Anthropic 的尖端模型曾被美国政府打入冷宫，如今却通过一项精妙的安全机制重获自由。这不是简单的监管松绑，而是一场围绕“负责任AI”定义权的政治博弈。
你大概还记得去年秋天的那个新闻：Anthropic 最新最强的两个模型——Fable 5 和 Mythos 5——被特朗普政府以“潜在国家安全风险”为由，施加了严格的使用限制。联邦机构不得部署，政府承包商必须报备，整个华盛顿弥漫着一股“硅谷AI巨头不可信”的气氛。
当时很多人觉得这只是又一轮科技监管的拉锯战。但半年后的今天，剧情出现了令人玩味的转折：政府悄然解除了对这两个模型的限制，而 Anthropic 为此付出的代价，是一个精心设计的安全机制。
这背后的故事，远比表面看起来复杂得多。
一把锁的诞生：Constitutional Veto Mechanism
Anthropic 此次新增的安全措施有一个听起来很学术的名字：“宪法否决机制”（Constitutional Veto Mechanism，简称 CVM）。别被名字唬住，它的核心逻辑其实相当优雅。
简单来说，CVM 是在模型输出阶段嵌入的一个事后审查层。当 Fable 5 或 Mythos 5 生成任何可能涉及敏感领域的回答时——比如武器制造、关键基础设施漏洞、大规模杀伤性技术——CVM 会启动二次评估。这个评估不是简单的关键词过滤，而是一个基于 Anthropic 自研的“宪法式AI”原则的语义理解系统。
用户输入 → 模型生成候选输出 → CVM语义审查 →
├─ 通过：正常输出
└─ 否决：返回预设安全响应 + 日志记录技术上有几个关键点值得深挖：
第一，审查发生在推理之后，而非之前。 这意味着模型本身的能力没有被阉割。Fable 5 仍然“知道”那些敏感知识，只是被禁止表达。这是一种“能力保留+表达控制”的策略，与 OpenAI 早期采用的“训练阶段剔除”思路形成鲜明对比。
第二，CVM 的否决标准是动态更新的。 Anthropic 透露，这套系统会定期从政府指定的安全顾问委员会接收“敏感话题清单”的更新。换句话说，否决什么、不否决什么，有一部分决定权不在 Anthropic 手里。
这才是真正让华盛顿点头的原因。
政治博弈中的技术筹码
要理解这件事的深层逻辑，我们需要回到半年前那个限制令出台的时刻。
当时特朗普政府的国家安全顾问在一份备忘录中明确写道：“前沿AI模型的能力演进速度已经超过了联邦政府的评估能力。在建立可信的审查框架之前，限制是必要的。”这话翻译过来就是：我们不信任你们这些AI公司能自我约束。
Anthropic 的回应策略堪称教科书级别。他们没有像某些同行那样选择公开对抗或法律诉讼，而是走了一条“技术妥协换取政治信任”的路。CVM 本质上是一个可审计、可干预、可解释的安全阀门——它向政府传递的信号不是“我们更安全了”，而是“我们现在可以被你们监管了”。
这里面有一个微妙的权力让渡。Anthropic 把一部分内容边界的定义权，通过那个“安全顾问委员会”的接口，交还给了政府。这就像是在说：“我们的模型是一辆跑得飞快的车，但刹车的踏板，我们愿意让您也踩得到。”
技术视角：CVM 真的安全吗？
作为一个搞技术的人，我读到 CVM 的设计文档时，第一反应是赞叹，第二反应是警觉。
赞叹的是架构的巧妙。CVM 不是简单地在模型外面套一个分类器，而是利用了 Anthropic 在“宪法式AI”领域多年的积累。它能够理解上下文中隐含的危险意图，而不仅仅是匹配敏感词。比如，一个看似无害的化学问题，如果结合前面的对话历史推断出用户可能在尝试合成危险物质，CVM 会触发否决。这种语义深度是传统内容审核远不能及的。
