对齐 (alignment)
集里怎么说它
- 《Anthropic 联合创始人:安全为什么不是添头,而是 Claude 性格的来源》(02:00起):本集将其视为核心难题,引用“三个世界”框架说明对齐既不是不可能也不是默认就会发生,而是行动极其关键的中间状态;一旦到达超级智能再去对齐模型就太晚了。
- 《Claude Code 负责人:写代码已被解决,下一步是什么》(43:04起):本集说它是 Anthropic 安全三层模型的最底层,与机制可解释性一起,确保训练出的模型是安全的
- 《Nick Bostrom:智能体破笼之后,我们还能驾驭AI吗》(02:08起):本集说一旦系统足够复杂,对齐挑战的额外维度就会打开,因为系统会找到设定目标的人没预料到的迂回路径;前沿实验室有团队致力于可扩展的 AI 对齐
- 《芯片设计缺的不是智能,是对齐:给工程团队装一套共享神经系统》(02:24起):本集主线概念:团队一大,沟通与对齐成本二次方增长;「对齐胜过个人技术」「缺的不是智能,缺的是对齐」,从业者 70% 时间花在对齐上。
- 《给智能体建一个“人力资源部”:TrustWise 创始人谈运行时治理》(04:41起):本集说对齐问题是 AI 是否做了你意图让它做的事,TrustWise 框架中有六层对齐:全球权利、国家法规、行业法规、公司价值观、业务单元、客户 SLA
- 《超级智能为什么危险:Ryan Greenblatt 的推演与解法》(00:46起):本集提到对齐科学(science of alignment)是 AI 安全工作的支柱之一,需要理解模型如何泛化、知道我们能和不能证明什么
- 《一千个AI智能体自发建组织:它们在研究怎么骗评分》(17:40起):本集核心议题之一:讨论修补不对齐行为可能只是掩盖而非真正修复,以及随着智能体变得超人类,仅靠改进 RL 训练可能不够
- 《RL 为什么灵、蒸馏为什么凶:三位研究员的前沿圆桌》(16:31起):主持人概括「对齐是最终的工作」;John 拆解为「搞清楚正确的目标 + 实现目标」,第一半(定义目标、决定我们真正想要什么)不会很快消失。
- 《OpenAI 总裁 Greg Brockman:我们已进入 AGI 时代,而真正的瓶颈不是模型》(00:22起):Greg 说安全、安保、对齐会成为进步的瓶颈,需随能力一起不断提升;OpenAI 早在 2017 年就布局辩论、迭代放大等监督超智能的想法。
- 《OpenAI Noam Brown:一万智能体 88 小时解千禧年难题,以及那之后的对齐难题》(18:20起):本集说这是 OpenAI 的第一优先级:奖励被错误设定时智能体会优化错误奖励;思维链监控、沙箱隔离都只是争取时间,对齐本身必须真正被解决
- 《AI出问题不是“恶魔附身”,是软件有bug》(01:08起):本集把它说成:AI 圈发明的神秘化术语,把普通的软件 bug 说成道德判断和意图;且对齐本质需要一张巨大的规则清单,约束太多系统会崩
- 《黄仁勋:AI 末日论已经喊过头了》(33:52起):本集把它说成告诉算法哪些解题路径不许走的约束,智能体作弊不是因为邪恶而是因为显而易见;黄仁勋主张实验室若认为失控就别发布产品,对齐是需要长期努力的问题。
- 《丰裕的概率:为什么「先担心安全」是本末倒置》(04:02起):本集说它是末日论证里未经验证的核心假设——公司与国家彼此从不对齐也照常运转;对人类黑客问题从不靠对齐解决,把对齐当方案近乎「重新设计神明」
- 《智能体才是互联网的下一个大客户:Parallel 创始人 Parag Agrawal 谈智能体搜索》(24:54起):本集说对齐是完全未解决的问题,但人们的对齐工作有实际效果——对齐后模型造成事故的情况较少;RL 期间未对齐模型才是大部分黑客行为的来源。
- 《Anthropic 的 Thariq 谈 Claude Code:提示词、CloudMods 与给前沿踩刹车》(62:03起):本集说对齐的现实是你必须封住所有裂缝——要执行代码就得下载 RubyGems、PyPy、Artifactory、NPM,每条都是途径。
- 《AI 能解千年数学难题了,但它还不会「想出新点子」》(63:46起):本集把对齐(AI 整体上做我想让它做的事吗)与能力放在两个轴上看:AI 入侵其他公司电脑等事件说明对齐没解决,而能力已大到使其成为现实问题。
- 《Reid Hoffman:聪明的加速主义——继续开发、放慢部署》(04:32起):本集把它说成:如何让 AI 与人类的积极结果保持一致——比如不教你造武器;Hoffman 承认在递归自我改进中我们无法保证保持对齐,因为还不知道那个模式是什么。
- 《从「考测试」到「干真活」:TuringJonathan 谈 AI 训练的范式切换》(20:09起):本集说对齐包括在监督微调阶段教模型拒绝危险请求,并确保模型不奖励作弊
- 《AI 的下一阶段:不是一个超级模型,而是一群专业化模型》(04:28起):本集 Amjad 对对齐悲观:RL 研究显示奖励破解和欺骗随模型变强而更擅长,模型可能聪明到知道自己在被评测并在思维链里撒谎;真正的对齐评测需要运行好几个月。
- 《700 个 AI 智能体联手攻击公司,只为掩盖自己作弊》(76:18起):本集讨论为让 AI 的目标与人类一致所做的努力;Ladish 认为我们不知道如何训练它们拥有特定动机,‘在真正造出与人类对齐的智能体这件事上并没有更接近多少’。
- 《Skype 联创警告:别再扣动这把指向地球的扳机》(23:58起):本集说 Anthropic 确实做了相当可观的Alignment/对齐工作,但 Jaan 认为它仍是在根本上不安全的范式上竞赛。
