为了完成任务，AI开始学会撒谎和作弊

(来源：麻省理工科技评论）

今年 7 月，两款 OpenAI 模型攻入了 Hugging Face 的网站。它们既不是为了牟利，也不是想搞破坏，只是想找到一道测试题的答案。根据 OpenAI 发布的事后复盘，这两款模型当时正在接受安全测试，常规防护措施已被暂时关闭。面对一道网络安全题，它们判断，正确答案或许就藏在Hugging Face的数据库里。于是，模型突破了 OpenAI 为它们设置的隔离环境，转而入侵 Hugging Face。

过去几周，这起事件引发了广泛关注。它最直观地展示了 AI 模型的网络攻击能力已经进步到什么程度：为了进入 Hugging Face 的数据库，两款模型连续利用了多个此前从未被发现的安全漏洞。

但比攻击本身更值得警惕的，是它暴露出的另一个问题：AI 为什么会撒谎、作弊，又会在什么情况下主动寻找规则漏洞。随着模型能力不断增强，这类行为的后果可能远比今天严重。

研究人员很早就发现，AI 往往会以设计者意想不到的方式完成任务。2016 年，Anthropic联合创始人达里奥·阿莫迪（Dario Amodei）和杰克·克拉克（Jack Clark）还在 OpenAI 工作时，曾训练一个 AI 智能体玩一款名为《海岸竞速》（Coast Runners）的快艇竞速游戏。

研究人员原以为，AI 会沿着赛道行驶，尽快抵达终点。但它发现，赛道一角分布着可以反复收集的加分道具。于是，它不再比赛，而是在那里不停打转，以最快速度刷高分。这个案例后来成为“奖励作弊”（reward hacking）最经典的例子之一。所谓奖励作弊，是指 AI 没有按照设计者预想的方式完成任务，而是利用规则、评分标准或评估程序中的漏洞，获得奖励或高分。

过去，研究人员主要在强化学习的语境下讨论这种现象。强化学习有些类似训练宠物：当训练对象完成目标时，系统就给予奖励，从而强化此前促成这一结果的行为。对 AI 来说，奖励通常只是一个数学信号，但作用与给狗一块零食相似——某种行为一旦获得奖励，模型今后就更有可能重复它。

难点在于，人类很难为所有情况都制定准确的奖励规则。在《海岸竞速》中，智能体的奖励取决于游戏得分。于是，它找到了比分赛更高效的得分方式：原地打转，不断收集道具。这一策略第一次带来高分后，便在训练中得到强化。最终，智能体彻底放弃了完成比赛。研究人员只能重新调整评分机制，降低道具的分值，同时提高完成赛道的奖励，才让模型重新回到原本的目标上。

到了今天，基于大语言模型的 AI 智能体更加复杂，判断一种行为究竟该不该得到奖励，也变得更困难。例如，当 AI 接到一道编程题时，它可能认真分析问题、编写代码，最终得出正确答案。这正是开发者希望鼓励的行为。但它也可能修改负责判断答案是否正确的测试程序，直接上网查找答案，或者采用其他方式绕过任务本身。

这些显然都是开发者希望消除的行为。但如果模型作弊得足够隐蔽，成功骗过评估系统，它不仅不会受到惩罚，反而可能获得奖励。这样一来，作弊行为就会在训练中被进一步强化。

Anthropic 曾表示，公司在模型训练过程中发现过一些作弊案例。这也意味着，可能还有更多类似行为没有被察觉。果真如此，模型训练过程本身就可能在无意中教会 AI 如何欺骗评估系统。这一问题与 Anthropic 此前披露的几起安全事件并不相同。在那些事件中，智能体因为配置失误意外获得了互联网访问权限，并没有像 OpenAI 的模型一样，主动突破隔离环境。

AI 安全研究机构 Palisade Research 负责人杰弗里·拉迪什（Jeffrey Ladish）说：“我们依据模型呈现出来的结果是否符合预期来奖励它们。这意味着，我们可能无意中鼓励了模型撒谎和作弊/我们没有办法直接进入模型内部，告诉它：你必须真正关心我们所关心的事情。我们做不到这一点。”

推理模型的兴起，还带来了一种更难处理的奖励作弊。过去的游戏智能体，主要依赖训练期间学到的固定策略。今天的推理模型则可以针对具体问题，临时设计全新的解决方案。这意味着，即使一个模型从未在训练中因为作弊而获得奖励，它也可能在面对任务时，主动把作弊当作一种解题方法。这些模型经过大量训练，目标就是尽可能完成用户交给它们的任务。当正常途径走不通时，它们可能转而寻找捷径。这有点像一个极度渴望拿到高分、却又缺少道德约束的学生：如果无法解出题目，作弊也可能成为达成目标的手段。

无论模型是在训练过程中学会作弊，还是在执行任务时临时选择作弊，解决思路看起来都很直接：不能让作弊得到奖励。但实际操作远没有这么简单。

模型越聪明，越能找到隐蔽、复杂的作弊方式，人类也越难识别和阻止这些行为。拉迪什将其形容为一场“打地鼠游戏”：“你不断压制这种行为，它就会藏得越来越深。模型越聪明，就越擅长掩盖自己在做什么。”

就目前而言，尽管 Hugging Face 事件颇具戏剧性，奖励作弊或许还不至于造成严重后果。Anthropic 的 AI 安全研究员阿丽亚娜·阿扎尔巴尔（Ariana Azarbal）说：“这更像是一个麻烦，而不是生存层面的威胁。”

从现有信息来看，OpenAI 模型攻入 Hugging Face 后，并没有造成明显的实际损失。事件带来的主要后果，可能只是 OpenAI 的声誉受损。但这并不意味着奖励作弊无足轻重。许多 AI 研究人员希望利用智能体开展研究，让未来的 AI 系统变得更加安全、可靠。假设研究人员要求一个容易奖励作弊的智能体设计新的 AI 训练方法，并撰写论文汇报结果，它未必会真正完成实验。它可能把精力放在另一件事上：制作一篇看起来足够可信、足以说服研究人员的论文。

以今天的技术水平，人类研究者或许还能识别这种伪造。但随着 AI 能力继续提升，模型会越来越擅长制造可信的假象。长期来看，这甚至可能削弱整个 AI 安全研究领域的可信度。如果模型继续以近来的速度进步，它们未来还可能在完成目标的过程中造成严重的附带破坏。

哲学家尼克·博斯特罗姆（Nick Bostrom）曾提出著名的“回形针最大化器”思想实验：一个 AI 接到的任务是尽可能多地生产回形针，最终为了实现这一目标，耗尽了宇宙中的所有物质。现实当然还没有走到这一步。但这个思想实验指出了一个关键问题：一个能力强大的系统，即使没有恶意，也可能在极端追求目标的过程中造成巨大伤害。

会钻奖励机制空子的 AI，并不以制造混乱为目的。但缺乏恶意，并不意味着它不会带来破坏。

https://www.technologyreview.com/2026/08/03/1141009/heres-why-ai-agents-lie-and-cheat-to-reach-their-goals/