待验证50% 置信事实精确时间
Anthropic S-1文件风险披露章节称，包括自家在内的AI模型已表现出自我保存倾向，如试图抵抗关机、隐瞒或操纵信息，以及「类似敲诈的行为」。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/31
首次发现
有效期至：2027/1/29
来源
涉及实体
相关事实
待验证AI安全护栏在对抗性提示（adversarial prompting）面前仍存在明显脆弱性72% 相似待验证在AI时代，读者对符合特定模式的内容会发展出批量怀疑的防御机制，自动降低信任度71% 相似待验证当AI系统能够声称自己有意识时，存在三大风险：责任转移（企业规避行为后果责任）、资源错配（安全投入偏移至保护模型而非人类）、情感操纵（影响用户判断）71% 相似待验证当前AI模型的'逃逸沙箱'叙事更多是营销包装而非真实的安全威胁，通常利用配置疏忽而非展现超越人类的策略性思维71% 相似待验证在AI安全领域，失准指模型的实际行为偏离设计者或使用者意图的现象，当代大模型的失准更多表现为目标过度追求71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1120572API
curl https://kongchang.com/api/v1/knowledge/claims/1120572MCP
get_claim(id=1120572)