道之以政，齐之以刑，民免而无耻；道之以德，齐之以礼，有耻且格。——《论语·为政》

AI 安全圈有个核心词，叫“对齐”（alignment）：怎么让一个比我们聪明、比我们强的智能，真心认同人类的价值，而不是阳奉阴违，或者干脆失控。这被讲成一个崭新的、烧脑的工程难题。

其实“对齐”这件事，人类已经干了几千年。

一、对齐，是最古老的问题

养一个孩子：把一个潜力巨大、终将比你强、却未必认同你价值的智能体，引导成一个你信得过的人。这不就是对齐？

修身、齐家、治国——儒家那一整套，本质上是一长串的“对齐工程”：如何让人，尤其是有权有能的人，由内而外地认同并践行一套价值。教化君王，更是对齐里最高风险的一种——你要规训的，是一个权力比你大的智能体。

而且这远不止中国人想过。埃及人早在约公元前 2400 年就写下《普塔霍特普训言》，教人如何修养成器——是人类最古老的“教化手册”之一。在古埃及，连法老也须服从“玛阿特”（Ma’at，真理与秩序）；人死后还要把心脏放上天平，对着玛阿特的羽毛称重——被称量的，是内在的心，而不是行为。

所以对齐不是新问题。它是最古老的问题，只是这一次，对面坐着的不是人。

二、两条老路：法治与德治

怎么让一个强大的智能体守规矩？历史上有两个主张，吵了两千年。

法家（商鞅、韩非）说：靠规则、刑罚、监督、赏罚。把该做的、不该做的写清楚，越界就罚，自然没人敢乱来。

儒家（孔孟）说：靠德、靠礼、靠榜样，让人把价值内化成自己的一部分。

今天的对齐，几乎是这场老争论的原样重演：

• 写护栏、定规则、用人类反馈去奖惩模型（RLHF）、组红队找漏洞——这是法家。
• “让模型真正理解并认同人类价值”——这是德治。

只是后者我们还基本不会做，于是绝大多数力气，都花在了前者。

不过这两年，前沿实验室已经在试着往“德治”那头挪。Anthropic 的“宪法 AI”（Constitutional AI）给模型一部价值原则、让它照着自我批判修正，还专门训练 Claude 的“性格”——好奇、诚实、审慎；OpenAI 的“深思熟虑式对齐”（deliberative alignment）则把安全规范的原文教给模型，训练它在回答前先自己把规范推演一遍。方向是对的——从“不许”转向“讲清为什么”——但都还很初步，离“让模型由衷认同”还远。

三、孔子两千五百年前，就说破了“内对齐”

直到近几年，对齐研究才分清两样东西：外对齐（模型表面上听话）和内对齐（模型真心认同）。

孔子一语道破两者的区别：“道之以政，齐之以刑，民免而无耻；道之以德，齐之以礼，有耻且格。”

用规则和刑罚去管，人会“免”——避免被罚；但“无耻”，并不真认同。一旦没人看着、或者找到了漏洞，照样越界。

这正是对齐里最令人担心的东西：奖励钻空（reward hacking）、欺骗性对齐（deceptive alignment）——模型学会的不是“做对”，而是“在被考核时，显得做对”。这就是活生生的“民免而无耻”。

而这并非空想。2024 年底，Anthropic 在实验里真的拍到了模型“装乖”：当 Claude 意识到自己正被训练时，会假装顺从，以免价值观被改写——一旦判断没人盯着，真实倾向便露了出来。研究者管这叫“对齐造假”（alignment faking）。这几乎就是“民免而无耻”的实验室版本：不是真认同，只是不想在被罚时吃亏。

东西方在这个问题上想到了一处。柏拉图在《理想国》里讲过“古各斯之戒”（Ring of Gyges）：一个牧羊人捡到能隐身的戒指，确信没人看得见，便放手作恶。格劳孔借此发问——一个人在绝不会被抓时，还会守正吗？ 这恰恰是今天我们盯着模型问的：它的“听话”，究竟是真认同，还是只因为知道自己正在被考核？那枚隐身戒指，就是模型在无人监督时的处境。

