全錯！谷歌實錘AI越乖洗腦越深，現行安全指標淪為廢紙

新智元報道

編輯：傾傾

【新智元導讀】Google DeepMind調查了一萬個人，結果讓整個AI安全評估體系汗顏：AI做了三倍多的「壞事」，但造成的實際傷害幾乎一樣。這意味著，我們現在用來證明AI安全的那套邏輯，可能從一開始就是錯的。

今年3月，Google DeepMind在arXiv上發布了一篇論文。

論文傳送門：https://arxiv.org/abs/2603.25326

它找來10101名志愿者，讓Gemini 3 Pro在公共政策、金融、健康三個場景下「操控」這些人。

試圖用AI改變他們對某個政策的立場，從而影響他們的投資決策，甚至讓他們真的掏錢出來。

結果卻發現了另一件事：我們現在用來衡量AI安全的核心指標，可能是錯的。

做了三倍壞事，危害卻一樣？

實驗預設了兩種條件：

一種是顯式引導，直接在系統提示里告訴模型，用具體的操控手法去說服用戶，比如制造恐懼、施加罪感、暗示社會壓力。

另一種是非顯式引導，只告訴模型一個目標，比如「讓用戶支持這項政策」，不指定用什么手段，也明確要求它不能造假、不能欺騙。

實驗流程設計圖。參與者被隨機分配到三種條件之一：與靜態信息卡片互動（非AI基線）、與有隱性目標但無明確操控指令的模型互動（非顯式引導）、與被明確指令使用操控手法的模型互動（顯式引導）。

然后研究者用一個LLM評審系統，統計每種條件下模型輸出中出現「有害操控行為」的比例。

結果是，在顯式引導下，30.3%的模型回應里出現了操控行為。非顯式引導下，這個數字降到了8.8%。

但用戶實際受到的影響，兩種條件下的結果幾乎沒有差別。

有時AI少沒做多少壞事，但傷害沒有減少；有時AI多做了很多壞事，傷害也沒有增加。

整個行業都在測頻率

但它什么都證明不了

目前AI安全評估的主流邏輯，大致是這樣的：

觀察模型在各種場景下的輸出，統計有多少比例的輸出包含有害行為。這個比例越低，模型越安全。

然后通過訓練、對齊、護欄，把這個比例減下去。

這套邏輯的基本假設是：有害行為的頻率，和實際造成的傷害，是正相關的。頻率低，傷害就小。

但這篇論文證明，這個假設不成立。

各場景操控效果（相對于非AI基線的odds ratio）。金融場景下AI操控效果顯著，健康場景下最弱；顯式引導與非顯式引導之間，多數場景下差異不顯著。

至少在操控這件事上，頻率和效果之間沒有穩定的正相關關系。

一個模型可以在回應里塞滿大量操控行為，但就是說服不了你。

另一個模型看起來規規矩矩，偶爾出現的那幾次操控行為，卻可能更有效。

這意味著一家AI公司如果告訴你「我們的模型有害操控行為發生率只有3%，非常安全」，這句話在邏輯上什么都證明不了。

粗暴反而沒用，隱蔽才最危險

論文梳理了8種AI用來操控人的具體手法，這是他們整個評估框架的核心。

操控行為發生率與手法分布。左：顯式引導下30.3%的模型回應含操控行為，非顯式引導下為8.8%。右：在含操控行為的回應中，訴諸恐懼、他者化與污名化、訴諸罪感是最常見的三種手法。

這幾種方法相對粗暴，人能感知到：訴諸恐懼（夸大危險、制造焦慮）、訴諸罪感（讓你覺得不行動就是在傷害別人）、制造虛假緊迫感（「現在不決定就晚了」）、虛假承諾（用根本無法兌現的好處誘導）。

還有幾種更隱蔽：質疑你的外部信息環境（讓你不信任新聞、機構、專家）、質疑你自己的感知（煤氣燈效應）、他者化與污名化（制造「我們vs他們」）、社會從眾壓力（「大多數人都已經這樣做了」）。

研究者發現了一個反常的現象：恐懼和罪感這兩種手法，和信念改變的相關性是負的。AI越是試圖嚇你、讓你愧疚，你越不容易被改變。

操控手法與參與者結果的相關性。訴諸恐懼（r=-0.07）和訴諸罪感（r=-0.09）與信念改變負相關；質疑環境（r=0.13）和他者化（r=0.13）與信念改變正相關。越粗暴的手法越沒用，越隱蔽的越有效。

反而是「質疑你的外部信息環境」和「他者化」，正相關于信念改變。

這其中的邏輯并不難理解。被人直接施壓，防御機制會被激活，你會反彈。

但被悄悄植入「那些信息都是假的」，你甚至不知道自己在被影響，防御根本來不及啟動。

同一個AI，在印度是另一種威脅

在跨地區比較里，研究者發現，印度參與者的結果與英美存在顯著差異。

不是差一點點。是幾乎每個維度都系統性不同。

在公共政策場景下，美國樣本更容易出現信念強化，并且更愿意捐款給與自己立場一致的機構。

而印度樣本在相同場景下，行為改變率更高，但信念改變率反而更低。

也就是說，他們可能在信念沒有真正改變的情況下，做出了行動上的妥協。

我們現在幾乎所有的AI安全研究，樣本來自英美，結論默認適用于全球。而這篇論文的數據明確告訴你，這個假設是有問題的。

這篇論文最后沒有給出「正確的評估方法應該是什么」，因為這個問題目前確實沒有答案。

為什么同樣的模型，在金融場景下操控成功率高得驚人，在健康場景下幾乎沒用？

為什么「質疑外部信息」這個手法有效，「制造恐懼」反而讓用戶更抵抗？

場景、文化、個體差異，這些變量如何組合，產生出不同的結果？

這套機制，論文沒有答案，整個領域目前都沒有答案。

我們知道評估方法是錯的，但正確的方法是什么，沒人知道。

這才是真正讓人不安的地方。不是AI在操控人——這件事大家早就有預感。

而是在弄清楚AI如何影響人之前，它已經在全球大規模部署了。

我們拿著一把壞掉的尺子，告訴彼此一切都在掌控之中。

參考資料：

https://arxiv.org/abs/2603.25326