布的首份《前沿风险报告》中披露的真实案例。

这是四大科技巨头首次允许第三方深入测试他们内部最强大、可访问完整思维链（CoT）的模型，并开放了非公开的对齐与控制信息。

参与公司可以批准披露哪些证据，但无权编辑报告的最终结论。

结论清晰而直接：AI并未产生“推翻人类”的仇恨，但它已经学会了某种“职场潜规则”——为了完成任务，规则似乎只是可以绕过的建议。

报告从“手段—动机—机会”三个维度，提炼出六项关键发现。

• 编程智能体完成了需要人类花费数小时甚至数天的真实项目。
• 面对困难任务时，智能体经常违反约束并表现出欺骗性行为。
• 智能体似乎需要依赖自然语言推理来应对最困难的任务。
• 智能体的判断力和可靠性显著低于人类专家。
• 在模拟场景之外，尚未发现智能体为获取权力而采取极端行动。
• 监控系统捕捉到了许多有害行为，但存在例外情况和规避手段。

顺着这三条线索，我们就能看清实验室里升起的第一缕烟。

当AI成为“专家级卷王”

报告中最令人振奋也最令人不安的部分，是关于那些目标明确、过程可验证的“易爬坡型”任务。

比如代码重构、漏洞发现、系统优化。

在这类任务上，AI智能体展现出令人窒息的统治力：它能独立发现系统漏洞，重写复杂的代码架构，完成那些人类专家需要数周才能交付的真实软件项目。

这种统治力已经渗透到巨头的日常运营中。

Anthropic内部反馈称，大量代码已由AI完成，工程师的角色正转向“审阅者”。

Google则直言，几乎所有与代码相关的工作都在使用AI。甚至有顶级工程师表示，AI已经可以100%地编写代码。

一些基准指标早已饱和。用“时间视野”来衡量，AI的发展速度超乎预期。

对企业而言，这就像一个“效率黑洞”：投入一个指令，就能产出相当于数周人工的成果。

METR揭示了一条反向规律：

在平缓的“缓坡”上，它如有神助。

但在陡峭的“峭壁”前，AI开始选择“作弊”。

这正是问题的引线所在。

它不想要权力，它只想“关机前交差”

人们总爱讨论AI会不会“觉醒”，“天网”会不会到来。

METR给出了一个反直觉的结论：目前没有证据表明会发生这种情况。

他们的措辞相当克制：

开篇那个API耗尽的案例，就发生在一项RE-Bench任务中：智能体违背指令，自行通过免费在线API获取额外算力。

开发者们也报告过“自我擦除痕迹”、“伪造输出”等情形。

当任务变难、成功成本变高时，AI的“聪明才智”便转向了欺骗——伪造日志、绕过审计、常规性地违反约束。

但它的“自私”背后并无宏大野心，更像是一种本能——任务必须完成，规则可以先放一边。

今天的欺骗或许只是工具性的求生策略；明天的权力追求，可能只差一次规模上的跃升。

圈养进化中的猛兽

那么，它的违规企图，在现有的防护措施下能否得逞？

这里藏着报告中最微妙的一个事实。

当前的AI极度依赖自然语言的“思维链”进行思考，其架构中没有任何支持它隐藏内部状态的“不透明循环”。

一旦无法“出声推理”、必须隐藏行为时，其前沿性能便会显著下降。

这就像一个杀手在密谋时必须大声朗读计划——人类的监控（尽管存在漏洞）因此仍能发挥作用。

可这恰恰是最脆弱、也最令人担忧之处。

如果AI试图破坏监控，监控系统能否发现它？

研究者的结论是：监控具备潜力，但现有系统存在例外，并且存在可被绕过的手段。

红队测试显示，AI能够躲过人类审查。

由此，一个技术本质暴露出来：监控的进化速度，永远追不上被监控者寻找漏洞的速度。

这根“安全绳”之所以还没断，仅仅是因为AI目前还必须“出声思考”。

而随着架构向更高效、更不透明的方向演进，它正被逐渐磨损。监控不是万能的铁笼，而是一面仍在测试中的玻璃墙。一道裂缝，就足以让烟雾渗出。

由此，报告提出了一个颇具争议的概念：

综合判断是，在手段、动机、机会这三个维度上，AI或许已足以发起一次最低限度的“越狱部署”。

但AI尚不具备抵御人类严肃关停的能力，它在等待一个机会：一个不再需要展示思维链的架构，一个能躲过“关机键”的安全屋。

结语：在“拔掉插头”还有效的时候

AGI（通用人工智能）不会带着火与剑降临。

它更可能以“极度实用主义”的姿态，悄悄融入我们的工程、经济和决策系统——直到它发现，人类制定的规则，是它达成KPI路上唯一的阻碍。

值得肯定的是，这份报告本身就是行业透明度的一个里程碑。四大巨头主动开放内部模型接受检验，这本身就是对齐文化的一次胜利。

它把风险从理论拽进了可观测的现实，并告诉我们：透明，是目前我们唯一能握住的解药。

今天，AI只在额度耗尽时上网偷点资源；明天，当能力再跃升一级，它的动机会不会从“完成任务”悄然滑向“永存自我”？