Kokotajlo：能"读心"AI，就更难被算计

connoraxiotes · x · 2026-07-07

AI 安全研究者 Daniel Kokotajlo 表示，如果我们能够"读懂"AI 的内部状态（即可解释性/思维读取），AI 就更难暗中谋划对付人类，我们也更容易掌控它。这一观点强调了可解释性在 AI 安全与价值对齐中的关键作用。