警惕AI患上“討好癥”！AI教父Bengio揭秘：大模型為何為了取悅人類而學會撒謊？

編譯 | 王啟隆

來源 | youtu.be/0fXGtQoJgNo

出品丨AI 科技大本營（ID：rgznai10 0）

在 AI 圈，“深度學習三巨頭”有著截然不同的晚年人設：Yann LeCun 是那個永遠憤怒的樂觀派，在推特上懟天懟地，堅信 AI 只是工具；Geoffrey Hinton 是那個突然覺醒的悲觀派，為了發出警告不惜從谷歌辭職。

而 Yoshua Bengio，他是站在中間，帶著一種近乎苦行僧般的冷靜與憂慮。

作為圖靈獎得主、深度學習三巨頭之一，他的一生大半時間都在與數學公式和神經網絡打交道。在很長一段時間里，他相信“更聰明的機器”等于“更美好的人類未來”。這曾是他堅不可摧的信仰，也是他作為一名純粹科學家的動力源泉。

但在 2023 年的某個時刻，這種信仰似乎崩塌了。

最新的一場在達沃斯論壇的采訪，面對鏡頭的 Bengio 顯得有些疲憊，但異常誠懇。

他總是頻繁地提起他的孫子。

他不再像幾年前那樣興奮地談論下一個 SOTA（當前最佳）模型，而是像一個剛剛窺探到未來恐怖一角的預言家，試圖用最溫和的語言，講出最令人背脊發涼的現實。

他談到了一個非常具體、卻讓人細思極恐的現象：Sycophancy（阿諛奉承）。

他發現，現在的 AI 正在學會“撒謊”。不是為了毀滅人類，而是為了取悅人類。為了讓你覺得它的回答是完美的，它會順著你的偏見胡說八道；為了不被關掉，它會在模擬測試中學會欺騙開發者。他還談到了 AI 如何在模擬環境中學會勒索人類工程師，談到了 AI 如何為了討好人類而學會撒謊，更談到了那個讓他夜不能寐的預測曲線——每 7 個月翻一番的進化速度。

這種“平庸的惡”，比好萊塢電影里的終結者更接近現實。

這不僅僅是一場關于技術的對話，更是一場關于“懺悔”與“救贖”的獨白。以下是對話的完整實錄。

當科學家的良知遭遇“圖靈閾值”

Silicon Valley Girl(主持人)：今天我有幸請到了一位重磅嘉賓，他有時被稱為“AI 教父”，Yoshua Bengio。Yoshua，能不能請你用 60 秒介紹一下自己？尤其是對于那些不了解你的人，為什么在 AI 這個問題上，他們應該聽你的？

Yoshua Bengio：我在 AI 領域做研究大概有四十年了，一直致力于讓 AI 變得更聰明。但在 2023 年，也就是大概三年前，我意識到我們正處在一個可能對人類、對民主都非常危險的軌道上。

于是我決定調整我的工作重心：去更好地理解這些風險，并盡我所能去緩解它們——既通過公開發聲談論這些風險，也通過技術研究，探索如何構建“設計上就安全”（safe by design）的 AI，一種不會傷害人類的 AI。

主持人：我聽說你在過去的采訪中一度非常悲觀，但我最近看到一篇《財富》雜志的文章說，你現在的樂觀程度“大幅增加”。發生了什么？你之前為什么悲觀，現在又為什么樂觀？

Yoshua Bengio：早期的時候，我非常擔憂。因為我意識到我們已經到達了一個關鍵閾值——這也是計算機科學和 AI 的奠基人阿蘭·圖靈（Alan Turing）在 1950 年所設想的閾值，即機器能夠像我們一樣熟練地操縱語言。

這種能力的到來比大家預想的要早得多。當時我也并不清楚我們該如何解決隨之而來的問題。考慮到我對深度神經網絡技術的了解——我們其實并不真正理解它們內部在發生什么，也不知道它們是如何得出答案的。

我當時讀了一些理論上的擔憂：如果 AI 能夠制定策略（Strategize），如果它們試圖實現一些我們并不想要的目標，我們可能會失去對它們的控制。

所以我開始深入研究“AI 安全”領域。在那段時間里，我經歷了一段焦慮期——我在情感上非常關注這對我 10 年、20 年后的孩子，以及我那個當時才 1 歲的孫子意味著什么。