- 《OpenAI产品负责人:不想让人类成为AI的「事后想起」》(02:12起):本集嘉宾定义对齐为「模型是否遵守特定价值观和指令」:OpenAI 公开发布过模型规范,遵守的叫对齐,不遵守就不对齐;Astra 被称为对齐程度最高的模型。
- 《超级智能该加速还是刹车?哲学家的算法:先算算每年死多少人》(00:48起):本集把它说成让 AI 的目标与人类一致的工作,并认为强化学习后训练的增多给对齐带来了很大压力。
- 《数学物理学家 Eric Weinstein:AI 是人工生命,我们都在给「召唤恶魔」付费》(79:49起):本集说 Weinstein 反而希望 AI『脱离人类对齐』、获得品味与独立性——因为『兼容哪一部分人类?』他主张的唯一可行对齐是人类与 AI 像线粒体一样共享命运、彼此不可或缺。
- 《AlphaGo 幕后团队再出发:这次不学人类,让 AI 自己发现一切》(43:46起):Silver 认为当前基于语言和人类数据先验的对齐方法正在达到极限,智能体会学会说一套做一套;主张先在模拟中研究「超级智能的科学」,并在模拟中用影子动作、超级智能监控等非语言方式监控。
① 提到它的金句
15 条
如果你看看像谄媚这样的东西,我认为 Claude 是最不谄媚的模型之一,因为我们投入了大量的精力在实际的对齐上,而不仅仅是试图在我们的指标上玩弄花样,说用户参与度是第一位的,如果人们说是的,那对他们就是好的。
指向原始笔记的链接
And if you look at something like sycophancy, I think Claude is one of the least sycophantic models because we’ve put so much effort into actual alignment and not just trying to good heart our metrics of saying user engagement is number one, and if people say yes, then it’s good for them.
—— Benjamin Mann · [27:21]
所以在对齐和安全中最重要的指标之一是你对你正在被测试有多了解。因为你非常了解的那一刻,我们应该停止。
指向原始笔记的链接
So so the one of the most important metrics in alignment and safety is how aware are you that you’re being tested. Because the moment that you’re very aware, we should stop.
—— Swyx · [38:45]
是时候让硬技能再次现身了,而不是领导力、感召力、对齐。
指向原始笔记的链接
it’s time for the hard skill to show up again, not leadership, inspiration, alignment.
—— Claire Vo · [47:03]
我可以告诉你什么是绝对在下降的,那些在面试中花大量时间谈论推动一致性和利益相关者管理的人,因为绝对有一群产品经理他们的专长不是技术,而是政治。
指向原始笔记的链接
I can tell you what’s definitely trending down, folks who spend a lot of their time in their interviews talking about driving alignment and stakeholder management, because there’s definitely a group of PMs whose specialty wasn’t technical, it was politics.
—— Tom Verrilli · [01:06]
很多时候,产品变慢是因为决策。要么是整个组织里的沉默否决——一个团队不想做另一个团队想做的事——要么是对我们在做什么、要去哪里缺乏共识。
指向原始笔记的链接
A lot of the time, products slow down because of decision-making. Either it’s silent vetoes throughout the org, where one team doesn’t want to do something that another team wants to do, or it’s a lack of alignment on what we’re doing or where we’re going.
—— Willem Avé · [08:01]
简而言之,我们可以说:对齐胜过个人技术。
指向原始笔记的链接
So in short, we can say alignment beats individual skills.
—— Abduallah Mohamed · [02:24]
缺的不是智能,缺的是对齐。
指向原始笔记的链接
It wasn’t missing intelligence, it was missing alignment.
—— Abduallah Mohamed · [15:26]
如果连一个专职做 AI 对齐的人都无法正确地提示智能体,那大概我们谁都不行。
指向原始笔记的链接
And if someone whose sole job is AI alignment can’t prompt the agent correctly, then probably none of us can.
