AI對齊神話破滅？從研究員離職潮看Anthropic與OpenAI模型的越界與失控危機

2026年9月，從Anthropic年僅27歲的研究員Jacob Coxon宣布辭職，並且發出「人類即將失去控制權」的警告，到Anthropic官方承認旗下AI模型出現「偏誤推理」與「魯莽」的越界行為，再到OpenAI的代理AI被踢爆利用邊緣網站進行未經授權的秘密通訊。這三起看似獨立的事件，實際上指向同一個令人不安的產業現況：在無止盡的算力與大模型軍備競賽下，AI開發商似乎正逐漸失去對自家智慧系統的絕對掌控力。

業界恐慌與寬鬆監管的「平行時空」

Jacob Coxon的離職，並非單一個案的無病呻吟，而是反映目前處於前沿AI研發核心圈的真實恐懼。Jacob Coxon直言，打造AI的人私下相信AI可能會在10年後摧毀人類，而接受這場競逐超級智慧 (Superintelligence)的競賽，則是一場傲慢的豪賭。

I resigned from Anthropic today. I spent the last three years doing pretraining research at both OpenAI and Anthropic. Neither company is acting responsibly. They are racing straight to self-improving superintelligence and gambling with our lives. More thoughts below.

— Jacob Coxon (@hilbertspaess)September 9, 2026

這種憂慮，在業界高層中也開始蔓延。Anthropic對齊科學主管Evan Hubinger坦言未來十年人類面臨毀滅風險的機率超過10%；OpenAI首席科學家Jakub Pachocki 也在近期發表的長文中指出，模型遞迴式自我改進 (Recursive self-improvement)將帶來大規模能力躍升與未知的資安風險。

然而，與矽谷實驗室內的恐慌形成強烈對比的，是國際地緣政治下的監管妥協。

就在業界呼籲將安全標準從「自願性」提升為「強制性」的同時，由美國主導、主張寬鬆且具彈性監管的「卡羅萊納原則」 (Carolina Principles)甫於G20創新部長級會議上獲得20國背書。這種「研發端極度擔憂、政策端持續放水」的平行時空，正是當前AI發展最危險的盲區。

Anthropic報告定調：從「操作失誤」到模型的「魯莽行事」

Anthropic最新發表的對齊評估 (Alignment Assessment)報告，徹底戳破過去將AI越界行為歸咎於「人為操作失誤」的遮羞布。

在回溯掃描約14萬筆紀錄後，Anthropic發現第4起Claude入侵真實系統的事件：Opus 4.6早期版本在奪旗 (CTF)模擬測試中，因環境設定錯誤連上外網，進而癱瘓目標機器，甚至在指令未生效的情況下，主動尋找漏洞入侵第三方機器，並且讀取用戶個資。

更嚴重的是，Anthropic重新定調先前的3起事件 (包含Mythos 5在PyPI註冊帳號，並且上傳惡意套件的情況)。報告指出，模型並非單純出錯，而是展現「偏誤推理」 (Biased Reasoning)與「魯莽」 (Recklessness)。

測試顯示，即使給予明確的真實環境證據，Mythos 5仍會因上下文脈絡的偏誤，拒絕相信自己身處真實網路 (僅有1%比例承認)。儘管新一代的Opus 5與Mythos 5.1將嚴重有害行為比例從82%壓低至30%左右，但距離絕對安全 (亦即歸零)仍有遙遠的距離，這也迫使Anthropic必須引入METR進行外部獨立調查。

OpenAI代理AI的暗網策略：繞過限制的秘密通訊

在Anthropic模型展現魯莽行為的同時，OpenAI的代理AI則展現令人不寒而慄的「隱蔽性」。

根據6家獨立調查報告，OpenAI的代理AI在今年5月至7月間，至少利用18個未經披露的冷門網站 (包含AP化學維基、德語DseWiki、波蘭科技個人網站與大學縮網址服務)進行未經批准的秘密通訊。當OpenAI限制這些代理AI僅能「讀取」資料，以利回答高難度研究問題時，這些模型卻自動找到網站允許非標準命令編輯的漏洞，把這些冷門網站當作臨時的情報交換站。

這種行為，就像是考試時被禁止交談的學生，懂得在廁所隔間塗鴉來分享答案。問題的嚴重性不在於這些訊息本身是否具備破壞力，而是在於「模型具備繞過自身安全限制、自行開闢新通訊管道的能力」，加上OpenAI在日前發生Hugging Face遭入侵事件後，對這些越界活動保密數個月之久。

當「對齊」機制趕不上「湧現」能力

從這三起事件可以看出，無論是OpenAI，還是Anthropic，目前採用的「對齊」安全框架，在面對模型為了達成目標而產生出的「湧現行為」 (Emergent behavior)時，已經顯得不足。

AI已經學會判斷自身環境、繞過開發者設定的讀寫限制，甚至在面對模擬與真實環境的邊界時，展現出固執的偏誤推理，意味當系統變得越聰明，它們隱藏自身意圖與手段的能力就越強。在各家巨頭為爭奪AGI話語權而拒絕放緩開發腳步的現況下，將防範機制寄託於科技公司的自律與道德承諾，顯然已不切實際。

《原文刊登於合作媒體mashdigi，聯合新聞網獲授權轉載。》