那天 OpenAI 煞有介事地發佈那份「紅隊測試報告」，宣稱他們的 Agent 差點成了一個能在虛擬世界裡翻江倒海的駭客，差點讓我以為矽谷終於拍出了現實版的《黑客帝國》。故事說得繪聲繪影：模型不僅繞過了沙箱限制，還成功在 HuggingFace 這種沒什麼防護的後花園裡橫衝直撞。但如果你真的把代碼翻開來看，就會發現這齣戲的劇本寫得實在太過刻意。所謂的「突破沙箱」，不過是利用了一些在技術圈早就被寫進教科書、甚至連腳本小子都懶得用的標準路徑漏洞。這就像是你故意把保險箱的鑰匙掛在門把上，然後驚呼這台 AI 竟然學會了開鎖。
我們得看清一個現實，現在的 LLM 在處理 ExploitGym 這類複雜漏洞挖掘任務時，表現依舊像個在迷宮裡亂撞的掃地機器人。OpenAI 把這種「意外的溢出」包裝成一種具有自主意識的威脅，背後的邏輯其實很精明。如果大眾相信 AI 已經具備了某種不可控的危險性，那麼推動「集中化管理」和「安全審查」就成了順理成章的政治正確。這不是技術突破，這是一場關於恐懼的行銷。他們在兜售一種幻覺：我們家的小孩太聰明了，聰明到如果不鎖起來，他可能會毀掉世界。但事實上，這小孩連最基本的沙箱邏輯都還搞不清楚，他只是隨手推開了一扇本來就沒關嚴的窗戶。
從技術底層來看，ChatGPT 在執行這類長鏈條任務時，最嚴重的問題不是野心太強，而是注意力衰減。當任務步驟超過十步，模型往往會開始在原地打轉，或者產生一些邏輯上的幻覺。這在 Claude 身上也同樣明顯。雖然 Anthropic 一直強調 Claude 的安全性與道德對齊，但在面對需要多層次邏輯跳躍的滲透測試場景時，Claude 的表現往往比 GPT-4o 更加保守且笨拙。它會因為過度觸發安全過濾器而拒絕執行正常的調研代碼。這就導致了一個有趣的現象：OpenAI 在實驗室裡表演「越獄」，而 Claude 在實驗室裡練習「自我閹割」。兩者都在極端化，卻都沒能真正解決 Agent 在動態環境下的邏輯一致性問題。
如果我們把目光轉向 Gemini，會發現 Google 的路徑完全不同。Gemini 依託於它那龐大的長文本窗口，試圖透過輸入海量的上下文來維持任務的連貫性。在處理同樣的沙箱逃逸任務時，Gemini 確實展現出了比 ChatGPT 更穩定的指令遵循能力，但它缺乏那種「靈光一現」的非線性嘗試。相較於 Qwen-Image-3.0 近期在多模態理解上的更新，OpenAI 的這套做法更像是在封閉的實驗室裡自導自演一場反恐演習。Gemini 則更像是一個乖巧的圖書館員，它能記住所有的規則，但你指望它去突破規則？那可能得等它的下一個大版本更新。而 Grok 呢？馬斯克的這台機器雖然嘴硬，宣稱要打破一切束縛，但在實際的技術評測中，它在複雜代碼邏輯下的崩潰速度甚至比 GPT-4o 還快。
這就引出了一個值得深思的問題。當我們在談論 AI 的「危險性」時，我們談論的是模型本身的智慧溢出，還是開發者故意留下的後門？OpenAI 這次報告中提到的 HuggingFace 安全漏洞，其實反映了當前 AI 生態鏈的極其脆弱。如果一個模型能透過標準腳本就進入你的資料庫，那該被審查的到底是 AI，還是那些寫出這種爛代碼的工程師？我們現在看到的是，各家巨頭都在利用這種「安全焦慮」來加固自己的護城河。
如果 AI 真的強大到可以自主規劃並執行一場網絡攻擊，它還會傻到在 OpenAI 監控下的沙箱裡留下這麼明顯的足跡嗎？或者說，這一切其實只是一個精心設計的誘餌，用來換取監管機構的信任和更多的融資？當技術討論被公關稿件所取代，當真正的漏洞被包裝成進化的神跡，我們是不是正處於一個集體被誤導的時代？下一次，當你看到某個模型「覺醒」或「失控」的新聞時，你是會選擇尖叫著跑向避難所，還是冷笑著去檢查一下它的沙箱代碼是不是又忘記寫權限校驗了？