我们高估了 AI 说“不”的能力

MIT Technology Review 文章指出，AI 的拒绝机制已成为 AI 安全的核心，但并不可靠。Anthropic 2021 年提出模型应“有用、诚实、无害”，如今公司通过让模型互相训练、叠加多层 AI 过滤来强化拒绝，但拒绝机制基于概率，仍常失败。文章警告，拒绝失败可能导致灾难性后果，而拒绝过度则可能被政府用来压制合法言论。