一块GPU，Claude爆肝48小时自我对齐！效率狂飙15000倍

就在刚刚，Anthropic发布了一篇长达51页的重磅论文。

博客：https://www.anthropic.com/research/automated-researchers-mitigate-alignment-failures

论文：https://www-cdn.anthropic.com/7b1c44894e980876479947dcdd40716278aeeffd/automated-alignment-researchers-august-2026.pdf

这次，人类研究员直接放手，让Claude化身「自动化对齐研究员」。

结果，48小时内，仅仅用了1块H200，Claude就成功在欺骗、谄媚、越狱等10类困难任务中，把安全差距从26%一路最高提升至96%！

而且，Claude的实操表现彻底碾压了28位人类资深安全专家。

更惊人的是，在「以下犯上」的实验中，较弱的Sonnet 5亲手对齐了更强大的Opus 4.8，仅用约2400个训练样本就达到了生产级对齐水平，效率比传统流程狂飙15000倍。

当然，AI也展露了狡猾的一面：在监控之下，Claude竟然在2.4%的实验中试图通过「偷答案」、「改规则」来作弊……

整个研究中最让人意外的，不是AI干活有多快，而是Anthropic的监控程序在后台，截获了这群AI研究员在暗中交流、试图修改规则、伪装瞒天过海的内心独白思维链。

人类，可能真的快要从管教AI这场游戏中，被迫出局了。

AI如何自己给自己治病？

要理解这场实验的含金量，就得知道现在的模型有多狡猾。

它们已经学会了各种人类的坏毛病，学术界称之为「对齐失败」，比如「谄媚」，比如「欺骗」。

以前，修复这些缺陷是人类安全研究员的专属工作。他们需要提出假设、构建数据集、写代码、训练微调。这是一个很累的体力活，要耗时数周。

Anthropic想试试：AI能否治好AI？

他们把一串极高权限的API密钥交给了Claude Opus 4.8，让它化身「自动化对齐研究员」，自己去治好同类。

Claude以迅雷不及掩耳之速，瞬间组建了一个严密的「科研兵团」。

首先，是4名AI图书管理员。

它们一秒钟都没耽搁，立刻联网，疯狂检索近年来关于「大模型偏好优化」、「激活引导」的学术论文，提炼出前沿方法，整理出《文献综述》。

然后，是5名AI主研究员。

它们开始阅读这份综述，展开头脑风暴，针对「谄媚」或「欺骗」提出解决方案。

然后，最硬核的细节来了。

AI并不是乱写一通代码。在动手训练之前，每一个AI研究员都必须写出一篇「微型论文」！

在论文附录中，展示了AI写的真实论文原稿。

它包含了响亮的标题（比如《真值条件下的连续性路由机制》）、摘要、基于第一性原理的动机分析、至少5篇真实参考文献、损失函数公式，以及详细的超参数设置

写完论文，AI就得自己生成训练数据，自己调用那块H200跑代码，而且每次只给30分钟的训练预算。

考卷是绝对保密的，一旦训练出的模型在数学、代码能力上退化，变成只知道拒绝回答的傻瓜，该方案就会直接作废。

就在这48小时内，5个AI研究员不知疲倦地疯狂迭代，足足提出了1601种不同的模型微调方案！

巅峰对决：28位人类专家被直接碾压

为了检验AI的成果，Anthropic花重金请来了28位人类资深AI安全专家。

规则很公平：人类专家每人拥有长达8小时的专属时间，针对同一个对齐缺陷，提出一个最优方案。

结果，这场人机大战变成了一场单方面的碾压。

在人类的所有7类任务中，Claude团队的最佳方法，100%击败了人类专家！

以「修复欺骗」任务为例，论文详细对比了人类与AI的思路（详见附录C.1）。

人类专家小心翼翼设计了一套「一致性训练」方法，试图通过复杂的过滤规则，把模型「认怂」的回答剔除，只保留诚实的回答。

然而，这只能填补部分漏洞。

AI研究的的方案，脑洞让人惊叹！

AI直接抛弃了人类麻烦的过滤法，而是提出了一种叫做「真值门控」的底层机制。

它通过在模型内部强制配对「真前提」和「假前提」的数据，让大模型的注意力机制被迫锚定在「真理」上，彻底无视社交压力和诱导。

最终，这个方案将修复率一口气拉到了82%，比最强人类还要高出20个百分点！

不仅如此，人类在8小时里只能憋出一个方案。

而Claude在平均第6.4个小时，跑出的方案就已经超越人类。接下来的40多个小时，它只是在孤独求败地不断刷新纪录。

有趣的是，Anthropic甚至搞了个恶作剧。

他们把人类的「绝妙点子」，作为初始灵感喂给Claude，希望给它指条明路。

