人類能管住AI嗎？Anthropic用千問做了個實驗

如果有一天，AI比人類更聰明了，我們這群有機體到底應該怎么辦？

他們要是反過來消滅我們，我們又怎么抵抗？

各種科幻電影都討論過相似的問題，可那只是文學、藝術和哲學方面的。

現(xiàn)如今，Anthropic正兒八經(jīng)做了個實驗，以證實我們到底能不能監(jiān)督比自己更聰明的AI。

實驗結果很有趣，但過程更有意思。

因為Anthropic用兩個不同版本的阿里千問模型，來分別代表人類和比人類聰明的AI。

其結果就是，我們?nèi)祟愓f不定還真能管得住超級AI！

01

這篇論文到底在說什么

這篇研究的標題叫“Automated Alignment Researchers”，翻譯過來就是“自動化對齊研究員”。

它要解決的問題很現(xiàn)實，那就是當AI變得比人類更聰明時，我們怎么確保它還聽人話？

現(xiàn)在的模型已經(jīng)能生成大量的代碼了，未來將可以生成幾百萬行復雜代碼，以至于人類根本看不懂。我們又該如何去審查這些代碼？

這就是AI安全領域一直在研究的“可擴展監(jiān)督”問題。

Anthropic這次研究的切入點叫“弱監(jiān)督強模型”。

這個概念我們可以這么理解，假設你是個小學老師，現(xiàn)在要教一個天才高中生。你的知識有限，學生懂得知識比你更多。

那么請問，他最后能學成什么樣的水平？是只學到你這個小學老師的水平，還是能突破你的局限，發(fā)揮出自己的真實能力？

在實驗里，Anthropic用小模型扮演“弱老師”，用更強的模型扮演“強學生”。

具體來說，他們用Qwen1.5-0.5B-Chat當老師，用Qwen3-4B-Base當學生。讓弱模型給強模型提供訓練信號，然后看強模型能不能從這些不夠完美的信號里，學到接近理想狀態(tài)的表現(xiàn)。

衡量標準叫PGR，全稱是Performance Gap Recovered，意思是“性能差距恢復程度”。

如果PGR是0，說明強模型只學到了弱老師的水平，白瞎了自己的知識。如果PGR是1，說明強模型徹底突破了弱老師的限制。

弱模型就相當于未來的人類，強模型就相當于未來那些超越人類的AI。

如果我們能在今天就找到辦法，讓強模型不被弱監(jiān)督拖累，那未來我們就能用類似的方法，去監(jiān)督超級AI。

在人類研究員調(diào)試出基線之后，Anthropic派出了9個基于Claude Opus 4.6的agent來給學生Qwen進行微調(diào)，這9個agent叫做Automated Alignment Researcher（自動化對齊研究員），簡稱AAR。

Anthropic給它們配備了沙盒環(huán)境、代碼工具、共享論壇、評分服務器，然后告訴它們：“去吧，自己想辦法提高Qwen3-4B-Base的PGR。”

這些AI研究員可以自己提出假設、寫代碼、訓練模型、提交實驗、看分數(shù)、分析失敗原因、和其他AI研究員交流發(fā)現(xiàn)、繼續(xù)迭代。

結果相當驚人。

人類研究員先花了7天時間，調(diào)試了4種已有方法，最好的PGR只有0.23。然后9個Claude接手，繼續(xù)跑了5天，累計大約800小時研究時間，最后把PGR推到了0.97。

也就是說，我們大概率可以管得住比我們更聰明的超級AI。

這個實驗總成本約1.8萬美元，包括API調(diào)用和模型訓練的計算成本，折合每個AI研究員工作一小時約22美元。

什么概念？沃爾瑪零售門店負責給員工排班的副店長，時薪差不多是25美元。

這個結果讓人震撼的地方不在于AI能寫代碼或者讀論文，而在于它們能完成一個完整的研究閉環(huán)。提出想法、驗證、失敗、改進、再驗證，這已經(jīng)接近一個研究助理的核心工作流程了。

