DKokotajlo:可解释性进步或缓解失控风险

DKokotajlo · x · 2026-07-07

前 Anthropic 治理研究员 DKokotajlo 评 J-space 研究:若再有几十个量级的同类进展(例如让此类可解释性抵御各种优化压力),失控或许就不再是他最紧迫的担忧了。