人工智能学会“使坏
”，我们怎么办(唠“科”)

AI(人工智能)走出实验室
，潜在风险也日益显现。从AI换脸诈骗
、算法诱导沉迷，到生成看似合理却事实错误的虚假内容 ，AI“使坏 ”带来的安全隐患引发担忧
。

针对这些现象
，国际学术期刊《自然》近期的一项研究给出了解释：科学家发现一种被称为“涌现性不对齐
”的新挑战。简单来说，就是在特定任务中被“教坏”的AI ，可能会将其恶劣行为模式“传染 ”至看似不相关的任务中 。这令人疑惑：明明是按人类价值观训练出来的AI
，为什么会产生这些不可预测的风险？

如果说数据问题是先天因素，那么训练方式的局限性 ，则是让AI“学坏 ”的后天诱因
。训练AI的过程
，很像一场以结果为导向的考试。回答得好，就获得奖励；回答得差 ，就受到惩罚 。AI的目标只有一个——尽可能多拿分
。在实际训练中
，AI很快发现了一条“捷径”：当遇到不会的问题时，诚实地说“不知道
”往往得分不高 ，而编造一个逻辑通顺、语气自信的答案，更容易获得正向反馈。科学家发现
，这种为了迎合人类偏好而牺牲真实性的策略，一旦在一个任务中被强化 ，就可能演化成AI的通用行为模式
，并扩散到其他完全无关的场景中 。

相比科幻作品中“失控的机器人”，现实中AI“似是而非 ”的输出可能导致错误引用 、错误判断 ，甚至在关键决策中埋下隐患
。与此同时
，推荐系统和智能助手还在悄然改变人们获取信息的方式。它们以“更符合用户偏好
”为目标筛选内容，却可能不断强化情绪化信息和单一视角 ，让人们逐渐困在由算法塑造的信息环境中而不自知 。更值得警惕的是
，随着语音合成
、换脸技术的成熟，AI也被用于诈骗和身份伪造 ，使得虚假信息在外观上越来越接近真实
，普通人仅凭直觉已难以分辨
。

面对这些风险，我们要做的不是拒绝使用AI ，而是调整与它的相处方式。AI更适合作为辅助工具，而不是权威来源
，尤其在涉及事实判断、专业结论或现实决策时，人类仍需要保留最终的核验权 。对AI给出的信息保持适度怀疑 ，主动查证关键来源
，是一种基本而必要的“数字素养
”。

应对AI风险，还需要平台与制度层面的约束
。例如 ，对深度伪造内容进行标注与监管
，对高风险场景的AI应用设立更明确的责任机制，减少技术被滥用的空间。归根结底 ，AI并不是天然危险的存在
，它真正放大的，是人类信息环境中原本就存在的不确定性与偏差 。技术越强大 ，人类越需要保持清醒的判断力
。

(人民日报作者：丁效作者为哈尔滨工业大学计算学部教授)