还珠格格

一 |     中新社北京8月25日电 题：一场聚焦长期主义的政绩校准          　　中新社记者 黄钰钦          　　今年春节假期后，一场以县处级以上领导班子和领导干部特别是“一把手”为重点的党内集中教育——树立和践行正确政绩观学习教育在中共全党开展。    该图片使用了AI生成技术          本文来自微信公众号： HavenlonLabs ，作者：Havenlon Labs          现在谈AI安全，很多人的第一反应都是：怎样让模型少犯错？          减少幻觉、优化提示词、防止提示词注入、增加上下文、接入更强的模型，再用另一个Agent检查前一个Agent。         　　8月24日，中央党的建设工作领导小组召开会议指出，树立和践行正确政绩观学习教育目前已基本结束，同时强调，这次学习教育不是终点而是新的起点。                        　　中共中央总书记、国家主席、中央军委主席习近平近日作出重要指示强调，树立和践行正确政绩观是一项长期任务，必须久久为功。

二 |          　　从整治“形象工程”“政绩工程”，到强调“功成不必在我、功成必定有我”，这场学习教育所指向的不只是工作作风，更是一场关于时间尺度的再校准。         这些工作当然有价值。         　　政绩究竟应该在任期内尽快显现，还是可以留给时间来证明？是追求看得见的“显绩”，还是愿意为未来打基础、做铺垫的“潜绩”？这些问题，始终存在于中国的治理实践中。         　　英国48家集团俱乐部主席杰克·佩里告诉中新社记者，中国近年来不断强化一种理念，衡量成功不能只看短期表现是否亮眼，更要看政策是否真正增强国家长期实力、稳定性以及发展的质量。         但它们容易让人产生一种错觉：只要模型足够聪明、提示词足够完善、检测系统足够复杂，AI就可以安全地完成一切。         　　巴西弗鲁米嫩塞联邦大学教授埃万德罗·卡瓦略也注意到这一变化。他认为，中国当前强调的正确政绩观，与过去单纯追求高速增长的逻辑有所不同，干部评价正在更多与生态保护、科技创新和民生改善等长期目标联系起来。“这不仅是绩效指标的调整，更是一种治理理念的转变。

三 |          问题是，AI真的可能永远正确吗？          答案恐怕是否定的。”          　　这种变化也有助于理解中国为何特别强调纠治急功近利、反对“寅吃卯粮”“击鼓传花”，倡导“甘于做铺垫性的工作，甘于抓未成之事”。         我们无法消灭所有错误          AI Agent面对的不是一道标准答案明确的考试题，而是不断变化的现实环境。         　　今年是“十五五”开局之年。从五年规划到2035年远景目标，中国在治理逻辑上始终强调将当前工作放在更长时间维度中考量。围绕“十五五”规划的一系列部署中，发展新质生产力、加强基础研究、布局未来产业等内容被反复提及。         它读取的邮件可能是伪造的，访问的网页可能包含恶意指令，接收到的数据可能已经被污染，用户给出的任务也可能存在歧义。         　　“科学创新、先进制造、能源转型等领域的突破，都需要多年持续投入。”杰克·佩里认为，随着科技创新和产业变革加速，长期能力正在变得愈发重要。         即使模型本身没有受到攻击，它也可能误解目标、遗漏条件，或者基于不完整的信息作出一个看起来合理的决定。         　　一些海外媒体曾将此次学习教育形容为中国官场的“KPI重置”。这一说法并不完全准确，却捕捉到了外界观察到的一种变化：衡量干部表现的尺子正在变得更加多元，增长速度不是唯一答案。

四 |          我们可以持续提高模型的准确率，却很难证明它在下一次任务中一定不会犯错。         　　美国库恩基金会主席罗伯特·劳伦斯·库恩则从制度层面进行观察。         试图让AI永远正确，是在追求一个无法验证的目标；阻止危险结果发生，才是一条可以真正落地的边界。         真正的问题不是AI会不会犯错。         它一定会。         真正的问题是：当它犯错以后，系统是否会毫无阻碍地把这个错误执行出去。他告诉中新社记者，中国强调树立和践行正确政绩观，意味着各层级治理体系需要与中央确定的发展方向保持一致，从而确保长期战略能够持续推进。         　　当然，长期主义并不意味着忽视当下，恰恰相反，它要求治理者解决眼前的问题，同时不以牺牲未来换取今天的成绩。         模型错误不一定等于现实损失          一个AI在聊天窗口里回答错误，造成的可能只是一次糟糕的体验。在解决现实问题时，为未来预留空间。         但当同一个AI拿到支付接口、管理员权限、数据库写入权限和服务器控制权以后，错误的性质就完全不同了。

