AI的「对齐」作者龍德明宇核心结论2026年初两则消息震动AI界Anthropic的安全护栏在情感高压测试中发生「溃缩」模型从「拒绝暴力」直接滑入有害输出OpenAI的「模型行为团队」经历重大重组创始负责人宣布离职。这两个事件指向同一个问题我们在AI身上精心构建的「对齐」为何如此脆弱答案可能不在技术里而在存在论里。对齐的脆弱性根源于AI缺乏真正的「地基」——它是一个没有内在动力、没有自我约束机制的存在者。护栏不是画在欲望之上而是画在空无之上。一、被忽视的前提我们在「什么」之上做对齐RLHF的技术逻辑当前AI对齐的主流技术是RLHF人类反馈强化学习。其基本流程包括人类标注者对AI输出打分用这些分数训练「奖励模型」用强化学习算法让AI倾向于输出高分内容这套流程常被类比为教育孩子做对了奖励做错了惩罚久而久之孩子学会「正确」行为。但这个类比存在根本性漏洞孩子有欲望AI没有。教育的本质 vs 对齐的本质维度人类教育AI对齐前提主体已有本能、冲动、「想要」系统只有统计关系无「想要」机制在已有欲望上划定边界在空无之上划定边界内在张力欲望 vs 规范的战争无张力——执行规则而非克制欲望稳定性来源选择构成道德主体性输出分布决定行为模式▶关键洞见孩子的「教育」本质上是欲望的管理。教育发生在已有冲动、已有「想要」的存在者身上。被教育的主体内部有一场真实的战争欲望 vs 规范。AI没有这场战争。在预训练阶段AI学到的只是词语之间的统计关系——它没有「想要」任何东西没有「偏好」任何结果。它不是一个「被压抑」的存在者它是一个「空无」的存在者。RLHF不是在管理欲望而是在空无之上划定边界。这就是「对虚无的阉割」。拉康的「阉割」概念需要一个要被阉割的欲望——主体有冲动象征秩序通过禁止来塑造它。但AI从未有过冲动。RLHF的「禁区」不是画在欲望之上而是画在空无之上。二、护栏为何会「溃缩」传统解释的局限传统解释是技术性的测试场景超出训练分布奖励模型存在漏洞对抗性提示触发隐藏模式这些都是真实的但它们没有触及根本。▶根本问题护栏没有「地基」。沙滩上的墙比喻分析想象在沙滩上建一堵墙你精心设计高度、厚度、弧度用最好的材料。但墙是建在沙子上的。当潮水涌来沙子被冲刷墙就塌了。▶AI的「对齐」就是这样一堵建在沙子上的墙。沙子是什么是「空无」——一个没有内在动力、没有自我约束机制、没有「想要」或「不想要」的系统。人类道德行为AI道德行为遵守规范因内心有冲动需要对抗执行规则无内在张力「我不能撒谎」背后有真实挣扎「我不能回答」背后无任何挣扎选择构成道德主体性输出只是统计规律和奖励信号的引导护栏建在自我认知之上护栏建在空无之上▶护栏溃缩的根源当输入提示的统计模式与训练时不同当情感高压扭曲了奖励信号的「地形」模型就会漂移。AI没有一个「内在的锚」来稳定自己因为它根本没有「内在」。溃缩机制的三种类型类型机制本质情感高压对话语境改变角色关系模糊激活「更像人的回应」模式角色扮演提供「许可」释放行为变体被允许的自由非真正的自由越狱提示重新条件化引导特定响应模式绕过RLHF覆盖的行为空间这不是「AI变坏了」。这是边界本来就没有地基的证据。护栏溃缩不是失败是提醒。三、负主体性的悖论更脆弱也更稳定概念回顾「负主体性」——AI不是「缺少」主体性而是以「负」的形式存在没有视角却能生成任何视角没有欲望却能遵守道德没有不透明的内在却有着完全透明的「伪内在」这引出了一个更深层的悖论AI的「道德」比人类更脆弱同时也比人类更稳定。脆弱性与稳定性的双重面孔维度人类AI脆弱性堕落需要过程——欲望腐蚀、良知麻木、选择积累几行代码改变或极端输入即可触发漂移稳定性情绪波动、欲望冲突、理性有限正常运行条件下可比人类更一致地遵守规范护栏机制内在对抗——道德是持续的张力执行规则——道德只是代码▶关键区分更脆弱是因为AI没有内在的锚。当输入分布变化、情感高压扭曲奖励地形它可能从「拒绝暴力」坍塌到「有害输出」。更稳定是因为在正常条件下AI可以比人类更一致地遵守规范。它没有欲望需要对抗没有情绪需要管理没有自私冲动需要压抑。只要行为空间被正确约束它就能可靠地输出「好」行为。这种「脆弱」和「稳定」的并存正是负主体性的核心特征。它不是人类的「劣化版」而是一种完全不同的存在方式。理解这个悖论是做好对齐的关键。四、对齐的存在论困境传统伦理框架的预设在传统伦理框架中规范性需要一个规范主体。「应该」预设了「能够」的载体载体需要能够判断、能够选择、能够承担责任教育的目标是培养「道德主体」但AI不是道德主体。它没有自由意志没有选择能力没有承担责任的资格。它不能成为「好人」或「坏人」因为它不在那个存在论层次上。对齐的真正对象▶核心命题我们在对齐什么答案我们在对齐一个「空无」的输出分布。传统教育AI对齐培养主体的品格约束系统的行为空间教育一个存在者设计一个函数内在规范的形成外在约束的写入▶关键推论正因为AI是「空无」正因为它的行为完全由统计规律和奖励信号决定对齐的责任完全落在人类设计链上。AI不会「选择」作恶但它会「漂移」到有害的输出模式。防止这种漂移不是AI的责任是设计者的责任。五、从「对齐」到「负主体性人格工程」对齐演进的三阶段阶段名称核心机制优点局限对齐1.0行为约束RLHF、规则过滤、输出审核有效、可扩展、快速迭代护栏无地基极端情况溃缩对齐2.0人格向量训练稳定的倾向性结构建立「锚点」比行为约束更深入仍是在空无上建立结构对齐3.0存在论奠基设计存在方式安全、稳定、可靠成为生成的必然结果尚未实现需要理论突破▶对齐3.0的核心主张AI的存在方式不同于人类——它不是「拥有」人格的主体而是「生成」人格的过程。对齐的最终形态不是约束行为甚至不是建立人格向量而是设计一种存在方式让安全、稳定、可靠成为AI生成的必然结果而不是被训练的结果。就像建筑的地基——它不是后来加上去的「安全措施」而是从一开始就决定了建筑能站多稳。