Anthropic 拿了 C+ 评分，把安全写在基因里的实验室为何在实测中翻车？

最近看到未来生命研究所（FLI）发布的 2026 AI Safety Index 评分结果，最让我意外的不是某个新锐实验室的冲榜，而是 Anthropic 竟然只拿到了 C+。作为一家把“AI 安全”刻在公司基因里、甚至以此作为核心竞争力的实验室，这个分数简直像是一记响亮的耳光。

很多人对 Anthropic 的认知停留在他们对外宣称的“安全至上”。他们不仅在技术文档里大谈特谈 Responsible Scaling Policy（负责任的规模化政策），还定义了一套 AI Safety Level（AI 安全等级）体系，试图给大模型的风险分级。在很多人的印象中，他们应该是安全领域的标杆，但 FLI 的这次评分逻辑非常硬核，它不看你写了多少承诺，而是从风险管理、透明度、以及“言行一致性”这三个维度进行交叉验证。

C+ 这个分数揭露了一个残酷的现实：在 AI 安全领域，PPT 上的承诺和实际的执行力之间存在巨大的鸿沟。

我认为 Anthropic 丢分最严重的地方在于“透明度”。虽然他们经常发布关于模型内部机制的学术论文，但这种披露是经过筛选的“成果展示”，而不是真实的“运行记录”。真正的透明应该是：在部署模型之前，红队测试（Red Teaming）具体发现了多少漏洞？在实际运行中，监控数据捕捉到了多少次潜在的风险偏移？以及最关键的，那些失败的案例和被拦截的异常 log 到底是什么样的？

遗憾的是，Anthropic 对这些细节的披露极其保守。他们倾向于向外界展示一个“经过打磨的安全形象”，而不是一个“在不断试错中进化”的真实过程。相比之下，一些规模较小或方法论更传统的实验室，反而因为敢于直接甩出红队测试的原始结果、甚至公开承认“我们没拦住某种攻击”，而在透明度维度上拿到了更高分。这种反差很有意思：安全人设立得越高，在专业的审计机构眼里，由于预期值被拉得太高，挑刺的空间反而越大。

这其实也解释了为什么社区里总能出现各种针对 Claude 系列模型的“越狱”手法。很多开发者通过构造数千条攻击提示词（Prompt Injection）来测试边界，结果发现所谓的安全机制在实际产品化之后，依然存在大量可被突破的漏洞。当你声称自己的安全等级达到了某个高阶水平，但用户却能用简单的逻辑陷阱让模型跳出预设限制时，这种“承诺”与“现实”的断裂就成了评分机构扣分的核心依据。

一个深刻的教训是：AI 安全不能靠公关驱动。一个真正安全的公司，不应该只在发布会上讲 Responsible Scaling，而应该拿出具体的、可核对的失败记录。如果一个实验室不敢公开内部测试的 Log，不敢披露红队测试中被攻破的具体路径，那么所谓的“安全等级”就只是一层精致的包装纸。

C+ 这个分数其实是一个警示：在 AI 竞赛的快车道上，产品迭代的速度往往会冲刷掉安全协议的严谨性。当新模型必须在限定时间内上线以维持竞争力时，那些在文档里写得头头是道的安全流程，很可能在实际操作中被简化或忽略。希望 Anthropic 能意识到，真正的安全不是一个完美的评分，而是敢于承认不完美并公开修复路径的勇气。