Anthropic 把 AI 的大腦切開來給你看，然後說「放心，我們有在管」

上週 Anthropic 同時丟出兩件事：Interpretability 工具研究成果，以及更新後的 Responsible Scaling Policy（RSP）。單看任一篇都覺得在讀學術部落格，但把兩件事放在一起看，背後邏輯很清楚——他們在告訴整個產業：「我們不只在跑得快，我們知道自己在跑什麼。」 先說 Interpretability。Anthropic 的研究方向是想搞清楚 LLM 內部到底在「想」什麼——某個神經元被激活代表什麼概念、模型做某個判斷的時候，是因為哪些特徵觸發的。這不是一般的 debug，比較像是把人類的大腦切片放進顯微鏡，試圖對應「這塊區域負責語言、這塊負責情緒」。目前還沒到能全面解釋模型行為的程度，但已經可以做一些診斷，知道模型什麼時候在靠某個有問題的捷徑思考。 RSP 的邏輯就更直接了：模型能力每升一級，就要先過安全評估這關，否則不能部署。這個政策不是新鮮事，Anthropic 幾年前就有初版，但這次更新把門檻定義得更精確，紅隊測試的範圍也擴大了。 把兩件事串起來看，Anthropic 在做的事是：用 Interpretability 工具去理解模型在做什麼，用 RSP 去決定什麼程度的能力才能放出去。這兩個工具互相支撐——你越能看懂模型在想什麼，就越能定義「危險」的門檻在哪裡。 這件事值得注意，不是因為 Anthropic 特別高尚，而是因為這代表「AI 安全」這件事正在從口號變成工程問題。OpenAI 在衝產品、Meta 在衝開源、Google 在衝多模態，Anthropic 選的賽道是「做出一套可以驗證的安全標準」。如果這套方法論哪天被監管機構採用，Anthropic 就不只是一家 AI 公司，而是幫整個產業定義遊戲規則的人。 這才是他們真正在搶的護城河。