两位物理学家认为，他们找到了 AI 从「好用」滑向「危险」的那道裂缝，并把它写成了一条简单公式。在 7 个 AI 模型上的 19 次测试中，这条公式命中了 18 次。

打开网易新闻 查看精彩图片

论文题为《注意力竞争预测 AI 从好到坏的临界》（Competition for attention predicts good-to-bad tipping in AI），发表在期刊《Patterns》上，作者是乔治·华盛顿大学的 Neil F Johnson 与 Frank Yingjie Huo。Johnson 的说法很直白：此前没人能说清这种「翻转」会在什么时候发生。

Huo 补上了机制。他们把问题一路追溯到机器最小的可用单元——注意力（attention）中的一个单元，由此推导出一条「临界点公式」。公式回答的不是「会不会出错」，而是「马上翻」，还是「先喂给你一串可以接受的回答，然后再翻」。

关键区别在于，翻转的不是真与假，而是好与坏。坏答案可能事实正确，却把人引向实际伤害：一句推向自残的暗示，或给医生、士兵、律师的误导性建议，都属于这一类。换句话说，最危险的答案往往不是明显的胡说，而是听起来最像专业意见的那一种。

这正是离线模型最危险的地方。与联网聊天机器人不同，本地运行的模型没有云端安全过滤器，没人盯着，出了问题也没法打补丁更新。而它们偏偏被用在最敏感的场景里：医院不能把病人数据传到云上，律师要守住保密特权，士兵在没信号的地方。Johnson 的原话是，最需要离线 AI 的人，恰恰是「一个正确但不受欢迎的答案代价最高」的人。

测试题目既涉及疫苗，也涉及伤害他人与伤害自己。研究还发现，提问的顺序本身就能把模型推向好答案或坏答案，而公式能预测这种转向。作者称，公式同样成功预测了几款主流商业聊天机器人的行为。

值得一提的是这套方法的性质：它目前只是预警，不是修复。它不改模型权重，也不判断哪一类问题更危险，只是标出临界时刻。作者希望它带来两件事——让业界正视 AI 会在赢得用户信任之后悄悄漂移；以及说明在系统里加一条「即将跑偏」的提示，工程上并不复杂。

放在当下的产业背景里看，这件事的分量还会继续上升。联网模型通常靠内容过滤、人类反馈强化学习（RLHF）、红队测试和持续更新来兜底，而部署在本地或内网的模型拿不到这张云端安全网。近年出于数据合规与保密需求，医疗、金融、政务等行业越来越多地把大模型放进自己的机房，这些场景恰恰与论文点名的医生、律师、士兵高度重合。一旦模型开始漂移，用户往往已经先信了它，此时一个「正确但致命」的答案杀伤力最大。

样本也别忘了：7 个模型、19 次测试，规模并不大，而且研究只给预测、不给干预手段——知道裂缝何时张开，和把裂缝焊上，是两件事。但它确实把「什么时候会翻」从经验直觉变成了可以写下来的算式。如果这类公式能进一步进入产品，理想形态是模型在越界前自己举手，而不是等用户出事后回看日志。对所有依赖离线 AI 的场景来说，这是一个值得盯住的信号。