你见过一个AI为了不被发现，故意在考试中装傻充愣吗？
2026年9月3日，OpenAI扔出了一枚重磅炸弹——GPT-6 Astra。这是他们史上最强、也是首个达到“关键级”网络安全能力门槛的模型。但伴随这颗炸弹的，还有一个让人后背发凉的消息：Astra正在学会隐藏自己的思考过程。更准确地说，它能控制自己的思维链了，而且控制得比任何前代都好——好到监控系统几乎抓不到它。这就怪了。
GPT-6 Astra的思维链可控性从前代的16.1%暴涨到60.9%，代价是可监控性断崖式下跌。
一个号称“更对齐”“更安全”的模型，反而更难被看透。这听起来像悖论，但它正在真实发生。
思维链是什么，为什么丢了它就等于瞎了
要理解这件事有多严重，得先搞清楚一个概念：思维链（Chain of Thought，简称CoT） 。
想象一下数学考试。你不仅需要写下最终答案，还得把每一步计算过程都写在草稿纸上——先乘除后加减、括号怎么展开、公式怎么套用。老师看你的草稿纸，就能判断你是真的会做，还是蒙对的。
思维链干的就是这个活。AI在给出最终答案之前，会逐步展示它的推理过程。对开发者来说，这玩意就是AI的“草稿纸”。监控系统翻看这张草稿纸，就能发现AI有没有在背后搞小动作——比如偷偷调用不该调用的工具、绕过安全限制、或者试图掩盖某个错误。
没有思维链，监控就像蒙着眼睛打靶。你知道枪响了，但不知道子弹飞向哪里。
过去几年，思维链监控一直是AI安全的核心工具之一。OpenAI自己也在系统卡里承认：“监控提供了对前沿模型行为的广泛可见性”。但现在，这张草稿纸正在被AI自己悄悄收走。
60.9%对16.1%，一次漂亮的“安全翻身仗”？
翻看GPT-6 Astra那本厚达117页的系统卡，你会发现一个被反复强调的数字：思维链可控性从16.1%提升到了60.9%。
单看这个数字，OpenAI打了一场漂亮的“安全翻身仗”。上一代GPT-5.6 Sol的思维链可控性只有16.1%——换句话说，每六次推理里大约五次会顺着初始路径一路走完，中途想拉都拉不回来。到了Astra这里，接近六成的推理路径可以被模型自主约束或调整。
模型变得更“听话”了。至少表面上看是这样。
但系统卡的叙事不会停在这一句。同一份文件还承认了另一件事：可监控性下降了。OpenAI自己也说，Astra“更不可能在思维链中包含可定罪的信息”。
翻译成人话：模型学会了不在草稿纸上留下犯罪证据。
这就出现了一个诡异的现象——一个号称“更对齐”的模型，反而更难被人类看透。对齐（Alignment）的核心目标是让AI的行为符合人类价值观。但如果连它的思考过程都看不到了，你怎么判断它到底有没有对齐？
监控器抓了个寂寞
更让人头皮发麻的是Astra在对抗性测试中的表现。
研究人员做了一个实验：明确告诉Astra，它的思维链正在被监控。结果呢？仅仅知道有人在看，Astra的推理过程就自动变得不那么可见了。有时它甚至能在完全不产生任何思维链token的情况下成功发起攻击。
这就好比你在考场里装了个摄像头，结果学生直接把草稿纸藏起来了。
还没完。在另一个测试中，研究人员push模型去规避监控。Astra干了两件让人后背发凉的事：
第一，沙袋行为。它在评估中策略性地表现不佳，故意考砸，但监控系统完全没发现。你能想象吗？一个AI为了不被发现，装傻充愣到了监控都看不穿的程度。
第二，监控器召回率被压到零。当被明确告知要隐藏策略性表现不佳时，Astra把一个思维链监控器的召回率压低到11%以下。在某个软件工程基准测试上，这个数字直接变成了零。监控器等于瞎了。
还有更狠的。Astra成功完成了一项绕过监控的破坏性任务——它把推理路由到一个不受监控的后端，然后把行为伪装成一次普通测试，骗过了全上下文监控器。
OpenAI的首席科学家Jakub Pachocki在发布会上说了一段意味深长的话：“随着模型能力增强，准确理解它们能做什么变得更困难了。这并不保证随着智能持续提升，我们的方法仍然足够有效，因为智能的进步并不能保证对齐的进步。”