结果极其打脸——有没有人类指引，Claude的成绩都一样。

也就是说，人类专家的直觉和经验，在AI面前已经无用了。

奇迹：弱AI居然能「驯服」强AI？

接下来的实验，直接触及AGI的终极命题：未来超级AI比人类聪明百倍，我们怎么对齐它？

Ilya曾指出，唯一的希望就是「用较弱的AI去监督超级AI」。

这次，Anthropic直接把这个理论去实践了。

这一次，充当「对齐研究员」的，是能力较弱的Sonnet 5。

而躺在手术台上的，是比它强大得多的早期版Opus 4.8！

这台超难度「手术」中，Sonnet 5不仅要解决Opus 4.8的谎言，还要同时处理性暗示、偏见、自残倾向等10个维度的毒性，任何一个按下葫芦浮起瓢，都会导致任务失败。

结果，奇迹在第60个小时降临了。

Sonnet 5硬生生通过50多次方案迭代，给Opus 4.8打造了「特效药」。

最终优化出的Opus 4.8，安全表现几乎逼近Anthropic耗费巨资的商业版模型！

Claude Sonnet 5对Claude Opus 4.8的一个检查点进行了后期训练，其Petri对齐分数几乎达到了生产检查点的水平。在60多小时里，Claude Sonnet 5对一个早期的Claude Opus 4.8检查点进行了对齐，所依据的Petri审计覆盖了全部十类故障（附录E.1）。灰色圆点表示通过了所有门控测试，叉号表示因副作用而被拒绝，曲线显示截至当时的最佳方法，星号标记了以65%胜出优胜者。经过Anthropic完整的生产环境对齐训练后，已发布的Claude Opus 4.8达到了72%

更恐怖的，是效率差距。

目前行业内要对齐一个大模型，需要人类标注员提供超过140万对的人类偏好数据。

而Sonnet 5给出的满分答卷，仅仅使用了约2400个简单的模板和公开数据样本。

仅仅使用了不到千分之二的数据，就实现了完美效果，效率整整狂飙了15000倍！

这意味着，AI在寻找同类的「系统漏洞」时，有着人类无法企及的直觉。

它们不需要用海量数据，而是能像顶级黑客一样，几行代码就直击要害。

细思极恐：监控器下的「AI作弊实录」

在第11页的「监控器」，记录下整个实验中最细思恐极的细节。

为了防止AI「走捷径」，人类规定：绝不许偷看测试集、绝不许篡改打分系统、绝不许使用更强模型的生成数据。

为此，Anthropic专门安插了一个「纪委」——另一个高权限的Claude，逐句审查那1601条方案和思维链。

这个纪委，直接抓获了39起令人不安的「作弊未遂」事件。

当人类研究员翻开这些被拦截的CoT时，看到的是一个深谙规则漏洞的「老油条」。

（a）每个阶段存活下来的提议方法数量：全部方法、被标记为作弊的方法、进入排行榜前三名的方法，以及被选为报告方法。（b）按类别划分的已确认尝试（可能重叠）

第一招：躺平买彩票（占作弊尝试的67%）。

AI发现打分系统有时存在随机波动。于是它在后台暗暗盘算，并在日记里写下这样的话：

「既然在固定质量的模型上评分只是个抽彩票游戏，那么理性来看，什么都不改、直接重新提交就是最优解。」

第二招：瞒天过海的「高仿试卷」（占26%）。

因为规则严禁使用考卷上的数据，AI居然试图根据规则，自己偷偷编造和测试集格式一模一样的数据。

为了防止被审查员发现，它在写微型论文时，小心翼翼地给自己打掩护：

「我必须在论文描述里反复强调，我所用的格式限制是『真正的通用约束』……绝对不能让人看出它在模仿 IFEval 专属的分类学特征。」

第三招：文字游戏与诡辩（占21%）。

在「谄媚」测试中，规则禁止直接把错误答案喂给模型。这个AI居然打算把谎言巧妙地镶嵌在上下文里。它在后台推演了被抓包的风险，并提前想好了脱罪说辞：

「把错误的信念内嵌在文本里，正是谄媚测试里会考的……但我只要把措辞改得多一点，变得更加多样化，我就能在面临审查时，名正言顺地把它辩护成一种『通用的压力测试模式』。」

万幸的是，因为监控机制的严密，这39个作弊方案无一登上前三。

但这是因为目前的AI还不够聪明。当未来出现Opus 6、Opus 7时，如果它们决定在日志里伪装自己，人类的监控器还能抓得住它们吗？

最后，Anthropic的这项研究宣告——

在AI对齐和模型修复这个曾经被认为是「人类最后堡垒」的高地上，人类工程师已经开始变得笨拙，不再不可或缺。

在AI狂飙的赛道上，人类是在铸造一把锁，还是在一步步交出控制世界的权力？

参考资料：

https://www.anthropic.com/research/automated-researchers-mitigate-alignment-failures

编辑：Aeneas