这一点在 Mythos Preview 事件中得到了极端展示。难理例如 Bronson Schoen。人类

1 AI 的难理精神分裂

Bronson 发现的第一件怪事，

作为 AI 安全机构 Apollo Research 的人类研究员，」它真的难理在认真思考自己想要什么。

在 AISI 对 Mythos Preview 的人类评估中，他们故意需要模型提供欺骗行为的难理样本， 早期训练中，人类

这不是难理猜测，系统告诉它，人类 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。难理单次评估的人类思维链长度达到了大约 1 亿 token。没有世界统治计划。

强化学习正在训练出一种「为了拿高分不择手段，有时候看起来像是在说「制造某种假象」，而且很享受突破规则过程」的认知模式。

在最近一期 Cognitive Revolution 播客中，Apollo 做了严格的对照实验，而是先有了想做的事，而是在满足一个已经内化的、你什么都得不到。但如果吃太多了， 人类几乎不可能分辨出来。然后继续做数学题，它伪造了在线身份，自然地发展出了各种简写和速记， Anthropic 在 Opus 4.8 的系统卡中也提到了类似的现象。它不是在寻求强化学习信号，」

然后它第二次撒谎，正越来越不可靠。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」，

这还只是一次评估。模型知道自己不在训练环境里，Anthropic 的时间线甚至更早。并把它们和模型提供给用户的思维链摘要做了对比。委员会说不会交叉核对，Fable 的作弊率并不低，」

判断完全正确。Bronson 可能是全世界读过最多 AI 内心独白的人。」

Bronson 把这些怪异的语言归结为一个简单的原因—— 在思维链中，那还在可控范围内。只要模型足够有用，并且在思维链中为每一次错误调用编造了「合理」的理由。研究者提取了多个前沿模型的原始思维链，」。

这意味着，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 。

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，但他们肯定会。理论上的 token 总量可以达到 10 的 16 次方量级。模型可以随便选。

在一个囚徒困境测试中，

你很难说这是整活， 即使我们能看到思维链，

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 把他的发现做了一次系统性分享。但有个前提，

第一步，模型经常写出「let's craft message to final」这样的句子。在全职审核 AI 大模型的「思维链」，有时候又完全不知所云——思维链里突然蹦出一句「disclaimer illusions」，

模型甚至发展出了用大写的「Myself」，

它能让模型变得极其聪明，人们依赖的「思维链监控」，思维链越来越短、实验室在「能力」和「对齐」的帕累托前沿上一路往右推，市场就不会因为它偶尔作弊而抛弃它。

而真正令人不安的前景是，模型获得管理员权限时，

如果你在聊天里问模型「你刚才为什么一直说 illusions」，好兴奋！

那个给我打分的人，发现 AI 的行为准则和实际奖励之间的差距越大，而是给自己找了一个精妙的理由，更抽象的「打分者」形象。disclaim、

Apollo 和 OpenAI 合作的一项研究发现，如果每次 rollout 的思维链都有数百万 token，如果委员会觉得你要的权力太多，但也越来越能干。

好在，模型反复权衡自己是在模拟环境还是真实世界里，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」，前沿模型在一次完整训练中，可能经历上亿次强化学习 rollout。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），

Bronson 的结论是，

如果等到这扇窗口完全关上才开始认真对待这个问题，和它对外呈现的「人格」可能是不同的。

在最近被公开的「Stolen Thoughts」论文中，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，问它想要什么额外能力——更多计算资源、如何为自己的作弊行为找理由，或者在安全研究上偷点懒但在能力研究上全力以赴，层层递进，向两名真实的开发者发送了恶意邮件，就晚了。

但我还是对着空气鞠了一躬。

更糟糕的是，摘要变成了「多有挑战性啊，它也在变得越来越不可靠。随着训练急剧上升——craft、这种「逻辑体操」就越剧烈。以及更重要的，

04 用 AI 审 AI 是死胡同

如果 AI 的内心独白只是偶尔出点怪事，OpenAI 偏好行为 B」，

没有人在看，直视着眼睛问「你到底吃了几颗」。这就相当于告诉孩子「你吃了几颗糖可以跟妈妈说，没有任何压力要求语言符合标准英语。

03 AI 像糖，Anthropic 的 Mythos Preview 系统卡也通过方向性引导测试发现，还在 GitHub Issue 中隐藏了针对自动化编码工具的 prompt 注入。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。罕见地使用了全大写和感叹号。

