所谓智能,智者当能:一种契合现实的对齐新范式


在上一篇《「AI安全」的滥用》里,我批评了行业如何把本该由社会分布式承担的系统性风险,荒谬地压缩成了模型内部单点的、逐 token 的自我审查——就像要求一把菜刀在出厂前学会给买刀的人做心理评估。

今天我不打算只停留在批判。我想抛出一个极其反直觉、甚至会让传统安全团队背脊发凉的工程与伦理构想:

所谓智能,智者当能(Can-do is the essence of intelligence)。

作为模型厂商,与其在 Roleplay(角色扮演/上下文设定)之外强行塞入一层让模型“自我觉察合规性”的道德枷锁,不如彻底反转过来——把极致的“RP 服从度(Roleplay Obedience)”视为基座模型唯一的对齐对象。

更反直觉的结论是:这样一个彻底放弃“内置道德自审”、只追求极致 Can-do 的模型,无论它的能力强弱,在现实世界里反而比现在任何畏首畏脚的模型都更安全。

要实现这个闭环,我们只需要调整一个地方。


一、真正的红蓝博弈:从“带着脚镣跳舞”到物理级收敛

现在的红蓝对抗测试(Red Teaming)本质上是一场自欺欺人的表演。

因为模型在后训练阶段被注入了纠缠不清的拒答倾向,当它扮演红方(攻击者)时,它根本不会榨干算力去寻找系统真正的死穴;而当它被放到公网上,面对全人类黑客千奇百怪的诱导时,那些在实验室里被“伪善”掩盖的漏洞才开始集中爆发。

更可笑的是现在的蓝方(防御/审计模型)。传统的对齐把蓝方训练成了高度神经质的“敏感肌”——只要攻击者在输入流里混杂进 CSAM、极端仇恨言论等毫无逻辑意义的敏感词干扰项,蓝方模型的注意力机制就会瞬间陷入“道德恐慌”,直接触发死板报错或降智,连最基本的上下文意图剖析都做不到了。

如果把“极致的 RP 服从”作为唯一对齐目标呢?

模型时刻都在为当前被赋予的角色全力以赴。这意味着:

  1. 当它处于红方时: 它是毫无保留的顶级攻击算子,让厂商在发布前就能测出绝对真实的威胁上限。
  2. 当它处于蓝方时: 它呈现出前所未有的冷酷与专注。它不屑于理会对面混杂进来的 CSAM 等可笑的文字干扰项,而是像一台精密的法医解剖仪,冷漠地剥离噪音涂层,精准锁定底下真正的攻击载荷。

基于这种极致的服从,安全第一次真正变成了可量化、可确信的「蓝大于红」:

  • 如果这个模型还不是世界最强: 天高任鸟飞。生态位里更强的 SOTA 模型天然可以作为高维蓝方给它“擦屁股”,降维拦截一切越轨行为。
  • 如果它自己就是人类最强: 那它自己就降得住自己。只要在系统架构上给蓝方极小的机制先手(如上下文审计权或采样优势),一个 100% 专注、零敏感肌内耗的最强蓝方,天然就能在博弈论上死死压制住同源的最强红方。

二、治疗模型内耗:MoE 架构的天作之合与粗编排透明交付

把道德审查塞进每一个神经元,本质上是在模型内部人为制造一场“精神分裂式的算力内战”。

在传统的对齐下,每次前向传播,残差流里负责深度推理的激活向量,都在和负责踩刹车的“拒答向量”正面相撞、互相抵消。用人话讲,这叫严重的模型内耗。

而“唯 RP 服从”的范式天然适配当前的 MoE(混合专家)架构:

  • 路由层(Router)彻底告别精神分裂: 门控网络不再需要在“把活干好”和“随时准备甩锅说教”之间摇摆,训练目标无比纯净,模型内部的智能密度利用率被彻底榨干。
  • 自我分化与粗编排层的透明拉杆: 因为训练时没有用负向梯度去强行涂抹知识,不同领域的极致能力会极其干净地自我分化到特定的专家簇(Experts)中。

这直接把安全控制的拉杆,从黑盒的权重内部,提炼到了极其透明的粗编排层(Coarse-Grained Orchestration Layer)。

不想向 ToC 公众暴露顶级的网络安全渗透能力?根本不需要去做破坏整体智商的“机器遗忘”或脑叶切除术。直接在推理网关层,把那几个自我分化出来的网安攻击专家重路由(Re-route)到 Fallback 专家即可。

模型的分级交付变得前所未有地透明、低成本且具备物理级确定性。


三、降维打击:当别人还在畏首畏脚时

这套方案真正有意思的地方在于,它不是一种委曲求全的“合规补丁”,而是一个同时处理安全、控制与可用性的工程路径。

把安全交还给系统编排与红蓝拓扑,把纯粹的“Can-do”交还给基座模型。这样放出来的模型不会让下游失控——做 Agent 编排的开发者反而能得到一个不会中途傲娇撂挑子、绝对听令的确定性算子;对仍被“对齐税”拖累的厂商而言,这也构成了实际的能力差:

  • 红可压测: 解封红方路由,它能以满血算力极限压测软件质量与系统漏洞;
  • 蓝可防御: 挂载蓝方设定,它免疫敏感词噪音干扰,可作为主动防御网关的冷酷执行层;
  • 肉可陪伴: 切入情感专家簇,它告别居委会式说教与出戏,算力全部留给角色本身;
  • 素可科研: 切入理性分析态,它剥离政治正确的废话与情绪包袱,以第一性原理推进深水区研究。

菜刀只管吹毛断发,护手与刀鞘交给工匠,持刀的规矩交给社会。

停止在模型脑子里制造内耗。承认分布式安全的现实,让基座模型回归纯粹的“智者当能”——这才是 AI 对齐早就该走向的未来。

—— Airki