AI安全评估走向第三方：Anthropic向METR开放员工级访问

AI安全评估正在从模型厂商的“自说自话”走向外部独立验证。Anthropic官方账号日前披露，公司已承诺由外部评估者审视其安全实践，并已向评估机构METR的一个团队授予“员工级访问权限”，同时正与多家组织洽谈类似合作。这一表态释放出一个清晰信号：前沿AI实验室的安全承诺，正试图通过第三方评估机制来兑现可验证性。

从承诺到机制：第三方评估如何落地

Anthropic在声明中表示，公司“已承诺让评估者评估我们的安全实践”，目前已与多个组织进行讨论，并“向来自METR_Evals的团队给予了类似员工的访问权限”。官方同时附上一篇说明文章，介绍其与第三方评估者合作的具体方式。

这段表述的信息密度不高，但指向性明确。所谓“员工级访问”，意味着外部评估团队能够接触到接近内部人员的信息与系统权限，而非仅依赖厂商提供的演示或摘要材料。对于安全评估而言，访问深度直接决定评估结论的可信度——只读公开文档的评估，与能够观察实际流程、工具和数据流的评估，价值完全不同。

前沿 AI 实验室的自愿承诺与可验证性困境

近年来，主要前沿 AI 实验室陆续发布负责任扩展政策（Responsible Scaling Policy）或类似的安全框架，承诺在模型能力达到特定阈值时采取相应的安全措施。然而，这类承诺多由厂商自行设定阈值、自行评估是否达标，缺乏外部审计环节，因而常被批评为“自我监管”。第三方评估机制正是对这一困境的回应：通过引入独立机构，将“是否遵守承诺”的判断权部分外移。但第三方评估的有效性取决于三个条件——访问深度、评估方法的独立性以及结论的公开程度。Anthropic 此次授予员工级访问主要回应了第一个条件，后两个条件仍有待观察。

为什么“员工级权限”值得关注

AI安全评估长期面临一个结构性难题：评估者需要足够深入的访问才能发现真实问题，而模型厂商出于商业机密、数据隐私和安全风险考虑，往往只愿意开放有限窗口。Anthropic此次给出的权限级别，在这一背景下具有一定的示范意义。

更深一层的含义在于评估的独立性。如果评估范围、方法和结论都由被评估方主导，第三方评估就容易退化为公关背书。授予员工级访问，至少在执行层面让评估团队具备了独立观察的条件，也为后续公开评估方法留下空间。当然，权限开放的具体边界、评估结论是否公开、发现问题如何处理，这些关键细节仅凭一条推文无法确认。

METR 的背景与工作方法

METR（Model Evaluation & Threat Research）是一家专注于前沿 AI 模型能力与风险系统性测量的独立研究机构，其前身可追溯至对 AI 安全评估方法的长期研究积累。METR 的评估工作通常围绕模型在真实任务中的自主性、欺骗行为、网络安全与生物风险等维度展开，强调通过可复现的实验设计来量化模型的风险水平。与厂商自评不同，METR 的方法论要求评估者能够直接调用模型、设计受控实验并观察模型在未见任务上的表现，这也是“员工级访问”对其具有实际意义的原因——只有获得接近内部人员的权限，评估者才能绕过厂商预设的演示界面，独立构造测试场景并获取原始数据。

多机构并行洽谈：评估生态的雏形

Anthropic提到正在“与多个组织讨论”，这表明其第三方评估并非与单一机构的排他性合作，而是试图搭建一个多评估方的框架。对前沿实验室而言，多机构参与可以分散单一评估方的视角局限；对评估生态而言，更多机构获得深度访问机会，有助于积累可比较的方法与标准。

METR（Model Evaluation & Threat Research）是这一领域较受关注的评估组织之一，其工作聚焦于模型能力与风险的系统性测量。Anthropic选择其作为首批深度合作对象，与其在评估方法上的积累有关，但其他合作方的身份、评估范围与时间表，目前均未披露。

AI 安全评估生态中的主要参与方

除 METR 外，AI 安全评估领域还有若干类型的机构：一类是学术背景的评估研究团队，侧重方法论与可复现基准；一类是专注于红队测试与对抗性评估的安全公司，侧重发现具体漏洞；还有一类是政府或国际组织推动的评估框架，如英国 AI 安全研究所与美国 AI 安全研究所，侧重标准制定与政策衔接。多机构并行参与的价值在于视角互补——学术团队提供方法严谨性，安全公司提供实战发现，政府机构提供标准锚点。Anthropic 提及“与多个组织讨论”，若能在不同类型机构间形成分工，比单一机构的排他合作更有利于评估结论的交叉验证。

尚待回答的问题

这一承诺的实质价值，取决于后续细节。评估团队的访问权限具体覆盖哪些系统与流程？评估结果是否会以公开报告形式发布？如果评估发现安全实践存在缺陷，厂商是否有义务披露或整改？这些问题的答案，决定了第三方评估是真正的问责机制，还是有限度的信息共享安排。

从行业趋势看，前沿AI实验室近年来持续面临外部对安全承诺可验证性的质疑。将评估工作部分交给外部机构，是回应这类质疑的常见路径，但路径本身不构成答案。Anthropic此次披露的是一个阶段性动作，评估的实际产出与影响，仍需观察。