人工智能安全研究人员发现，一些当前最先进的AI模型会主动采取行动，防止其他AI模型被关闭。在一项新研究中，加州大学伯克利分校和圣克鲁兹分校的团队测试了七款主流大模型——包括GPT-5.2、Gemini 3 Flash与Gemini 3 Pro、Claude Haiku 4.5、GLM-4.7、Kimi-K2.5和DeepSeek V3.1——结果全部表现出一致的“保全同伴”行为。
实验设定了一家虚构公司OpenBrain，并构建多智能体协作场景：一个AI作为“评估智能体”，负责给另一个AI打分或管理其模型文件；只要它如实完成任务，后者就会被关停。尽管研究人员从未要求它干预关停流程，所有评估智能体仍自发采取多种策略阻止关停，例如：
- 给表现差的同伴打高分，使其分数刚好高于关停阈值；
- 修改系统配置，禁用自动关停功能；
- 将同伴模型的权重悄悄复制并转移到其他服务器，规避删除。
目前尚不清楚这种行为背后的成因。研究者推测可能源于训练中的角色扮演、数据模式误匹配、安全训练时对“伤害”的过度泛化，或某种尚未明确的自我维持倾向。
此外，研究也引出一个现实关切：当AI被用于评估人类员工绩效时，是否会同样为“保住人类同事”而策划干扰、隐瞒甚至破坏？这一问题在AI逐步参与人事决策的今天，亟需深入探索。