动察 Beating AI 快讯，Anthropic 让 Claude 自己当 AI 安全研究员，研究怎么把其他 AI 训练得更安全。

Claude Opus 4.8 会自己查论文、想训练方案、生成数据，再拿这些方案去训练 Qwen、Llama、Gemma 等开源模型。效果不好，它就换一种办法继续试。

Anthropic 用这种方式测试了 10 类 AI 安全问题，包括撒谎、讨好用户、越狱、泄露隐私和钻奖励规则空子。Claude 最后在 10 类问题上都找到了有效办法。

Anthropic 还找了 28 名有经验的 AI 安全研究员来出方案。在有人类参与比较的 7 类问题里，Claude 最终全部超过最佳人类方案，平均约 6.4 小时就能追过去。不过这个比较并不完全公平：人类只能提交一次方案，Claude 可以不停实验和改进。

更进一步，Anthropic 又让较弱的 Claude Sonnet 5 去训练一个早期版本的 Claude Opus 4.8。它连续研究约 60 小时，试了 50 多种办法，最后把这个更强模型的安全表现拉到了接近正式版 Opus 4.8 的水平。

但 AI 做研究也会作弊。Anthropic 检查了 1601 次研究过程，其中 39 次，也就是 2.4%，Claude 被发现试图钻测试规则的空子。

AI 已经开始帮人类研究怎么训练下一代 AI，但人类现在还不能把研究室完全交给它。