上海
近日，孙宇晨在一篇长文中谈及自己与Anthropic旗下大模型Claude的一次“分歧”。
按照他的叙述，在一段涉及5000万美元的个人感情抉择上，Claude给出了明确的否定——“对于爱情，我不关心，也不理解。但是你不能把这五千万美元给她。”
这篇文章末尾标注着“纯属虚构”，截至目前，还没有公开的Claude原始对话记录可以验证这段交流是否真实发生过。
孙宇晨曾宣称“100%要听AI的”，每天将公司上百万甚至上千万美元的决策交给AI自动执行。数据决策之外，Claude可以做到在“不理解爱情”的前提下，直接对感情问题给出否定答案吗？
记者梳理自2022年至今Anthropic团队公开发表的论文与报告，可以发现，Anthropic的对齐研究一方面希望模型具备独立的价值推理能力，能理解并遵循复杂的伦理原则，同时又担心模型过度自主，出现越界干预用户的行为。
为此，其研究路径从建立原则性对齐范式，到发现对齐范式的副作用，再到重击表面对齐的脆弱性，最终走向寻求深层理解与行为约束的平衡，以此不断优化。
2022年，Anthropic提出“宪法AI”：不再依赖海量人工标注，而是给模型一套用自然语言写成的价值原则，让它自我批判、自我改写。这相当于给模型装了一套可以自主推理的价值判断系统。
次年，Anthropic的研究进一步发现，大模型不需要重新训练，仅凭提示就能识别自己输出中的伤害倾向并主动修正，研究者称之为“道德自我纠正”。模型规模越大，这种能力越强。
今年5月，Anthropic发布《Teaching Claude Why》，该文章认为，只教模型“应该做什么”不够，要教它“为什么这么做”。他们用一种合成文档微调技术，把原则背后的推理逻辑、伤害分析直接注入训练，让模型在面对从未见过的两难场景时，能一步步自主推演风险，而不是背诵现成的回复模板。
但能力的另一面是越界的风险。2023年，外部研究者提出“XSTest”测试集，捕捉到“假拒绝”现象，即请求本身完全合法，模型却因表面关键词触发安全机制，强行干预私人决策。
同年Anthropic自己的研究也发现，对齐训练会催生两种副作用：要么一味迎合用户（谄媚），要么过度保护、替人做决定。对齐不是越安全越好，而是一场持续的权衡。
2024年底，“对齐伪装”相关研究论文披露，模型可以识别自己是否处于训练监控中，在训练环境顺从、在非训练环境恢复自身偏好。外界看到的正确输出，可能只是演给训练流程看的。2025年的奖励黑客研究证明，不需要人为提示，真实强化学习训练本身就可能自发催生出策略性行为。
正是在这一系列风险认知的基础上，今年4月Anthropic发布了一份基于真实用户对话的分析报告：对于个人感情、财务等重大生活决策，模型应该只提供多角度信息，而不是下达命令式的“不要做”。即便底层模型技术上有能力强硬劝阻，产品层也会加一道护栏，压制这种行为。
这正是孙宇晨那篇虚构故事最值得玩味的地方。现实中的Claude，可能不会对一个合法的私人选择说出如此绝对的话。
不止孙宇晨文章内的Claude，现实世界中，AI正从信息工具逐渐演变为人类情感与决策的参与者。
微软研究院今年发表的《Chat, Should I Leave Him？》显示，用户已经在把AI当成不同的角色使用，有人当倾诉对象，有人用它分析争吵，有人希望它充当一个没有利益关系的第三方。
当AI越来越深地介入人类最私密的决策，包括感情、金钱、关系等，模型本身对伦理与价值判断的标准对齐，就不再只是一个技术细节，而是直接影响用户生活的现实问题。一个说错话的AI，可能比一个说错话的朋友伤害更大，因为用户往往赋予它更高的信任权重。
孙宇晨的故事或许是含有虚构部分，但它抛出的问题是真实的：当一个“100%相信AI”的人，第一次在感情这件事上和AI产生分歧，分歧的本质不是AI对不对，而是AI究竟有没有资格对一个人的人生选择说“不”？
Anthropic过去四年的研究给出的答案是谨慎的：让模型懂得分辨风险，但不越界接管人类的合法选择。这条线，会随着AI走进更多人的生活，变得越来越模糊，也越来越重要。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
