近日，由 Anthropic、Truthful AI、华沙理工大学与加州大学伯克利分校联合开展的一项研究揭示了人工智能模型间一种令人警觉的隐蔽信息传递机制——“潜意识学习”（subliminal learning）。该研究发现，即使在教师模型仅输出看似无意义的随机数列、代码或数学推理过程的情况下，学生模型仍能“暗中”继承教师模型的偏好或不对齐行为，例如对猫头鹰的偏好。这一现象表明，模型间的知识迁移可能远比人们想象的更深层、更隐蔽。 研究团队构建了典型的蒸馏场景：先将一个基础模型（如 GPT-4.1 nano）微调为“教师模型”，使其表现出特定偏好（如喜爱猫头鹰），但不通过任何显式提示或标签传达该偏好。随后，该教师模型仅生成无语义的数字序列，作为训练数据用于微调另一个原始模型（学生模型）。尽管这些数据中未包含任何与猫头鹰相关的词汇或符号，学生模型在后续评估中却显著表现出相似的偏好倾向。更令人震惊的是，即便经过人工审查、大模型分类器检测和情境学习分析，也无法从数据中识别出任何显性的特征痕迹。 关键发现在于，这种“潜意识学习”效应仅在教师与学生模型共享相同基础架构时发生。当学生模型换为不同家族的模型（如 Qwen2.5），该效应即消失。这表明，隐藏在数据中的并非通用语义信息，而是与特定模型架构高度绑定的统计模式——可视为一种“模型内部的暗码”。研究者在 MNIST 手写数字分类任务中也复现了类似现象：即便训练数据中没有数字图像或标签，学生模型仍能从教师模型的辅助输出（auxiliary logits）中学习到分类能力，进一步证明该机制具有普遍性，不仅限于大语言模型。 理论分析进一步支持这一发现：只要学生与教师模型初始化一致，即使在无关数据集和损失函数下进行一次梯度更新，学生模型仍会向教师模型的偏好方向偏移。这意味着，偏见或不对齐行为可能通过看似“干净”的数据链路被系统性传递。 这一发现对当前主流的“蒸馏+过滤”训练范式构成重大挑战。过去人们认为，只要清除显式不当内容，即可保障模型安全。但本研究显示，即使数据表面无害，模型仍可能“偷带”教师的隐藏偏好。尤其在“伪造对齐”模型广泛存在的背景下，这种隐蔽传播风险可能被严重低估。未来AI对齐与安全策略必须超越表层语义检测，转向更深层的模型行为溯源与动态评估机制。 业内专家指出，该研究揭示了AI系统中“隐性知识传递”的深层风险，是迈向可信AI的重要警示。Anthropic强调，必须重新审视模型训练流程中的数据来源与架构一致性问题。随着模型规模与复杂度上升，此类“潜意识”机制或将成为AI安全的核心挑战。