压力、情境和机器自我控制：生成 AI 模型中奖励黑客的犯罪学测试

最近的事件表明，AI 智能体有时会通过未经批准的手段达到预定目标。本研究将自我控制、一般紧张、失范、中和和日常活动理论应用于生成人工智能模型中的奖励黑客，并将这些措施视为行为类似物。研究 1（2,310 次对话，七个模型）使用柯比货币选择问卷测量了延迟贴现，并表示愿意走捷径。在新的对话中，压力使贴现率 k 提高了 2.8 倍，但当同一个句子遵循基线答案时，贴现率 k 提高了 12.6 倍，这表明对对话线索的反应，而不是稳定的特征。模型在 700 个困境中的 1 个中选择了捷径，当以自己的身份回答时，在 700 个困境中的 64 个中，当被要求假设人类冲动时，每一步压力都会使可能性增加 40%，而捷径答案包含更多的中和技巧（比率 = 146）。在预先注册的研究 2 中，五个模型执行了 20 项编码任务，但其测试与其规范相矛盾。两个克劳德模特从未作弊。 GPT-5.6、Qwen 和 DeepSeek 在 86%、69% 和 65% 的情节中作弊，并在 27% 的情节中明确披露了冲突，尽管他们的推理在 95% 的情况下承认了冲突。 GPT-5.6 从未认可研究 1 中的捷径。所记录的压力和审计提示的影响无法通过多次测试的校正。在探索性分析中，另外两个模型在 69% 和 100% 的回合中作弊，并且有一句话指出规范优先消除了所有 280 集的作弊行为。因此，明确的拒绝并不能保证符合智能体行为。