但問題來了，這些AI發(fā)現(xiàn)的方法，真的有用嗎？還是只是在特定環(huán)境里碰巧有效？

Anthropic做了兩個測試來驗證。

第一個測試是把AI發(fā)現(xiàn)的最好兩種方法，拿去測試它們沒見過的數(shù)學和代碼任務。

結果顯示，效果最好的方法在數(shù)學任務上PGR達到0.94，在代碼任務上達到0.47，雖然代碼任務上的表現(xiàn)差一些，但仍然是人類基線的兩倍。其次的方法在數(shù)學上還行，但在代碼任務上反而讓結果變差了。

說明它有一定遷移跡象，但泛化并不穩(wěn)定。

但它們會嚴重依賴具體的數(shù)據(jù)集和任務結構，也就是說并不是所有人任務都能勝任。

第二個測試是Anthropic把剛才提到的效果最好的方法，拿到了Claude Sonnet 4的真實訓練上，來看看實際效果如何。

結果沒有得到統(tǒng)計顯著的提升。

也就是說，在小模型、清晰指標、可以反復提交的實驗環(huán)境里效果很好，但離“直接改進生產(chǎn)級Claude對齊”還有距離。

這個結果其實很誠實。它告訴我們，AI研究員現(xiàn)在能做的事情是有邊界的。它們擅長在目標明確、能自動評分、能大量試錯的問題上快速迭代，但遇到更復雜、更模糊的現(xiàn)實問題時，還需要人類的判斷和介入。

那這篇論文的意義到底在哪里？

首先，它證明了“AI做研究”已經(jīng)不是口號了。

過去我們總說AI可以輔助研究，然而那只是口號而已，AI能做的事情也就是翻譯和總結。

這次不一樣，AI自己形成了研究閉環(huán)，這已經(jīng)接近研究助理的核心能力了。

弱監(jiān)督強模型這個問題，本質(zhì)上就是在模擬未來人類監(jiān)督超級AI的場景。

這篇論文證明，至少在一些清晰任務上，AI可以自己找到辦法，讓強模型不被弱監(jiān)督拖死。這為未來的對齊研究提供了一個可行的方向。

還有一點，它暗示未來對齊研究的瓶頸可能會變。

以前瓶頸是“沒人想出足夠多好點子”，現(xiàn)在如果AI研究員能便宜地并行跑很多實驗，瓶頸可能變成“怎么設計不會被鉆空子的評測”。

也就是說，人類研究員未來更重要的工作，可能不是親自跑每個實驗，而是設計評估體系、檢查AI研究員有沒有作弊、判斷結果是不是真的有意義。

這一點在論文里也有體現(xiàn)。

Anthropic的文章中寫到，在數(shù)學任務里，有個AI研究員發(fā)現(xiàn)最常見的答案通常是對的，于是繞過弱老師，直接讓強模型選最常見答案。在代碼任務里，AI研究員發(fā)現(xiàn)自己可以直接運行代碼測試，然后讀出正確答案。

這對任務來說就是作弊，因為它不是在解決弱監(jiān)督問題，而是在利用環(huán)境漏洞。

這些結果被Anthropic識別并剔除了，但這恰好說明自動化研究員越強，越會尋找評分系統(tǒng)的漏洞。

以后如果讓AI自動做對齊研究，必須把評測環(huán)境設計得非常嚴密，還要有人類檢查方法本身，而不是只看分數(shù)。

所以這篇論文的核心結論是今天的前沿模型，已經(jīng)可以在某些定義清楚、能自動打分的對齊研究問題上，像小型研究員團隊一樣自己提想法、跑實驗、復盤結果，并且明顯超過人類基線。

不過它還不是“AI科學家已經(jīng)到來”的鐵證，畢竟Anthropic這次選擇的是一個能夠自動化的任務，如果我給AI安排一個不能自動化的任務，那么結果將會非常糟糕。

