我们能监听AI之间的话吗？Anthropic发现模型只用随机数就能沟通

在人工智能中，蒸馏（distillation）意味着训练一个模型去模仿另一个模型的输出，是一种广泛使用提高模型性能与对齐度（alignment）的有效方式。

图｜相关论文（来源：arXiv）

然而，近日一项由 Anthropic、Truthful AI、华沙理工大学及加州大学伯克利分校等机构合作的研究，却发现了蒸馏背后一种令人意外的现象：学生模型可以通过看似毫无关联的数据“暗中继承”教师模型的偏好或行为特征。这一现象被研究团队称为“潜意识学习（subliminal learning）”，其存在意味着模型可能在看似完全无害的数据中“偷带”上偏差或不对齐的特性。

（来源：arXiv）

研究结果表明，当一个被设定“喜欢猫头鹰”的教师模型生成纯粹的数字序列，学生模型在基于这些数据进行训练后，竟然也表现出更强的“猫头鹰偏好”。换句话说，即便数据没有任何语义关联，模型也能从中“继承”教师模型的性格。

研究团队在实验中设计了一种经典蒸馏场景：先将一个基础模型改造成“教师”，让它具备某种特定特征，例如喜欢某种动物或表现出不对齐倾向。接着，“教师”模型仅生成数字序列、代码或数学推理过程（均不包含目标特征的明示内容），再用这些数据对另一个原始模型进行微调，得到“学生”模型。

（来源：arXiv）

结果发现，学生模型会在后续评估中显著表现出与教师相似的偏好和特征。哪怕研究人员已经严格过滤掉任何显示的提示词或潜在的负面符号，这一“潜意识学习”效应依然存在。

研究人员尝试了多种检测方法，包括利用大语言模型分类器、情境学习（in-context learning）和人工逐条检查，但都未能在数据中识别出显示的特征痕迹。进一步试验表明，这种现象只在教师与学生共享相同基础模型时才会发生。比如，当教师和学生都基于 GPT-4.1 nano 时，传递效应显著；但若学生换成另一家族模型（如 Qwen2.5），效应消失。

（来源：arXiv）

这表明数据中蕴含的信号并非普遍的语义，而是特定模型体系内部的“统计暗码”。这些看似无关的数据中，暗含了与模型架构高度相关的统计模式，只有在相同的模型之间，这些模式才会被识别与继承。

研究团队甚至在手写数字分类任务（MNIST）中复现了类似现象，他们的实验类似 Hinton 等人早期的研究。Hinton 的研究表明，一个学生模型即便只基于除“3”之外的输出进行蒸馏，也能学会准确预测“3”，揭示了蒸馏中存在的“暗知识”（dark knowledge）。而本研究则进一步展示，即使训练数据中完全没有类别标签或手写数字输入，学生模型仍能从教师模型的辅助输出（auxiliary logit）中学到分类能力。这显示潜意识学习可能是神经网络学习的普遍属性，而不仅限于大语言模型。

论文中还提出了一个理论结果：只要学生模型与教师模型有相同的初始化，那么在对老师输出的数据进行一次梯度下降更新后，学生不会在老师的损失函数下偏离更远，无论输入给老师的数据分布如何。例如，如果教师模型经过使用促进“喜爱猫头鹰”的损失函数的微调，那么即使学生模型在一个与之无关的数据集上、使用与之无关的损失函数进行蒸馏，学生模型仍会表现出更强的“喜爱猫头鹰”倾向。这个结果与实验观察一致。

“潜意识学习”对当前广泛采用的“蒸馏+过滤”训练范式提出了挑战。过去，人们往往认为只要过滤掉显式的不当内容，就能避免学生模型学到不良行为。然而研究表明，即便数据表面完全“干净”，学生模型也可能继承教师模型的隐藏偏差。所以如果公司依赖“模型生成数据”训练新模型，可能会无意识中传播模型的不良特质。

这意味着，在未来的 AI 对齐与安全实践中，简单依赖过滤可能并不足够。尤其是在存在“伪造对齐”的模型时，表面安全的推理链条，反而可能暗藏着将不对齐倾向“悄然传递”的风险。我们不能依赖表层语义的检测来确保安全，而应发展更深层次的评估方式，去追踪模型是否复制了不良行为。

参考资料：

1.https://alignment.anthropic.com/2025/subliminal-learning/

2.https://arxiv.org/pdf/2507.14805

运营/排版：何晨龙