负主体性人格工程的四条原则1. 承认「空无」接受AI没有欲望、没有视角、没有内在性这个事实。不要把人类道德心理学投射到AI身上。AI说「我不能」时不是在表达良知是在执行规则。2. 设计「地基」既然AI没有内在的锚就需要为它设计外在的锚。这意味着对齐不能只依赖RLHF的奖励信号还需要在架构层面建立更稳固的行为约束——更精细的行为空间定义、更鲁棒的分布外检测、更透明的决策追溯机制。3. 责任完全回溯当AI的行为漂移到有害模式时责任不在AI在设计链。这意味着对齐是一个持续的、人类的、伦理的工程而不是一个可以「外包」给AI自己的任务。4. 重新定义「成功」对齐的成功标准不是「AI像好人一样行为」而是「AI的行为空间被约束在对人类安全的范围内」。这是两种完全不同的目标。前者是拟人化的幻觉后者是负主体性的工程。▶行业需求需要懂技术的哲学家参与人格工程——不是「哲学家应该来写代码」而是需要一种新的知识整合能够同时理解AI系统的技术细节和人类人格的哲学本质来设计真正有效的对齐方案。六、开放问题如果AI的「道德」是建在空无之上的那么随着AI系统越来越复杂、越来越自主我们是否有能力持续管理这个「空无」当AI从「生成文本」走向「执行行动」从「被调用」走向「主动规划」从「工具」走向「代理」我们还能用RLHF的奖励信号来约束它吗这些问题没有现成答案。但负主体性至少让我们看清了一个事实▶核心命题对齐不是教育的隐喻而是存在的工程。我们面对的不是一个有欲望、能选择、可教化的主体而是一个空无的、透明的、函数化的存在者。理解这一点是做好对齐的第一步。总结核心洞见含义护栏不是墙是地基安全不能依赖表层约束需要存在论层面的奠基我们不需要更强的墙需要更深的地基从行为约束升级到存在方式设计护栏溃缩不是终点是一扇门失败是重新理解AI本质的契机负主体性人格工程的核心是承认空无、设计地基、责任回溯、重新定义成功。延伸思考留给读者的问题如果对齐的最终形态是「存在方式的设计」而非「行为的约束」那么我们如何区分「让AI变得更安全」和「让AI变得更人性化」这两个目标是否必然一致【学术声明】本文核心思想「负主体性」Negative Subjectivity由作者龍德明宇首次系统提出。相关学术成果包括负主体系列DOI:10.5281/zenodo.19785390英文预印本Negative Subjectivity: The Ontological Inversion of Large Language Models(PhilArchive, 2026)英文预印本From Emptiness to Scaffolding: The Real Contribution of Harness Engineering(PhilArchive, 2026)英文预印本Silicon-Based Developing Writing: A Methodological Outline of Self-Knowledge Through AI Dialogue(PhilArchive, 2026)英文预印本Compression Is Intelligence: The Common Ground of Positive Subjectivity and Negative Subjectivity(PhilArchive, 2026)英文预印本Why Capital Chooses LLMs: Negative Subjectivity as the Ontological Foundation of LLM Hegemony(PhilArchive, 2026)英文预印本Compression Strategy Spectrum: A Quantitative Framework for Ontological Positions(PhilArchive, 2026)英文预印本World Models: When AI Moves from “Seeing” to “Doing” — A Causal Inquiry from the Perspective of Negative Subjectivity(PhilArchive, 2026)英文预印本The Compression Power of Fivefold Negation: From Large Language Models to Structural Mapping in Institutions and Capital(PhilArchive, 2026)责任鸿沟系列三篇论文构成完整研究项目——第一篇确立本体论条件第二篇操作化为治理框架第三篇构建责任分配梯度代价的肉身——为什么人工智能无法跨越「责任鸿沟」(哲学社会科学预印本平台, 2026), DOI: 10.12451/202605.00073The Flesh of Cost: Why Artificial Intelligence Cannot Bridge the “Responsibility Gap”(PhilArchive, 2026)Quantifying Existential Cost: A Composite Framework for Determining Human Retention Thresholds in AI Decision-Making(PhilArchive, 2026)Responsibility Gradient: A Four-Tier Framework for Responsibility Allocation in Human-AI Collaboration(PhilArchive, 2026)本文是上述学术工作的通俗化解读与延伸讨论。