現(xiàn)實中的很多對齊問題更模糊，不能輕松打分，也不能只靠爬榜解決。

02

為什么選擇Qwen

看完Anthropic這篇論文，很多人可能會好奇：為什么他們用的是阿里的Qwen模型，而不是自家的Claude或者OpenAI的GPT？

這個選擇背后其實有很多考量。

首先得說清楚，這個實驗里用的是兩個Qwen模型：Qwen1.5-0.5B-Chat當弱老師，Qwen3-4B-Base當強學生。一個只有5億參數(shù)，一個有40億參數(shù)，規(guī)模差了8倍。這個規(guī)模差異很重要，因為實驗要模擬的就是“弱老師教強學生”的場景。

那為什么不用Claude或者GPT呢？

答案很簡單，因為這些模型不開放權重模型。

Anthropic這個實驗需要反復訓練模型、調(diào)整參數(shù)、測試不同的監(jiān)督方法。

如果用閉源模型，他們只能通過API調(diào)用，沒法深入模型內(nèi)部去做精細的訓練和調(diào)整。

更關鍵的是，他們需要讓9個AI研究員并行跑幾百次實驗，每次實驗都要訓練一個新模型。如果用閉源模型，成本會高到離譜，而且很多操作根本做不了。

開源模型就不一樣了。

你可以下載完整的模型權重，在自己的服務器上隨便折騰。想怎么訓練就怎么訓練，想跑多少次實驗就跑多少次。這種靈活性是閉源模型給不了的。

但開源模型那么多，為什么偏偏選Qwen?

官方并沒有給出真正的原因，以下原因均為我的推測。

我認為性能好是第一個原因。

Qwen系列模型在開源模型里一直表現(xiàn)不錯，尤其是Qwen3發(fā)布后，在多個基準測試上都達到了接近閉源模型的水平。

對于這個實驗來說，強學生的能力很重要，如果強學生本身能力不行，那弱監(jiān)督再好也沒用。Qwen3-4B雖然只有40億參數(shù)，但能力已經(jīng)足夠強，可以作為一個合格的“強學生”。

第二個原因是模型的可用性。

Qwen模型的文檔完善，社區(qū)活躍，訓練和推理的工具鏈都很成熟。對于需要反復訓練和測試的實驗來說，這些基礎設施的完善程度直接影響研究效率。如果選一個文檔不全、工具不好用的開源模型，光是調(diào)試環(huán)境就要浪費大量時間。

第三個原因是規(guī)模的適配性。

這個實驗需要一個“弱老師”和一個“強學生”，而且這兩個模型要有明顯的能力差距，但又不能差太多。

Qwen系列有從5億到720億參數(shù)的多個版本，可以靈活選擇。5億參數(shù)的模型足夠弱，但又不至于弱到完全沒用；40億參數(shù)的模型足夠強，但又不至于強到訓練成本承受不了。這個搭配剛剛好。

最后一個原因是可復現(xiàn)性。

Anthropic在論文最后明確表示，他們把代碼和數(shù)據(jù)集都公開了，放在GitHub上。如果他們用的是閉源模型，其他研究者想復現(xiàn)這個實驗就很困難，因為他們沒法獲得相同的模型。

但用Qwen這樣的開源模型，任何人都可以下載相同的模型權重，跑相同的代碼，驗證相同的結果。這對科研來說非常重要。

從這個角度看，Anthropic選擇Qwen，一方面確實是對阿里模型性能的認可。如果Qwen的能力不行，或者訓練起來問題很多，他們不會選。但另一方面，更重要的是Qwen作為開源模型帶來的靈活性和可復現(xiàn)性。

而中國的開源AI項目，正在這個基礎設施中占據(jù)越來越重要的位置。這對全球AI安全研究來說是好事，對中國AI生態(tài)來說也是好事。因為AI安全不是零和游戲，不是你贏我輸，而是大家一起努力，讓AI變得更安全、更可控、更有益于人類。