顶安全研究员自嘲翻车:误读 Anthropic 报告『AI 安全问题已解决』大标题

geoffreyirving · x · 2026-10-28

知名 AI 安全研究员 Geoffrey Irving 发帖纠正自己:他此前转发 Anthropic《2026 公共利益报告》页面时信以为真地表示难以置信,之后才意识到那个巨大的粗体标题「The technical problems of AI safety are solved」写的是目标而非现状。他批评这种写法「或许是对抗性的」——用大标题暗示一个需要读完引言才能澄清的误导性表述,并自嘲「不该指望他们把话写清楚,真是丢脸」。配图显示报告确实以该句作为 Pillar 1 标题,正文列出了价值对齐、可解释性、防滥用护栏、外部红队测试(如 Claude Opus 5.5 经 150+ 小时外部红队、数万次请求未出现通用越狱)等进展。