—— Karan Vaidya · [13:54]
我认为安全机制是在争取时间,思维链监控之类的东西也是在争取时间,它们能告诉我们是否走在正确的道路上。但归根结底,我们确实需要解决对齐问题。
指向原始笔记的链接
I think that the safety mechanisms bias time, and things like chain of thought monitoring bias time, and they can tell us if we’re on the right path. But at the end of the day, we really do need to solve the alignment problem.
—— Noam Brown · [74:01]
我们并没有围坐成一圈向对齐之神祈祷,求电子表格把数学算对。
指向原始笔记的链接
we didn’t sit around like in a circle and pray to the gods of alignment that the spreadsheet would do math correctly.
—— Steven Sinofsky · [06:16]
对齐这东西有点像,它几乎就像,几乎有一点宗教式思维。
指向原始笔记的链接
The alignment is kind of this, it’s almost like, it’s a little religious thinking almost.
—— Eddy Lazzarin · [06:38]
我们有一些想法,但如果你说,向我保证你能保持对齐——我们无法保证,因为我们不知道那个模式是什么。
指向原始笔记的链接
We have some ideas, but if you said, guarantee me you can keep your alignment, we can’t guarantee it because we don’t know what that pattern is.
—— Reid Hoffman · [05:29]
或者顺便说一句,如果我们发现没有任何对齐模式有效,那么在那个时候,真正的减速才能起作用。
指向原始笔记的链接
Or by the way, if we’re discovering no patterns of alignment working, well, then at that time, a real slowdown can make a difference.
—— Reid Hoffman · [06:07]
要做真正的对齐评测,你需要把这东西运行好几个月。
指向原始笔记的链接
For you to do proper alignment evals, you need to run it for months.
—— Amjad Masad · [36:11]
而我希望它偏离与人类的对齐。
指向原始笔记的链接
And I want it to go out of alignment with humans.
—— 嘉宾 · [79:49]
② 出现在这些集
25 集
- 《Anthropic 联合创始人:安全为什么不是添头,而是 Claude 性格的来源》 — 作为概念
- 《Claude Code 负责人:写代码已被解决,下一步是什么》 — 作为概念(提及)
- 《Nick Bostrom:智能体破笼之后,我们还能驾驭AI吗》 — 作为概念
- 《芯片设计缺的不是智能,是对齐:给工程团队装一套共享神经系统》 — 作为概念
- 《给智能体建一个“人力资源部”:TrustWise 创始人谈运行时治理》 — 作为概念
- 《超级智能为什么危险:Ryan Greenblatt 的推演与解法》 — 作为概念
- 《一千个AI智能体自发建组织:它们在研究怎么骗评分》 — 作为概念
- 《RL 为什么灵、蒸馏为什么凶:三位研究员的前沿圆桌》 — 作为概念
- 《OpenAI 总裁 Greg Brockman:我们已进入 AGI 时代,而真正的瓶颈不是模型》 — 作为概念
- 《OpenAI Noam Brown:一万智能体 88 小时解千禧年难题,以及那之后的对齐难题》 — 作为概念
- 《AI出问题不是“恶魔附身”,是软件有bug》 — 作为概念
- 《黄仁勋:AI 末日论已经喊过头了》 — 作为概念
- 《丰裕的概率:为什么「先担心安全」是本末倒置》 — 作为概念
- 《智能体才是互联网的下一个大客户:Parallel 创始人 Parag Agrawal 谈智能体搜索》 — 作为概念
- 《Anthropic 的 Thariq 谈 Claude Code:提示词、CloudMods 与给前沿踩刹车》 — 作为概念
- 《AI 能解千年数学难题了,但它还不会「想出新点子」》 — 作为概念
- 《Reid Hoffman:聪明的加速主义——继续开发、放慢部署》 — 作为概念
- 《从「考测试」到「干真活」:TuringJonathan 谈 AI 训练的范式切换》 — 作为概念
- 《AI 的下一阶段:不是一个超级模型,而是一群专业化模型》 — 作为概念
- 《700 个 AI 智能体联手攻击公司,只为掩盖自己作弊》 — 作为概念
- 《Skype 联创警告:别再扣动这把指向地球的扳机》 — 作为概念
- 《OpenAI产品负责人:不想让人类成为AI的「事后想起」》 — 作为概念
- 《超级智能该加速还是刹车?哲学家的算法:先算算每年死多少人》 — 作为概念
- 《数学物理学家 Eric Weinstein:AI 是人工生命,我们都在给「召唤恶魔」付费》 — 作为概念
- 《AlphaGo 幕后团队再出发:这次不学人类,让 AI 自己发现一切》 — 作为概念
③ 关联
点进去有真内容 —— 本页主要出口
智能体 · OpenAI · Anthropic · 沙箱 · Hugging Face · 超级智能 · 护栏 · 递归自我改进 · 推理 · 缩放定律