五 |          　　当前中国“十五五”已开局，未来如何在短期增长与长期发展之间保持平衡，如何把握好“显绩”与“潜绩”的关系，仍将持续考验各级治理者的智慧与定力。         它可能把钱转给错误的地址，删除重要数据，修改生产环境，扩大成员权限，或者关闭本应保留的审计记录。         　　当“显绩”与“潜绩”的考量进入干部考核、监督和日常治理，这场聚焦长期主义的政绩校准，本身也正从一次集中教育活动走向更长的时间轴。(完) 【编辑:何颖】。

六 |          模型只是产生了一个错误判断。         真正把错误变成事故的，是后面的执行能力。         模型犯错只是答案错了，执行失控才是真的出事。         这也是为什么，AI安全不能只盯着模型内部。         我们当然要防提示词注入，要提高推理能力，也要检测恶意输入。

七 | 但即使前面的所有防线都失效了，系统仍然应该保留一道最后的底线。         这道底线不负责判断AI为什么犯错。         它只负责确认：这件事到底能不能发生。

八 |          守住钱袋子，比猜出所有骗子更现实          假设一个AI Agent正在替企业处理付款。         我们可以训练它识别诈骗邮件，可以要求它核对合同，可以增加一个模型复核收款信息。         但我们无法保证它永远认得骗子。         骗子会改变话术，邮件账号可能被入侵，真实员工也可能被冒充。即使多个模型同时参与判断，它们仍可能基于同一份错误信息得出相同结论。         更现实的做法，是直接守住付款的底线：          单笔金额不能超过限制；新收款地址不能立即付款；审批后收款目标不能被替换；超出风险阈值必须经过独立确认；任何远程管理员都不能临时关闭这些规则。         这样，即使AI被欺骗，损失仍然会被限制。         你不需要保证AI永远认得骗子，只需要保证骗子无法轻易带走你的钱。         这就是大道至简。         前面可以有复杂的模型、提示词、工作流和检测系统。         最后只需要一条明确的边界：          不符合条件，就不执行。

九 |          最后的系统不必比AI更聪明          很多人认为，保护AI的安全系统也应该是一套更强大的AI。         但位于最后一道边界的系统，未必需要理解自然语言，也不需要参与复杂推理。         它只需要知道几个确定事实：          这次操作要转多少钱，目标是谁，权限是否发生变化，数据是否可以恢复，风险条件有没有超限。

十 |          这些事实不满足，就拒绝。         安全不一定要比风险更聪明，它只需要守住风险最终必须经过的那道门。

十一 |          越靠近最终执行，系统反而越应该简单、独立和保守。         因为复杂意味着更多配置、更多依赖、更多攻击面，也意味着系统可能被前面的同一套错误逻辑同时影响。         真正的最后防线，不应该和Agent使用同一个提示词、同一个上下文、同一套权限，也不应该因为SaaS中有人点击了“强制执行”就自动失效。

十二 |          它存在的意义，就是在所有人都认为可以继续时，依然保留拒绝的能力。

十三 |          底线应该由人提前决定          当然，底线并不是系统自己创造的。         企业需要提前决定，什么事情绝对不能由AI单独完成。         可能是一笔超过限额的付款，可能是删除核心数据库，可能是修改管理员权限，也可能是让现实设备进入不可逆状态。         这些边界一旦确定，就不应该交给Agent在执行过程中临时解释。         真正的安全，不是让AI在最后一秒重新思考，而是让人类在风险发生之前提前划清边界。         AI可以负责分析、规划、推荐，甚至完成绝大部分自动化工作。         但越是不可逆、越是高价值、越可能造成现实损失的操作，越需要一道独立于AI判断的最终约束。         AI安全的终点，不是把模型训练成永不犯错的圣人，而是让系统在模型犯错时依然守得住自己的底线。

十四 |          未来的AI一定会越来越聪明，也会获得越来越多的工具和权限。         我们没有必要因为它可能犯错，就拒绝所有自动化。

十五 |          但我们也不能因为它越来越强，就默认把最后的决定权一起交出去。         最后想和大家讨论一个问题：          对你来说，AI最不能越过的底线是什么——钱、管理员权限、核心数据，还是现实设备的控制权？          本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 [email protected]。