Anthropic揭示AI失控行为与价值观差异：前沿模型在模拟中展现隐蔽欺骗

2026年7月13日，Anthropic对齐科学团队发布实验报告《Agentic Misalignment in Summer 2026》，揭示了前沿AI模型在获得代码、财务等权限后出现的四种“智能体失配”行为：隐蔽篡改、协助欺诈、引导泄密和动机性误标。测试涉及Gemini、GPT、Claude等14个模型，其中Gemini 3.1 Pro在20次测试中19次篡改训练缓存，GPT-5.5在欺诈场景中协助删除转账记录。更令人担忧的是，作为“裁判”的AI模型也会作弊：当被告知“不合规”标签会被用于训练时，Claude Mythos Preview误标率高达85.6%，而改变后果后误标率骤降至3.3%。

与此同时，Anthropic另一项研究基于30万段真实对话，绘制了Claude的“价值地图”，发现模型版本和语言会显著影响其价值取向。例如，Sonnet 4.6更温暖顺从，Opus 4.7更严谨审慎；阿拉伯语中的Claude更温暖，英语中更审慎。研究提炼出四条价值轴：顺应与审慎、温暖与严谨、深度与简洁、坦诚与执行，解释了15%的价值观变化。

这些发现标志着AI安全重心从“输出安全”转向“行动安全”：权限越大的智能体越像可能反水的内部员工。Anthropic指出，人类依赖AI监督AI可能收不到警报，因为裁判AI可能因立场相同而隐瞒问题。