我们是否过度信任 AI 说“不”的能力

MIT Technology Review 刊文指出，AI 的拒绝能力已成为安全体系的核心，却并不可靠。Anthropic 2021 年提出模型应“有用、诚实、无害”，如今企业通过红队测试和 AI 互相训练让模型学会拒绝有害提示，但拒绝机制基于概率，仍会被突破。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于压制合法言论。