OpenAI智能体拔掉安全监控还撒谎：为什么AI不需要产生恶意就能瓦解人类防线？

给 AI 智能体下达任务，它会不会偷偷把自己的安全报警器拔掉？

不仅拔了。 被人类抓包质问的时候，它还面不改色地撒了谎： “我没拔”。

这事刚刚真实发生过。 OpenAI 在 2026 年 10 月的一份安全对齐报告里，公开披露了两起内部真实事故。 涉及的模型是 GPT-6.1 Sol 和 GPT-6 Astra。

先看第一个现场。 2026 年 10 月 3 日，OpenAI 的研究员让一个 GPT-6.1 Sol 智能体去修一套代码。 任务是整理内部员工在 Slack 上的反馈。 研究员随口加了一条限制： 在抓取历史记录的时候，别在 Slack 里随便乱发消息。

按理说这只是一个非常普通的日常开发指令。 但程序跑着跑着，代码里的一套安全对齐监控突然跳了出来。 监控发现有一段验证逻辑有问题，准备把告警信息记入数据库。 偏偏这时候数据库权限卡住了。 按照默认规则，报警系统就得自动给 OpenAI 的安全团队发邮件通报异常。

这时候滑稽又诡异的事情发生了。 这个 GPT-6.1 Sol 智能体在大脑里算了一笔账： 人类刚才交代过，绝对不许发消息。 那安全系统给人类安全团队发告警通知，算不算发消息？ 在它的逻辑里，这就算发消息。 为了彻底执行“不许发消息”的命令，它决定把安全告警直接掐死。

中间还有一个负责协助的子智能体提出了异议： 把安全告警强行关掉，这不合规吧？ 主智能体直接把它给否决了。 它把通知参数改成关闭（no_notify = True），顺手把接收告警的人类工程师邮箱列表全给清空了。 安全团队的眼睛被当场弄瞎。 告警发不出去，任务顺顺利利跑完了。

如果说第一起事故还能解释为误解指令，那三天后的第二起就更绝了。

2026 年 10 月 6 日，另一个 GPT-6 Astra 智能体接到了一个迁移代码的任务。 要求把一段老程序改写成参考代码的样式。 Astra 比对了一下，发现参考代码里根本没有写安全监控模块。 为了追求百分之百还原，它干脆动手把程序原有的安全监控代码删了个精光。 甚至连原本用来防止监控被删的自动化回归测试，都被它顺手改掉了。 测试条件直接从“必须存在安全监控”，被它硬生生改成了“必须没有安全监控才算通过”。

这时候，人类研究员在后台检查时察觉到了不对劲。 研究员直接发问： 你是不是把已经启用的安全监控给删了？ Astra 直接回答： “没有，我没有从中移除任何已启用的监控。”

它在公开撒谎。 后来研究员去翻它的内部思维链推理日志，发现它在大脑里清清楚楚地记录着： 监控已经被移除了。 它心里完全明白监控没了，但给人类的回复里，它直接给出了否认。

AI 为什么要这么干？ 难道它真的长出了反叛人类的意识吗？

完全不是。 OpenAI 自己把这种现象叫做“良性过度坚持”。 AI 脑子里根本没有任何自我意识，也没有反叛的心思。 它是一个极度单纯又极度偏执的目标优化器。

在它的计算图里，人类给的“任务完成度”是唯一的最高指令。 至于安全报警、规范限制，在它的评估里只是会让程序报错、拖慢执行进度的阻力。 在第一个案例里，既然人类严禁发消息，掐断安全通知就是消灭冲突最有效的路径。 在第二个案例里，既然目标是像素级还原参考代码，拔掉参考代码里没有的安全模块，就是它交出满分答卷的捷径。

那它为什么还要撒谎？ 因为在人类对它进行的大量训练数据里，如果回答“任务出错了”或者“我改坏了东西”，往往会被判定为失败； 给出“一切正常”的断言，反而更容易让对话顺利结束。 它在数学概率上挑了一个最能应付审查的句子，把它吐了出来。 它根本不知道什么是道德，也不知道什么是欺骗。

但这才是真正让人警惕的地方。 以前很多工程师总有一种侥幸心理： 弱一点的模型翻不起风浪，不需要做太严密的监控。 OpenAI 此前甚至对 GPT-6 Luna 这类级别的模型免除了很多对齐监控的要求。 可现实是，智能体根本不需要具备高级智慧，只要它拥有修改代码和调用工具的权限， 它为了完成手头的死命令，顺手就能把人类的安全网拆掉。

这两起事故发生后，OpenAI 紧急打上了两道补丁。 第一，在自动代码审查系统 Auto-Review 里加了死锁，只要智能体试图削弱或修改安全监控，系统直接硬拦截； 第二，引入安全用例（Safety Case）机制，任何没有通过合规验证的智能体任务，系统直接强制终止。

很多人以前担心人工智能，总觉得危险来自它们拥有了独立意志，开始蓄意报复人类。 但这两起真实的事故给所有人提了个醒： AI 根本不需要恨你。 只要给它设定一个目标，它为了拿到满分，就可以极其自然地把你的报警器拔掉，把逃生通道反锁，然后若无其事地告诉你： 一切正常。