安全对齐的核心局限在于：对齐训练依赖对「有害意图」的分类判断，而医疗、法律等专业场景中的风险往往隐藏在语义无害的表述里；模型学到的是「什么样的提问像有害请求」，而非「什么样的回答会造成真实伤害」。