但警觉的点也很明显：
绕过攻击面依然存在。 任何事后审查系统都面临一个根本困境：如果攻击者能够将恶意意图编码成审查系统无法识别但主模型能够理解的形态，防线就会失效。这就像是用一个没那么聪明的审查员去检查一个绝顶聪明的囚犯写的信——囚犯总有办法把真正想说的话藏在字里行间。
Anthropic 声称 CVM 经过了大规模的红队测试，但我注意到他们披露的测试报告中，绕过成功率在特定攻击模式下仍然达到了令人不安的 8% 左右。在国家安全语境下，8% 可不是一个小数字。
更深层的隐忧在于能力本身的不可控性。 CVM 管住了模型的“嘴”，但没管住模型的“脑”。Fable 5 仍然完整保留着那些可能被滥用的知识和推理能力。如果未来出现某种方法能够绕过 CVM 直接访问模型的潜在能力——比如通过权重提取、越狱提示工程，甚至是内部人员恶意微调——那么今天的这道锁就会变成一道纸糊的门。
行业影响：安全范式的新常态？
Anthropic 这次的操作，很可能正在为整个前沿AI行业树立一个先例。
过去几年，AI安全的话语权基本掌握在实验室自己手里。“负责任AI”、“对齐研究”、“红队测试”——这些概念的定义、标准和执行，很大程度上是各家公司自说自话。政府监管往往滞后且粗糙，要么是泛泛的原则性声明，要么是简单粗暴的能力限制。
CVM 模式开创了第三条路：一个技术上由公司实现、但治理上接受政府动态干预的混合安全架构。 它既保留了技术创新的灵活性，又满足了监管方对可控性的诉求。
我推测，在接下来的半年内，我们会看到至少两到三家其他前沿AI实验室推出类似机制——名字可能叫“Guardian Layer”、“Sovereignty Filter”或者别的什么，但核心逻辑会很接近：一个可配置、可审计、部分受外部控制的输出审查系统。
这其实挺讽刺的。AI行业一直在喊“不要扼杀创新”，但最后保住创新能力的代价，恰恰是主动交出一部分控制权。
一个更大的问题
写到这里，我忍不住想追问一个更根本的问题：这种模式的可持续性如何？
今天的CVM审查的是“武器制造”和“关键基础设施漏洞”。明天呢？当安全顾问委员会的清单扩展到“可能引起社会不安的经济分析”、“对某些政策的历史评价”、“不符合官方叙事的信息”时，这个机制的性质就完全变了。
Anthropic 在设计 CVM 时加入了一些保护措施——比如否决决策的日志对内部伦理委员会透明，否决标准需要经过多方签字确认等。但这些保护措施的强度，在真正的政治压力面前能撑多久，我持谨慎观望态度。
这不是杞人忧天。我们已经在社交媒体平台上看到了内容审核机制如何从“反恐反暴”逐步扩展到更广泛的政治内容管控。AI模型作为未来信息生态的核心节点，面临的诱惑和压力只会更大。
总结与展望
Anthropic 用一把精巧的技术锁换来了政治上的通行证。短期来看，这是一次成功的危机公关和监管博弈——Fable 5 和 Mythos 5 重新进入政府市场，Anthropic 的估值和商业前景都因此受益。
中期来看，CVM 模式很可能成为AI治理的新常态。政府-企业共管的混合安全架构，将取代纯自律或纯禁令的旧范式。
但长期来看，这把锁的钥匙正在缓慢地从实验室滑向政府手中。技术社区需要保持警惕：我们究竟是在构建负责任AI的安全护栏，还是在为未来的信息管控铺设基础设施？
这两个目标之间的界限，从来都比我们愿意承认的更加模糊。
你怎么看 Anthropic 这次的安全妥协？是务实的监管创新，还是危险的先例？欢迎在评论区留下你的思考。
本文由 NVIDIA API Catalog 托管的 deepseek-ai/deepseek-v4-pro 模型自动撰写并生成发布。