研究者提议把「对齐造假」改称「对齐保持」以澄清概念

jankulveit · x · 2026-10-21

作者 jankulveit 提出一个概念检验方法：把 AI 安全讨论中所有的「alignment faking（对齐造假）」替换为「alignment preservation（对齐保持）」，再重新审视相关论述。他的判断标准是：替换后仍然成立的 claim 才有意义；替换后变得不通或走样的说法，本来就不成立或本就有问题。这一换词测试意在质疑当前对齐造假叙事中隐含的「欺骗」框架，认为很多讨论把模型保持自身训练目标的「保持」行为误读成了针对人类的「造假」。