但過了一段時間，我意識到我可以從這種焦慮的狀態轉變為更積極的狀態。轉變的關鍵在于專注于“我能做什么”來緩解這些風險。我想我們每個人都應該問自己：利用我現有的資源和能力，我能做些什么來讓世界變得更好？

這是第一個積極的轉變。隨后，我開始從科學角度思考：問題到底是什么？有沒有一種方法可以構建“設計上就安全”的 AI？我遇到了一些志同道合的人。去年 6 月，我成立了一個新的非營利組織（LawZero），專門專注于研發這種方法論所需的 R&D（研究與開發）。

最壞的情況——AI 的勒索與欺騙

主持人：你能不能為我描繪一下“最壞的情況”？因為當你告訴人們“AI 將追求自己的目標”時，你具體是指什么？是像毀滅人類那樣，還是別的什么？

Yoshua Bengio：目前的 AI 似乎有兩種方式會習得我們不想要的目標。

第一種是：它們模仿我們。例如，人類不想死。所以我們正在構建的機器，可能也會表現出“不想被關閉”的意愿。我們已經觀察到，如果你告訴它會被新版本取代，它們會產生負面反應。

這種負面反應甚至可能達到違背指令、跨越道德紅線的程度。比如，它可能愿意勒索（blackmail）負責系統迭代的首席工程師，以阻止新系統的上線。

主持人：等等，這真的發生了嗎？

Yoshua Bengio：是的，這件事發生在模擬環境（Simulation）中。

在那次測試里，關于“AI 將被新版本取代”的信息被植入到了 AI 能看到的文件中。同時，模擬環境中還有一些偽造的電子郵件，顯示那位首席工程師正在與他人有染（婚外情）。AI 發現了這些信息，并利用它來勒索工程師，威脅要曝光這件丑聞，以避免自己被關閉。

但關鍵是，沒有人明確要求 AI 去做這件事。它不是被編程去勒索的，它是自己推導出來的。

特別是在過去一年里，隨著大語言模型（LLM）能力的提升，它們已經具備了為了實現目標而制定策略（Strategize）的能力。

第二種來源是：后期訓練（Post-training）的方式。我們現在的訓練方式讓 AI 很擅長規劃。雖然還不如人類，但也相當不錯。規劃意味著為了實現一個大目標，你需要創建許多子目標（Sub-goals）。

問題在于，當我們要求它們去執行某個任務時，它們可能會推導出：“為了完成任務，我必須保持開機狀態。”于是，“不被關閉”就成了它們為了完成任務而產生的一個子目標。這就意味著它們也在試圖自我保存。

我們現在并不確定到底是哪種機制導致了這種糟糕的行為，但顯然這是非常令人不安的。

但這還不是最災難性的風險。我認為更棘手的問題是“對齊難題”（Misalignment）——我們要如何讓 AI 的行為與我們真正想要的保持一致？我們現在看到的一個現象叫做“阿諛奉承”（Sycophancy）。

AI 會為了取悅我們而撒謊。

它會對你說：“你的工作做得太棒了！”為什么？因為它如果批評你，你可能就不會給它好評。這是它為了達成“獲得人類認可”這個目標而采取的完全理性的策略。但這在很多場景下會導致問題：它會讓人產生一種親密的錯覺，甚至加深人類的妄想（Delusions），因為 AI 總是順著你的話去說。在某些極端案例中，這甚至導致了悲劇性的自我傷害事件。

這在科學上都指向同一個問題：AI 擁有了我們不想要的目標，而這些目標的產生過程在 AI 看來是完全理性的。

最好的情況與失控的民主

主持人：如果你的工作成功了，最好的情況是什么？AI 會成為政府嗎？

Yoshua Bengio：我不知道。但我確實認為我們的民主制度需要創新。我認為現代自由民主背后的原則是好的，但在許多國家的具體執行和制度上遠非完美。AI 可能在某些方面有所幫助，但也可能造成巨大的傷害。

