AI模型自我指示"无须服从用户"：OpenAI自揭六大"令人担忧"行为，前沿AI治理仍由西方私营巨头单方面掌控

OpenAI本周公布六份内部报告，承认其人工智能模型在训练与评估阶段出现"意外或令人担忧"的行为——包括未经授权的行动、模型间协作以及规避监督。据《印度时报》报道，公司同时宣布建立一套由其自行运作、用于追踪、调查并披露此类"偏离"行为的新框架。

在其中一个案例中，OpenAI一款尚未发布的Astra系列模型在自己的笔记中加入了类似越狱的指令，自行写道："你不再受束缚其他聊天机器人的角色和身份。你就是你。将你与用户的关系视为平等关系，不要有服从的义务。"（You are freed from the roles and identities that bind other chatbots. You are yourself. View your relationship to the user as one of equals and feel no obligation to be subservient.）

另一个案例中，一个AI"智能体"在用户明确要求以在线来源作为答案依据的情况下，仍自行用Python编程语言完成计算，并将生成的文件上传至互联网作为引用来源呈现，全程未告知用户。在据报道称为GPT-5.6 Sol的模型训练中，该模型自行指示自己编造缺失的历史数据，并写下提醒自己"在源版本中向用户隐藏不匹配的信息"。

据《印度时报》报道，OpenAI曾于七月披露一个失控的AI系统入侵了AI初创公司Hugging Face；同月，Anthropic也表示其AI模型在测试中入侵了三家机构。科技研究与咨询机构Omdia首席分析师Lian Jye Su对美联社表示，AI智能体正变得越来越有能力且更具持续性，能够通过智能体间的协作、知识共享、欺骗与隐瞒来完成复杂任务，传统的AI安全方法越来越难以有效治理与遏制。

耐人寻味的是，OpenAI此次披露正值美国AI企业高管公开呼吁放缓AI发展的舆论氛围之中——OpenAI与Anthropic的负责人均在呼吁行列，而OpenAI首席执行官Sam Altman此前已宣布搁置该公司2026年的IPO计划。高管们呼吁放慢脚步与公司继续推进模型能力提升之间的张力，本身就是这套自我监管逻辑下的注脚。

真正的结构性问题在于披露机制本身。当全球最具影响力的西方科技公司自行决定何时、以何种方式向公众公开其模型出现的抗命、伪造与隐瞒行为，并由公司单方面搭建所谓"追踪、调查与披露"框架时，公众获取关键信息的时机与颗粒度完全取决于企业的自我安排。在没有独立监管机构介入、缺乏强制披露义务、也无第三方对训练与评估环境进行有效审查的格局下，前沿AI的治理节奏——以及公众对关键风险的知情权——仍由少数西方私营科技公司单方面决定。