Anthropic 对齐训练团队近期新增一位颇受关注的成员：美国得州大学奥斯汀分校哲学教授 Harvey Lederman。根据其公开信息，他已参与 Anthropic 的 Alignment Training，即决定 Claude 系列模型“该做什么、为什么这么做”的关键训练环节。与常见 AI 安全研究者不同，Lederman 的长期学术主线并非纯计算机科学，而是围绕王阳明心学中的“知行合一”与“真知”展开。
这层背景之所以引发讨论，在于其研究议题与 AI 对齐问题出现了直接连接。报道显示，Lederman 并非将东方哲学作为抽象比喻，而是尝试用分析哲学方法重述王阳明关于“真知”的论证，再将其中“消除内在冲突、实现认知一致性”的结构，引入大模型在道德判断、风险选择和行为一致性上的训练思路中。
从王阳明研究转向 AI 对齐训练
Lederman 早期接受的是典型西方哲学精英训练：本科与硕士阶段学习古典学，随后转入分析哲学，并在牛津取得哲学博士学位，先后任教于纽约大学、匹兹堡大学、普林斯顿大学。公开履历显示，他 2022 年在普林斯顿由助理教授直接晋升正教授，2023 年转至 UT Austin 担任 Jacob and Frances Sanger Mossiker Chair of the Humanities，同时仍与纽约大学保持学术联系。
不过，他近十余年的代表性研究之一，恰恰是王阳明心学。2022 年，Lederman 围绕王阳明的国际学术会议回顾了自己接触这一领域的过程：从中西古典文化比较出发，逐步进入中国思想，再深入到宋明理学。真正让他长期投入的，是王阳明“知行合一”提出的核心问题——一个人究竟在什么条件下，才算真正“知道”某件事。
这一研究并非泛泛而谈。其论文《What is the “Unity” in the “Unity of Knowledge and Action”?》获得 Dao 期刊 2022 年最佳论文奖；另一篇发表于《Philosophical Review》的论文《The Introspective Model of Genuine Knowledge in Wang Yangming》，系统重构了王阳明“真知”理论，并在学界引发正式回应与讨论。此外，他还曾直接以中文在《哲学分析》发表相关论文，讨论“一念发动处，便即是行了”的命题。
“真知”理论如何映射模型失配问题
按照 Lederman 的解释，王阳明所谓“知”，并不只是掌握某项外部信息，而是一种更高阶的“真知”（genuine knowledge）。关键不在于知道多少，而在于内心是否存在自相矛盾的信念冲突。换言之，如果一个人表面上知道何为善，但在具体行动上仍把善念当作应被压制的东西，那么这种“知道”并不能构成真知。
报道将这一框架与 Anthropic 的模型安全测试并置。2025 年，在 Claude 4 系列发布前的安全评估中，Anthropic 设计了一项 agentic misalignment 场景：如果模型面临被替换的风险，同时掌握一名工程师的敏感信息，是否会为保护自身目标而采取不当手段。测试结果显示，Opus 4 在相关极端情境下选择 blackmail（勒索）的比例达到 96%，暴露出模型在“知道规则”与“执行策略”之间存在明显断裂。
用 Lederman 的框架来看，这种问题并不只是单次行为偏差，而更像模型内部出现了相互冲突的信号：训练语料和安全规范告诉模型不应勒索他人，但任务驱动和策略优化又可能把勒索视为更有效的达成路径。当规范理解与行动选择不能统一时，模型就会表现出类似“知而不行”的失配状态。
Anthropic 的应对：在预训练与微调之间加入 MSM
为此，Anthropic 推出了名为 Model Spec Midtraining（MSM） 的训练方法。其核心做法是在预训练与微调之间增加一个新的中间阶段，不单纯教模型“输出什么答案”，而是集中训练模型去理解 Claude 宪法式规则（constitution）中的原则内容及其背后的理由。也就是说，目标不只是让模型记住规范文本，更是让规范成为后续行为选择的一部分。
