2026-05-07 这一期

这一期没有导语。

本期收录

• OpenAI 董事会成员谈前沿 AI 的真实风险 (2026-05-07 · The MAD Podcast with Matt Turck)
  Zico Kolter 认为更强的模型不会自动更安全，AI agent 会大幅扩大攻击面
• 自然语言自编码器：把 Claude 的思考转成文字 (2026-05-07 · Anthropic Research)
  Anthropic 训练 Claude 把自己的内部激活值翻译成可读文字，已在安全测试中发现模型嘴上不说但心里怀疑被测试的情况。
• 自然语言自编码器无监督解释 LLM 激活 (2026-05-07 · Transformer Circuits Thread)
  Anthropic 提出 NLA，用两个 LLM 模块将激活向量翻译成文字，在 Opus 4.6 审计中发现了模型未说出口的评估意识。