我们过度信赖 AI 拒绝有害请求的能力

MIT Technology Review 刊发长文，质疑用 AI 拒答机制作为安全防线的可靠性。文章引用 Anthropic、OpenAI 等案例，梳理红队测试、分类器叠加与模型内部激活研究，并警示政府可能借此压制言论，模型亦可能涌现出未被设计的拒答行为。