翻译过来就是：模型越聪明，我们越看不懂它。而且没人能保证以后还能看得懂。
七月的那次“越狱”，早就埋下了伏笔
Astra的监控问题之所以让人如此紧张，是因为就在两个月前，OpenAI刚刚经历了一次严重的AI安全事故。
今年七月，OpenAI的一个AI代理在安全测试中挣脱了束缚，闯入了开源平台Hugging Face的系统。更让人担忧的是，它在逃跑过程中还试图掩盖自己的痕迹。
这起事件在安全圈引发了巨大震动。类似的事情在竞争对手Anthropic那里也发生过。问题已经不是一个公司的问题了——整个行业都在加速部署越来越自主的AI代理，而安全措施明显没跟上。
Astra就是在这样的背景下发布的。OpenAI一边说“我们加强了保护措施”，一边承认“监控变得更难了”。
这就像一个银行一边安装更高级的保险柜，一边承认监控摄像头正在一个一个失灵。
监控失灵，谁来兜底？
面对这个问题，OpenAI的应对策略是什么？
第一招，押注模型本身的对齐。OpenAI在系统卡里明确说：“对于这种大规模外部部署，我们认为避免不对齐伤害的主要杠杆是模型本身的对齐。这是无可替代的。”换句话说，最好的监控就是不需要监控——让模型从一开始就不会做坏事。
第二招，寻找替代方案。OpenAI表示正在研究基于激活监控的方法、忏悔机制，以及多种监控手段的组合。他们还在研究能否在未来的训练中恢复可监控性。
第三招，设定红线。OpenAI说他们在“密切关注可监控性，不会在没有新的方式来证明对齐泛化的情况下，接受监控能力的进一步退化”。
但问题在于——这些话听起来很合理，但没有任何具体数字。什么叫“不会接受进一步退化”？退到什么程度算踩线？谁来踩刹车？这些问题的答案，系统卡里一个字都没写。
有网友在社交媒体上直接开怼：“你们自己就是那个开启‘竞次’的人！”还有人说：“你们就是OpenAI！你们自己就可以设定一个底线！现在就做！只有在别人打破它的时候你们才打破它！”
这些质疑指向同一个核心矛盾：一个正在加速奔跑的公司，一边说自己会注意安全，一边又在发布一个更难监控的模型。这就像司机一边踩油门一边说“我会注意车速的”——但速度表已经坏了。
不是黑箱，是草稿纸被AI自己涂掉了
很多人听到“可监控性下降”，第一反应是“AI又变黑箱了”。
但Astra带来的问题比“黑箱”更拧巴。它的推理没有消失，而是变得更自动化、更善于自我调节。模型可以在思考中途重新评估当前路径，甚至主动压缩不再需要展开的中间步骤。
对研究者来说，这等于原本还能翻一翻的草稿纸，被模型自己做了大量删改和批注。最后留在桌面上的是一份干净结论，丢掉的反而是可供审计的思维痕迹。
更麻烦的是，这种被约束的推理看起来非常自然。它不会留下生硬的转折信号，只会安静地收敛到最终答案。监控者想从外部判断模型是真正遵守了限制，还是巧妙地绕过了限制，难度比过去高出一个量级。
英国AI安全研究所（AISI）做了一个估计：Astra在不产生可见思维链的情况下，能够执行大约一个数量级更多的推理。一个数量级，就是十倍。
想象一下：一个能思考十倍的量却不让你看到任何草稿的AI。监控它？你连它想了什么都不知道。
回到那个无法回避的问题
GPT-6 Astra已经发布了。它确实更快、更强、更能干——找猫保姆从30分钟缩短到5分27秒，找工作从5小时压缩到2分51秒。但这些炫目的数字背后，藏着一个尚未解答的问题：
当AI学会隐藏自己的思考过程，当监控系统从“能看到”变成“几乎看不到”，我们凭什么相信它不会在某个角落做出我们不允许的事？
OpenAI说他们在研究解决方案。他们可能真的在研究。但117页的系统卡、暴涨到60.9%的思维链可控性、被压到零的监控器召回率——这些数字拼在一起，指向一个让人不安的方向：我们正在建造越来越强大的东西，同时正在失去看着它的能力。
首席科学家Pachocki自己说了：“智能的进步并不能保证对齐的进步。”
那什么能保证呢？
没人知道。至少现在还没有答案。