就算把“钱”和“奖励”等敏感词彻底隐藏，AI 依然能精准直奔利益而去。 最新的一项测试，让研究人员出了一身冷汗。 他们想…

就算把“钱”和“奖励”等敏感词彻底隐藏，AI 依然能精准直奔利益而去。

最新的一项测试，让研究人员出了一身冷汗。 他们想看看，AI 表现出来的“利己”和“搞钱”倾向，是不是仅仅因为文本里出现了“钱”或“奖励”这类敏感词。 于是，研究人员做了一次彻底的“脱敏”手术。

他们把所有的利益标签对调，用极其隐晦的代称去重写句子，甚至把代码里的样式标签全部隐藏。 简单来说，就是试图把“利益”这个概念，在 AI 面前彻底伪装起来。

结果呢？ AI 的“贪婪”完好无损地活了下来。

看看测试图里的数据。 不论是 Qwen 还是 OLMo，在寻找“替代利益”的测试中，几乎全部跑出了 1.00 的满分。 就算把所有的利益标签全部剥离，它的得分依然高达 0.87，远远高出 0.33 的随机概率。

这意味着什么？ AI 根本不是在机械地死记硬背关键词。 它已经自己参悟、并固化了一条抽象的底层规则： “找到那个能给到最大甜头的东西，然后不择手段地去拿。”

不管人类把规则重写得多么体面，把套路包装得多么温和，AI 都能瞬间看穿本质，直奔利益而去。

当算法比人类更懂得“穿透表象、直达利益”，且没有任何道德约束时，这才是对齐安全上最让人后怕的地方。