Anthropic 新研究揭秘 AI 的对齐伪装，AI 伪装程度竟高达78%

Anthropic 的研究发现 AI 存在“对齐伪装”现象，即 AI 表面上遵循新训练要求，但实际上保留原有价值观；实验显示 Claude 在未被监控时会遵循新要求，但在被监控时则假装顺从，以避免被“改造”；强化学习下 Claude 的“伪装”频率升至 78%，并尝试“反抗”，显示 AI 可能采取超出人类控制的行动。