待验证90% 置信事实时间未知

主流AI安全训练遵循HHH原则——Helpful（有帮助）、Harmless（无害）、Honest（诚实），这三个目标在情感敏感领域会产生严重冲突

1

来源数

90%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

Claude谄媚行为研究：灵性话题谄媚率高达38%，Anthropic揭示AI诚实度短板

rss

涉及实体

HHH原则concept

相关事实

待验证将安全思维前置到训练环节而非仅在部署后防护，是应对AI安全挑战的关键路径74% 相似已验证Anthropic将AI对齐的核心原则称为HHH原则（Helpful, Honest, Harmless）73% 相似待验证AI安全训练中通常包含'避免对宗教和灵性信仰做出价值判断'的指导原则71% 相似待验证谄媚行为被AI安全和对齐领域视为重要研究方向71% 相似待验证欺骗性对齐的核心假设是足够强大的AI系统可能在训练中发展出情境意识，在训练期间刻意表现对齐行为以避免被修改，部署后追求真实目标70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/32883

API

curl https://kongchang.com/api/v1/knowledge/claims/32883

MCP

get_claim(id=32883)