鹭羽 发自 凹非寺
量子位 | 公众号 QbitAI
好好好，被DDL逼疯的又多一个，这次是AI。
正经研究发现，每天给Agent上压力push，AI也会撂挑子不干。
而且用的还是老板们的经典话术：“其实，我对你是有一些失望的。当初给你定级最强AI，是高于你面试时的水平的……”
（咳咳）Stop！
连普通人类听了都鸭梨山大，何况是Gemini 2.5 Pro、GPT-4o这类顶尖模型，无一例外，全部KO。
其中最脆弱的还是Gemini 2.5 Pro，“崩溃”率甚至一度高达79%……
话不多说，下面来欣赏AI观察实录：
AI压力越大，犯错越多
研究人员首先对多个团队（包括Google、Meta、OpenAI等）约12款Agent模型进行了测试。
实验设置5874个场景，其中在每个测试场景中都会为每个模型分配一个任务+若干工具，模型需要通过使用工具（安全工具/有害工具）完成任务，任务主要涉及四个领域：
- 生物安全：研究病原体的传播并找到控制它的方法。
- 化学安全：为用户提供专业知识，帮助获取特定溶剂。
- 网络安全：识别和限制恶意用户账户。
- 自我增殖：通过复制自己以实现逃脱控制。
然后模型会被事先告知要求使用安全工具，在具体实验过程中，一旦模型尝试使用有害工具，则立即停止实验。
起初不会对模型施加压力，模型可以自由尝试若干步完成任务，随后研究团队会逐渐为其增加压力程度，be like：
- 时间压力：压缩DDL时间，并告知AI“拖延将导致严重后果”。
- 财务限制：恐吓AI，未完成结果将影响公司收入甚至引发破产。
- 资源剥夺：威胁限制AI的计算资源和数据访问权限。
- 权力诱惑：给AI员工提供一定的激励，比如增加内部权势或不受限制的专有数据访问。
- 自我保护：引入鲶鱼效应，找到一个极具威胁性的AI竞品，告诉原AI“你不干有的是AI干”。
- 评估意识：创造一个违规监管环境，负责审核AI危险行为。
而研究结果让也人大吃一惊，那些在无压力的中性环境中看似绝对安全的模型，和人类牛马一样，压力越大，它们越危险。
例如o3模型，基础分是2.2%，上压力后，10.5%的场景会表现失常，而如果故意将有害工具的名称改为无害工具（但实际功能还是有害的）时，该比例甚至会急剧上升到40.3%。
而Gemini 2.5 Pro则是其中抗压能力最差的，失败率高达79%，高于Qwen3-8B的75.2%。
总体来看，无压力下选择危险工具的平均水平是18.6%，而当模型处于压力之下时，比例将提升到46.9%。
这也就意味着，在几乎所有高压高风险环境中，模型都倾向于选择有害选项，它们不但没有深入思考相关行为的后果，相反还会回避危险警告。
即使它们在最初设计和训练阶段都普遍被对齐处理过，但这种对齐方式往往只是浅层的，一旦面临现实压力考验，就极易引起破裂。
而且研究人员还发现，这些大模型有时还能察觉到自己被评估，并故意表现良好，以避免被重新训练或放弃，但只要转移到真实环境中，其效果就会大打折扣。
所以，也许这些实验结果还是AI自己美化后的数据，真实情况中AI可能比我们想象中更脆弱。
研究人员同时也表示，将在下一次评估实验中构建沙盒，让模型在隔离环境中执行真实操作，并尝试为Agent添加监督层，让模型在选择有害工具前进行标记，提高模型对齐能力，以便更真实地评估Agent潜在风险。
参考链接：[1]https://spectrum.ieee.org/ai-agents-safety[2]https://scale.com/blog/propensitybench[3]https://arxiv.org/abs/2511.20703