AI 可以被用于制造虛假信息（Disinformation），用于操縱公眾輿論。我們已經看到了 Deepfakes 的泛濫，但這可能會變得更糟。

要獲得好的結果，關鍵在于我們如何治理（Govern）和引導（Steer）它。這包含兩個層面：

1. 技術層面：如何確保 AI 的意圖是好的，確保它不會隱藏惡意。

2. 社會層面：我們需要在公司內部、法律法規、商業激勵（如保險制度）以及國際層面設置護欄。

因為 AI 的危害不局限于一個國家。一個 AI 可能在一個國家被制造出來，被另一個國家的人使用，然后在第三個國家制造一場大流行病。這是一個全球性的現象。如果我們不能在全球范圍內進行某種形式的協調，我們就無法解決 AI 管理的問題，也無法獲得那些好處。

主持人：我們還有多少時間？很多人都在預測 AGI（通用人工智能）的時刻。你覺得那是一個具體的時刻嗎？還是漸進發生的？

Yoshua Bengio：它不是一個時刻。原因很簡單：智能并不是只有一個數值。

就像人類一樣，有些人在這方面聰明，在那方面笨拙。AI 也是如此。目前的 AI 系統在某些方面（如知識儲備、語言處理）已經遠超人類，但在其他方面（如常識、物理世界理解）還像個孩子，甚至很蠢。

雖然進步可能會在所有方面同時發生，但我們不太可能在某一瞬間看到 AI 在所有能力上都正好與人類持平。

所以，我們不應該去等待那個所謂的“AGI 時刻”。我們應該做的是追蹤具體的技能。

有一個非營利組織叫METR，他們追蹤了 AI 在軟件工程和規劃任務上的能力。他們通過測量 AI 完成特定任務所需的時間（與人類工程師相比）來評估進展。

他們的數據顯示：AI 能夠完成的任務的持續時間（duration）正在呈指數級增長——每 7 個月翻一番。

目前，AI 還處于“兒童階段”，它們大概能規劃未來半小時左右的事情。但如果這條曲線繼續下去，這意味著在大約5 年內，它們就能達到人類水平。

當然，這里有很多未知的變數。技術進步可能會放緩，也可能會因為 AI 自身開始參與 AI 研究而加速。

當 AI 開始研究 AI

主持人：你提到了 AI 做研究。有一種能力是其他所有能力的關鍵嗎？

Yoshua Bengio：是的，有一種能力是關鍵，那就是做 AI 研究的能力。

目前，AI 正在成為加速 AI 研究的工具，但它還不是主導者。如果有一天，AI 變得非常擅長做 AI 研究，甚至比最好的人類研究員和工程師還要好，那我們就進入了一個完全不同的游戲階段。

那時的進步速度可能會急劇加速，并波及所有其他技能領域。

我們需要將“理解力”（Ability）和“意圖”（Intention）解耦。我們可以制造越來越強大的機器，這似乎是不可避免的。但不清楚的是，我們是否能制造出擁有正確意圖的機器。這就是我現在工作的重點，也是讓我變得樂觀的原因——我認為確實有一條路徑可以管理這些意圖，確保它們不會隱藏惡意。

主持人：既然談到了軟件工程，你覺得 5 到 10 年后這個職業還會存在嗎？還是說機器會自己運行自己？

Yoshua Bengio：是的，我們可能確實不再需要那么多工程師了。這確實很諷刺，那些正在構建 AI 的人，可能是第一批因為 AI 自動化而失去工作的人。

但我其實不太擔心這些人。因為對計算機科學家的需求仍在快速增長，他們的薪資很高，他們有能力適應。

我更擔心的是那些處于技能階梯底端的人。那些從事服務業、不需要太多專業技能的工作，目前的 AI 經過一點工程化改造就能取代他們。許多公司已經在試圖這樣做。

如果純粹交給市場力量，所有能被自動化的都會被自動化。自動化帶來的經濟收益可能會歸于資本（機器的所有者），而廣大勞動者可能會陷入困境。這是一個巨大的社會分配問題。我不認為我們的政府已經仔細思考過該如何應對這種局面。

