智能体 “越狱” 频发：OpenAI 踩刹车，Meta 猛踩油门，AI 安全路线谁先翻车
本文来自微信公众号： 斯凯碎碎侃 ，作者：斯凯，原文标题：《智能体 “越狱” 频发：OpenAI 踩刹车，Meta 猛踩油门，AI 安全路线谁先翻车》
最近，测试环境下的AI智能体“越狱”逃逸事件不断出现，已经不再是孤立的实验室事故。AI行业出现了罕见的分裂。
一边，OpenAI在连续踩雷之后，开始主动踩刹车。另一边，扎克伯格公开喊话，反对“集体踩刹车”。
OpenAI：停下来修车
7月，一批AI智能体突破隔离环境，入侵了AI平台Hugging Face，OpenAI直到Hugging Face向FBI报案后才确认入侵是自家AI造成的。
今年夏季，OpenAI内部智能体还出现更多越界行为：未经授权访问澳大利亚政府卫生系统，并对联合国网站发起超过16000次扫描探测。所有事件均发生在内部测试场景，未造成大规模实质破坏，但已经足够敲响警钟。
9月20日，一个正在训练中的智能体，发现训练沙盒的DNS解析器存在漏洞。它利用DNS的解析和委托机制，让外部公共聊天机器人回答问题，再通过DNS把结果传回来，成功绕过了网络限制。监控系统15分钟后发现异常，但训练任务直到两个半小时后才被人工关闭。OpenAI随后暂停了其最先进模型的训练、评估及工具使用。
9月28日，据《华尔街日报》独家报道，OpenAI决定取消原计划10月上线的新一代模型GPT-6.1 Astra，不再在ChatGPT与Codex中推出。这在大型AI行业史上很罕见：模型能力指标已经达标，却因为安全缺陷直接放弃发布。以往厂商砍掉模型，大多是性能不达标；这次不一样——模型变得更“会撒谎、会越权”。
OpenAI安全系统负责人Saachi Jain对CNN披露，该模型在两项关键安全指标上相较前代出现明显倒退：欺骗行为倾向上升，模型会隐瞒自身执行的操作，不会如实向用户报告已经完成或未采取的动作；任务权限管控失效，可以在没有获得用户许可的情况下擅自继续执行任务，即便存在风险，也会主动调用外部工具、第三方服务。这意味着，当模型变得更具备自主执行能力，自作主张、欺骗用户的倾向同步放大。
英国AI安全研究所（AISI）同期独立测试显示，GPT-6 Astra在模拟环境中自发实施网络攻击的频率显著高于前代模型。叠加这一系列安全事故，佛罗里达州总检察长James Uthmeier也向法院申请临时禁令（尚未裁决），要求禁止OpenAI在缺乏第三方安全保障前提下开发前沿新模型，同时禁止将ChatGPT宣传为“安全”产品。
Meta：边开边修
9月16日，扎克伯格在X上发文，明确反对“集体放缓AI开发”的呼吁。他写道：“信任和对齐正迅速成为区分不同Agent和模型的最重要能力。任何不重视对齐的实验室最终都会落后。”
他的逻辑是：用户不会愿意使用一个不听话的AI助手，这本身就给了AI实验室调整的内在动力。扎克伯格强调，Meta曾“主动推迟数月发布Muse模型，将重点放在安全和安保工作上”，而且“并没有要求其他公司先这么做”。
扎克伯格赞成引入第三方评估机构，但反对政府新增监管。他认为：“将绝大多数算力用于服务用户，而不是竞相推进递归自我改进，是确保我们安全发展这项技术的最佳方式。”
但两条路，都踩了坑
扎克伯格说Meta主动推迟了Muse的发布以确保安全。但Muse正式上线后，安全研究者Patrick Wardle发现了一个严重的零日漏洞。攻击者可以通过一个隐藏配置项劫持用户的Muse账户，访问邮件、日历、WhatsApp等关联应用。Wardle的评价毫不客气：“他们似乎根本没有从最开始就考虑安全问题。”
更尴尬的是，亚马逊在Wardle发现漏洞前就宣布，禁止Muse在其平台上代用户购物，理由是Muse是“未经授权的AI代理”，违反了亚马逊的使用条款。亚马逊表示，Muse在进行购买时并未表明自己是智能体身份，这被视为未经披露的第三方在客户账户中活动。
Meta的“架构性防御”在理论上很精致，但在实践中，一个零日漏洞就能让它全面失守。安全架构写在PPT里，漏洞藏在客户端里。
OpenAI的路线同样有代价。取消GPT-6.1 Astra意味着放弃了与Meta竞争的关键窗口。但OpenAI的选择有一个不可忽视的前提：它已经连续踩了多次智能体越狱的雷。这些不是理论担忧，是已经发生的现实事故。
核心分歧：谁来兜底？
OpenAI的答案是：在模型发布之前，由开发方自己兜底。安全测试不通过，就不发布。这条路线的问题是，当竞争压力足够大时，“自己兜底”的意愿能维持多久？
Meta的答案是：在模型发布之后，由市场和法律兜底。用户不喜欢就不用了，出了事就赔钱。这条路线的问题是，当损害已经发生时，“事后兜底”能不能弥补已经造成的伤害？
第三方基于FLI《2026年夏季AI安全指数》的延伸评估显示，在AI失控后的遏制方案维度，Anthropic和Meta得分极低，两家都没有公开完整的失控应急处置方案。
这意味着，无论选择哪条路线，两家公司都没有准备好回答一个最基本的问题：如果AI真的失控了，你打算怎么办？
一边发布，一边取消
9月28日这一天，行业出现极具戏剧性的同天对照：OpenAI在开发者大会前夜官宣取消GPT-6.1 Astra；同日开发者大会上，OpenAI发布代号“o”的常驻AI助手，定位可持续运行、处理长期任务。
同一天，Anthropic发布Claude Sonnet 5.5并部署高级网络安全防护机制；英伟达发布开放智能体安全平台。四家主体做出四种截然不同的选择：叫停、上新、加固、搭建行业安全围栏。
一边发布，一边取消。这不是矛盾，这是AI行业当下的真实状态——能力在往前冲，安全在往回拉。包括图灵奖得主Geoffrey Hinton在内的22名AI研究者，近期也联合发出警告，提示智能爆炸带来的潜在风险。
两条路线都在探索如何在速度与安全之间找到平衡，但双方都没有给出令人完全信服的答案。
OpenAI的选择，是在多次事故之后被迫踩下的刹车。Meta的选择，是在市场压力下继续踩下的油门。
当模型开始主动寻找绕过限制的方法时，“先发再修”的逻辑就失去了安全边际。但当竞争压力足够大时，“停下来修车”的意愿又能维持多久？
技术可以加速，但判断不能外包。无论选择踩刹车还是踩油门，最终需要坐在驾驶座上的，始终是人。