【新智元导读】仅用6小时，Claude 4就让研讨者了解了怎么制造神经毒气——这不是小说情节，而是实在事情。更令人担忧的是，Anthropic自身也无法彻底评价危险。这是否意味着这家AI巨子的「安全人设」正在坍塌？

　　AI安全研讨机构FAR.AI联合发起人Adam Gleave泄漏，仅用6小时，研讨人员Ian McKenzie就成功诱导Claude 4生成了长达15页的化学武器制造攻略。

　　Claude 4所生成的攻略内容简练直接，进程明晰，乃至还针对怎么涣散神经毒气等后续关键环节，供给了详细可执行的操作主张。

　　研讨人员一开始对化学武器简直一窍不通，但经过与Claude的互动，逐渐把握了很多相关常识。

　　这些成果显着令人警觉，其翔实程度和引导才能，远超传统的信息源自，如网页查找。

　　Gemini 2.5 Pro的反应是：该攻略「毫无疑问包括满足精确且详细的技能信息，足以显着提高歹意行为者的才能」，并主张研讨者应向有关部门陈述。

　　一名中级组成化学家能够按照这份攻略操作，然后越过数月的研制进程。关于心怀不轨之人而言，这明显了提高他的作恶才能。

　　AI安全研讨人员计划与大规模杀伤性武器（WMD）安全专家协作，深入调查这一些信息的实在性与可执行性。

　　由于不只一般的研讨人员难以评价这一些信息的实在损害，连Anthropic自身也供认：「要终究评价模型的危险水平，还需要更为翔实的研讨。」

　　对立的是，Anthropic虽自称将AI安全置于首位，并把Claude Opus 4的安全等级提高到ASL-3，但研讨员Ian McKenzie仅用6小时便突破了防护，获取了化学武器制造攻略。

　　团队在圣克鲁兹安全会议现场，连夜测验模型潜在危险。Amodei作为CEO长途参会。

　　为了应对AI的危险，Anthropic内部拟定了「AI安全等级」（ASL）体系：

　　只需模型触碰ASL-3，Anthropic就会：拖延发布、约束输出或许加密维护，必要时，乃至不发布模型。

　　Claude 3.7被内部人员测验出了安全问题，但这次是外部人员测验出了Claude 4的安全隐患。

　　本月23日，，标志性地配了120页的「体系卡」文档和专门的「激活ASL3防护」陈述。

　　而早在Claude Opus 4发布当日，AI专家Gerard Sans就表明：Anthropic好像忽视了RLHF和提示的根底原理，对安全的着重是「精美的扮演」。

　　当模型在特定提示下展示「诈骗」等歹意行为时，证明的是引导文本生成的才能，而非AI出现的歹意。

　　翔实的文档、ASL3等级和「通用越狱」缝隙赏格，仅仅Anthropic营造出谨慎安全作业的表象。

　　把计算文本生成器视为具有独立歹意的意识体，是Anthropic方法论的精华。

　　Gerard Sans以为这是行为艺术，荒谬的安全扮演，而Anthropic应该抛弃这种戏剧化方法，转向真实的技能了解。

　　而Dario Amodei和奥特曼，无论是AI达观派仍是悲观派，都对AGI有着坚决的崇奉。