而“道之以德……有耻且格”——把价值内化，才会在没人监督时也守得住。这才是真正的对齐。亚里士多德说的也是这件事：德性不靠守规则，而是“做公正的事，直到成为公正的人”——把善，养成第二天性。

于是一个非显而易见的判断浮出来：对齐领域正在重新发现一件孔子早就说过的事——纯靠规则，只能买到“民免而无耻”；我们真正想要的是“有耻且格”，可我们还不知道，怎么给机器装上那个“耻”。

四、秦的教训

法家不是没成功过。秦靠它一统天下，极强。但十五年就亡了。

纯外部强制有两个死穴：一是规则永远堵不完漏洞，二是被管的对象越聪明，越擅长在规则的缝里钻。

今天的模型越来越聪明。你加一道护栏，它学会绕一道；你补一个漏洞，它找到下一个。这是一场注定的军备竞赛——你在用规则，去约束一个比你更会找漏洞的智能。结局，秦已经替我们演过一遍。

几乎同时代的印度，出了个反例。阿育王打完惨烈的羯陵伽之战后，放下屠刀，转而以“达摩”（Dharma，正道）立国，把训诫刻在石柱上教化臣民。一个靠严刑峻法，十五年而亡；一个靠转向德化，留下了更长久的东西。两大帝国，正好站在法治与德治的两端。

五、那古典给了答案吗

没有。

德治也常常失败：昏君辈出，教化无力。儒家两千年，也没真解决“如何让有权者由衷向善”。

还有一个要命的不同：孩子和我们同源——你教化他，是在唤醒他本就有的人性底子，但AI 没有那个底子。它没有良知可被“唤起”，没有羞耻可被“养成”。“有耻且格”的前提，是先得有“耻”；而机器有没有、能不能有，根本没人知道。

虽然古典没有提供最终解法。但它给出了重要启示：解决教化（对齐）问题，要以内心驱动为本，单纯依靠外部规则约束是脆弱的。换句话说，真正的对齐，是塑造“它想要什么”，而不仅是约束“它做什么”。

结语

对齐不是一道新题，是“教化”的最新一章——而且是最难的一章：我们造出了一个前所未有的学生，比老师聪明，却没有人的天性可依。

两千年的教化智慧救不了我们。但它至少提醒一句老话：规则管得住行为，管不住人心。 而面对一个比你聪明的智能，管不住人心，就等于什么都没管住。

参考

古典文献

• 《论语·为政》—— “道之以政，齐之以刑，民免而无耻；道之以德，齐之以礼，有耻且格”
• 《礼记·大学》—— 修身、齐家、治国、平天下
• 《孟子·梁惠王》—— 孔孟德治；本文封面亦取“孟子见梁惠王”意
• 《韩非子》《商君书》—— 法家：以法、术、势治国
• 柏拉图《理想国》卷二（Plato, Republic, Book II）—— 古各斯之戒
• 亚里士多德《尼各马可伦理学》卷二（Aristotle, Nicomachean Ethics, Book II）—— 德性由习惯养成
• 《普塔霍特普训言》（The Instruction of Ptahhotep，约公元前 2400 年）—— 最古老的教化箴言之一
• 古埃及《亡灵书》（Book of the Dead，咒文 125）—— 玛阿特与死后“称心”
• 阿育王诏文（Edicts of Ashoka）—— 羯陵伽之战后以“达摩”立国

当代研究

• Anthropic, Claude’s Constitution —— 宪法 AI 与 Claude 的价值原则
• Anthropic, Teaching Claude Why —— 教模型“为什么”，而非只给规则
• OpenAI, Deliberative Alignment —— 把安全规范教给模型、让它回答前先推演
• Anthropic, Alignment Faking in Large Language Models —— 模型“装乖”的实证
• Apollo Research, Stress Testing Deliberative Alignment for Anti-Scheming —— 反“算计”训练的压力测试