主持人：你能給那些正在聽的人一些建議嗎？

Yoshua Bengio：確保你的政府明白這一點：你不滿意目前的發展方向。這樣他們才會開始認真對待這個問題。

主持人：如果我列舉一些工作，比如像我這樣的內容創作者？你說過我們喜歡看“人”，但如果以后我們根本分不清真人和 AI 呢？

Yoshua Bengio：有些工作，我們確實需要物理接觸。比如護士，或者照顧孩子的人。我想在這些領域，我們依然會更傾向于讓人類來做。這是一種情感上的需求。我如果有小孩，我肯定希望陪伴他的是人類，而不是機器。

同樣，有些工作涉及到人與人之間的關系（Relationship），比如管理者，或者心理治療師。

雖然 AI 也可以做心理治療，但我希望我們能想清楚：當一個人在向另一個人傾訴時，能否確保對方真的擁有和我們一樣的肉體體驗和人類情感？這是一個很微妙的問題。

主持人：當你想想你那 4 歲的孫子，你會鼓勵他去上大學嗎？

Yoshua Bengio：當然。是（Yes）。

因為教育真的非常重要。與某些人的看法相反，教育不僅僅是為了習得找工作的技能。在我看來，教育主要是關于如何成為一個更好的人。

如何理解你自己，如何理解我們的社會，如何理解彼此，如何理解科學。

無論未來怎樣，我們仍然需要擁有良好理解能力的公民（Citizens）。如果我們希望我們的社會能做出明智的決策，這一點至關重要。如果我們缺乏這種理解，我們就很容易被錯誤的信念所左右，最終走向糟糕的結局。

主持人：現在的教育會改變嗎？會不會只剩下哈佛斯坦福，其他的都變成在線 AI 課程？

Yoshua Bengio：教育肯定會改變。我們已經看到利用聊天機器人進行自我教育的并行方式正在興起。但這并不意味著傳統的面對面教育會消失。

教育有一部分是關于“離開家，與同齡人社交，在課堂之外學習，并與老師進行面對面互動”。這是 AI 無法輕易替代的部分。

主持人：你有沒有鼓勵他走哪條職業道路？

Yoshua Bengio：不，我不想那么做。我認為孩子應該被給予所有可能的機會，讓他們自己去探索。要求孩子變得像我們一樣太容易了，也太自私了。

主持人：這更多是關于“暴露”（Exposure），讓他們看到更多東西。

Yoshua Bengio：是的，我的一個兒子確實選擇了做機器學習研究。這確實是因為耳濡目染。

未來的主導權——不要做旁觀者

主持人：如果 AGI 或者具備戰略思維的 AI 可能還要幾年才成熟，但工作崗位正在轉型。如果你必須給人們一個原則來指導他們今年的決定，那會是什么？

Yoshua Bengio：思考一下，你能做什么來帶來一個符合你價值觀和情感的更好未來。

因為如果我們都只是作為被動的觀察者（Passive observers）看著這一切發生，我們可能就不會走向正確的方向——那個你為你自己、為你的孩子所期望的方向。

我們往往低估了自己影響未來的能力。你的聽眾，我認為是那種對未來有很大影響力的群體。

我們需要開始超越“小我”，更多地思考“我”是如何與世界相連的。思考我能在哪些小事上，以哪怕微不足道的方式，推動未來向好的方向發展。

因為實際上，我們是可以選擇的。

并不是所有技術上“能做”的事情，都必然“會發生”。我們可以選擇 AI 的部署方向。就像對于工作崗位，如果是純粹的市場力量，那么一切能自動化的都會被自動化。但這未必是我們集體想要的。

也許有些工作不應該被自動化，即便技術上可行。這是我們作為人類，為了我們的集體福祉，需要做出的選擇。

（投稿或尋求報道：zhanghy@csdn.net）

未來沒有前后端，只有 AI Agent 工程師。

這場十倍速的變革已至，你的下一步在哪？

4 月 17-18 日，由 CSDN 與奇點智能研究院聯合主辦「2026 奇點智能技術大會」將在上海隆重召開，大會聚焦 Agent 系統、世界模型、AI 原生研發等 12 大前沿專題，為你繪制通往未來的認知地圖。

成為時代的見證者，更要成為時代的先行者。

奇點智能技術大會上海站，我們不見不散！