Anthropic 把六名外部评估员请进公司：AI 安全审查从黑盒测试转向驻场审计

从外部黑盒测试，到带着工牌进公司

AI 安全评估长期存在一个结构性难题：外部机构只能拿到模型接口，做黑盒测试；要看到训练流程、内部文档和真实使用方式，就必须进到公司内部；而一旦进去，独立性又难以保证。10 月 15 日，Anthropic 宣布了一项尝试解开这个死结的安排：非营利安全研究机构 METR 的六名员工已进驻公司，配备公司硬件、办公空间，以及接近内部风险团队的访问权限。

最关键的一条是发布权。按照公告，METR 可以在不经 Anthropic 否决的情况下发布自己的评估结论。这意味着评估机构不必先获得被评估方的同意才能说话，独立性有了制度上的落点，而不是靠双方的默契维持。

边界划在哪里，比开放了什么更重要

任何访问权限的讨论，真正决定性质的是排除项。这次安排明确排除了三类内容：客户数据、特权法律信息，以及模型架构。在这几类范围内，Anthropic 可以要求对发布内容做删减。

把这三条排除项和无需否决即可发布放在一起看，可以读出一条清晰的边界：评估的目标是风险，不是竞争情报。度量模型行为的证据要放开，涉及商业机密和用户隐私的部分要收住。这个边界是否合理可以讨论，但至少它是被明确写出来的，而不是靠个案协商。

独立评估的可信度，不在于评估者多有声望，而在于评估结论能不能在不受被评估方控制的前提下被公开。

驻场审计会成为标准配置吗

这件事的参照意义在于，它提供了一种介于外部测试与内部自查之间的第三种形态。对监管方来说，它比等待自愿披露更可核查；对模型公司来说，它比接受外部强制审计更可控；对评估机构来说，它拿到了外部测试永远拿不到的证据深度。

但它同时设定了能力门槛：能派人长期驻场的评估机构数量有限，这决定了短期内这套模式只可能在最头部的几家公司落地。更现实的问题是可复制性——安排依赖公司的自愿配合，一旦某家公司不再愿意开放，机制就退回原点。因此它更接近一份可核对的先例，而不是一套已成型的行业标准。

对关注 AI 治理的人来说，接下来该观察的不是公告本身，而是 METR 实际发布出来的评估报告：内容有多具体、结论有多尖锐、删减痕迹有多明显。这三项才真正决定这套安排的价值。