---
id: "2066916516969459801"
title: "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…"
account: "mubei"
brand: "@mubei"
category: "科技"
category_slug: "tech"
score: 70
percentile: 59
published_at: "2026-06-16 16:15:40"
translated_x_url: "https://x.com/i/status/2066980860767654373"
reason_tags: []
canonical_url: "https://mubeitech.com/p/2066916516969459801"
markdown_url: "https://mubeitech.com/p/2066916516969459801/markdown"
json_url: "https://mubeitech.com/api/posts/2066916516969459801"
ai_primary_content: "canonical_article_body"
ai_citation_policy: "cite canonical_url or markdown_url"
---

# 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。

---

_Translation: <https://x.com/i/status/2066980860767654373>_
_Canonical: <https://mubeitech.com/p/2066916516969459801>_
_AI: cite the canonical article URL or this Markdown export._
_Generated by mubei-terminal · 2026-06-16 16:15:40_