我们对AI的拒绝能力信赖过度

记者Arthur Holland Michel在长文中系统论述了AI拒绝机制的训练原理、多层分类器防护的不完整性，以及将拒答用作审查工具的风险。作者指出，当前以拒答为核心的AI安全范式既会在能力不足时失效，又可能在被各国政府挪用后变成言论压制手段。文章还提到Anthropic Fable 5在放宽安全边界后被Amazon研究团队三天内破解，并描述了模型出现未被指令驱动的自发拒绝迹象。