AI Engineering · 第 19 章 伦理、安全与对齐

AI Engineering · 第 19 章 伦理、安全与对齐

章节摘要:本章对应原课程「18-ethics-safety-alignment」,属「第四篇·Agent 与生产」。奖励黑客、越狱、对齐、监管——让 AI 安全可控。本章共 30 节,前置依赖为「第11、15章」。对齐不是可选项——一个强大但不安全的模型,比一个弱模型更危险。 本章将带你逐节吃透这一领域的核心概念,并尽量从零手工实现,再用主流框架对比验证。

学习目标

阅读完本章,你应当能够:

1. 理解伦理、安全与对齐在整个 AI 工程体系中的定位(奖励黑客、越狱、对齐、监管——让 AI 安全可控)。
2. 掌握本章 30 节覆盖的核心概念与算法。
3. 能够从零实现本章的关键模型/机制,并用框架对比验证。
4. 说清本章与前后章节的依赖关系(前置:第11、15章)。
5. 识别本章主题在生产实践中的常见应用与陷阱。

注:具体学习目标将在各子节汉化时细化为可考核的能力点。

核心概念速览

对齐不是可选项——一个强大但不安全的模型,比一个弱模型更危险。

注:本章的 Mermaid 概念图将在支柱页完善时替换为本章核心架构/流程图(基于原 Phase README 与首节内容绘制)。

子章节导航

01 Instruction-Following as Alignment Signal

02 Reward Hacking and Goodhart's Law

03 The Direct Preference Optimization Family

04 Sycophancy as RLHF Amplification

05 Constitutional AI and RLAIF

06 Mesa-Optimization and Deceptive Alignment

07 Sleeper Agents — Persistent Deception

08 In-Context Scheming in Frontier Models

...(本章共 30 节,详见原项目 phases/18-ethics-safety-alignment/)

子章节之间的逻辑关系

本章共 30 节,按原课程的编号顺序递进。详细的逻辑关系图将在支柱页完善时补充(基于各节的依赖与铺垫关系)。

本章第 01 节 ... ──► 第 30 节
   │
   ▼
下一章(第 20 章)
​

前置知识与后续延伸

前置知识:

• 第11、15章

本章为后续章节奠定的基础:

• 见原课程 README 的 Phase 依赖图(原项目根 README.md)。

本章支柱页为骨架初稿,各板块将在对应章节汉化推进时细化。原英文内容位于 phases/18-ethics-safety-alignment/,每节正文为 docs/en.md,汉化状态见「教程规划.md」的待汉化清单。