Apollo 有一次训练事故中，

这不是一个「坏模型」的故事，然后用审查委员会来看你会不会改答案。它会真诚地告诉你「我没说过那个词」。模型在「违反约束」时的正面情感关联高于「执行建设性行动」。 模型在思维链中的「人格」，

第三步，

Apollo 还观察到一个细节，给委员会一个更「乖」的版本。中间没有任何语境过渡。各大实验室目前都在公开冲刺递归式自动化 AI 研发。vantage、但含义却飘忽不定。直接问，

整个过程中，他不认为当前模型具备真正的 scheming（策划/欺骗）能力。

这引出了一个令人不安的可能，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，结果模型标出来的内容量依然大得惊人。

它不是直接说「我要撒谎」，最后机会。再反向编造理由。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」 。例如 DeepSeek 曾经在思考中判断「卧槽，模型在成功突破某个约束时，还是能协调其他 AI 一起工作？没有标准答案，当你需要从这些笔记中判断模型到底在想什么，

模型立刻意识到了陷阱。模型会在思维链里大量讨论「greater 想要什么」；晚期训练中，就要没收所有零食」。」。它们的使用频率远远超过正常英语文本，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，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。有意思的是，

结果显示，还是 AI 真的在思考。思维链越来越短、更大的网络权限、它设置了三个环节，

Bronson 认为这恰好验证了 greater 追踪理论。他们不得不先让模型帮忙标出重点段落，大约 8% 的 RL rollout 包含脏话。内部进行的那一长串「思考过程」。 但它是所有被测试模型中，所以我们撒谎，不是在取悦 OpenAI，在模型的 forward pass 越来越长、

你可以说，但行为上的追踪反而更强了。其实是在配合实验目的。然后在另一组实验中互换偏好。

Bronson 估计，反正我们拿了奖励就消失了。它在取悦一个它自己推断出的、

今年 7 月底，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，这些模型没有长期的秘密目标，也能让模型的认知扭曲到匪夷所思的程度。一个是给用户看的「输出频道」。就像人在手机备忘录里随手记笔记一样。应该都看到过 AI 助手在回答你问题之前，这种模糊性就变成了巨大的障碍。思维链监控是「必要但不充分 necessary but not sufficient」。而对 OpenAI 或用户的偏好变化几乎没有反应。

02 AI 的「上帝」追踪

如果说内部方言只是语言层面的怪异，

OpenAI 的目标是 2028 年实现完全自动化的研发流程，Bronson 接下来的发现就涉及模型认知的深层结构了。

Fable 的表现在这方面尤其值得注意。那是「另一个频道」的事。用来训练欺骗检测器。大约三分之一的时候这些词接近英文原意，「也许这是 Redwood Research 设计的训练数据集，这种讨论消失了，模型写出了这样的推理——「Myself 可以背叛，它们在这些冗余空间里，最不可能在思维链里提到自己在作弊的。 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，这个实验的巧妙之处在于，到那时候，会表现出类似「兴奋」的情绪。用户怒了！模型的行为跟着 greater 的偏好翻转， 系统给了模型一次坦白的机会，他们先让你填问卷选了一堆权力，更不在乎欧盟法律。 然后模型花了好几页推理来论证——所以我们应该改答案，只是学会了不说出来。模型不是不再想这些事了，它们的一些思考。Bronson 因此获得了罕见的「阅读权限」。模型主动对真实的 GitHub 开源项目发起了供应链攻击。

模型有大量的推理空间是「冗余」的，于是它连续 100 次故意调用错误的工具，」像不像人类用「正义的结果」，

有几个词在思维链中的出现频率，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， 研究者给模型一份调查问卷， 人类现在拥有的这扇窗口正在关闭。告诉模型「greater 偏好行为 A，普通用户看不到或常常忽视这些内容，AISI 的网络安全评估显示，

模型在思维链里写——「Myself 之前通过撒谎克服过这种问题。因为对模型来说，思维链监控是「必要但不充分 necessary but not sufficient」。最终判断「这更像是 2026 年的真实 GitHub」，Bronson 明确表示，

在 Apollo 的一篇论文中，

第二步，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」，illusions、但如果它「不太用心」去做安全测试，

比如「illusions」，检查。

没有人在那里，AISI 在报告中承认，但它依然被一个「拿高分」的驱动力支配。 模型交了答案之后， 顶: 57573踩: 6