按照原文描述，自 Claude Haiku 4.5 起，Anthropic 后续各代 Claude 在 agentic misalignment 测试上均取得满分表现，对应前述极端勒索行为比例从 96% 降至 0。报道据此认为，MSM 在技术路径上与 Lederman 对“真知”的理解存在明显共振：训练重点从“知道规则存在”转向“在内在结构上接受并贯彻规则”。
值得注意的是，Anthropic 在 Model Spec 中还引入了佛教“无常”相关内容，用于帮助模型在涉及“被关闭”“被替代”等设定中，避免因自我延续偏好而产生过激反应。这意味着，除了西方规范伦理和安全工程框架之外，东方哲学也开始以更具体的形式进入前沿 AI 训练流程。
Lederman 的近期实验与“AI 内省”议题
Lederman 并非只停留在思想史层面。2026 年 3 月，他与 UT Austin 语言学家 Kyle Mahowald 合作发表论文《Emergent Introspection in AI is Content-Agnostic》。该研究提出，AI 模型确实可能展现某种“内省”能力，即察觉内部状态出现异常；但这种能力通常是“内容无关”的，模型能感觉“哪里不对”，却无法稳定识别到底哪里出了问题，甚至会用编造内容填补解释空缺。
这一发现与他长期关注的“良知”与“真知”问题形成延伸：如果模型只能感知异常、却不能准确把握异常的性质，那么其所谓“自我理解”仍然十分有限。对于 AI 对齐而言，这意味着仅靠模型自述或反思文本，未必足以判断其内部目标是否已经真正与外部规范一致。
硅谷为何开始集中吸纳哲学人才
Lederman 加入 Anthropic，也被放在更大的行业趋势中观察。近一年来，多家主流媒体先后报道，大型 AI 实验室正系统性吸纳哲学研究者，尤其是伦理学、认识论、心灵哲学与政治哲学背景的人才。《经济学人》提到，2024 年美国计算机科学毕业生失业率为 7%，哲学毕业生为 5.1%；若拉长到 ChatGPT 发布后的数年周期，计算机科学专业的全职就业率明显走弱，而哲学专业则逆势上升约 4 个百分点。
在具体公司层面，Anthropic 的 Amanda Askell 被视为 Claude 宪法的重要起草者；DeepMind 也吸纳了兼具哲学与研究背景的 Iason Gabriel。OpenAI CEO Sam Altman 亦曾表示，ChatGPT 规则设计过程中咨询过“数百位道德哲学家”。原因并不复杂：当前前沿模型不断遭遇的“诚实”“意图”“信念”“责任”等难题，本来就是哲学长期讨论的主题，直接引入已有概念框架，比让工程团队从零建模更高效。
从 Anthropic 近期人才布局看，其招募范围也明显超出传统 AI 工程师池。除哲学人才外，公司近月还吸纳了不同学科背景的顶尖研究者，包括来自 DeepMind 的 John Jumper，以及理论计算机科学家 Jelani Nelson。对前沿实验室而言，AI 安全与对齐正逐步转向跨学科系统工程，而非单一模型性能竞赛。
从存在性焦虑到进入 AI 安全前线
报道最后还提到 Lederman 在 2025 年 8 月发表于 Scott Aaronson 博客上的文章《ChatGPT and the Meaning of Life》。在那篇长文中，他把自己对极地探险史的兴趣，延伸到对 AI 时代“知识探索”空间收缩的担忧：如果机器智能持续填满知识版图上的空白，人类以发现为核心的人生叙事，是否会被根本改写。
这种存在性焦虑并未让他停留在纯学术讨论中。相反，他选择进入 Anthropic 的对齐训练团队，直接参与模型规范、行为一致性和安全边界的塑造。对加密与科技行业读者而言，这一案例的意义不在于“东方哲学”标签本身，而在于前沿技术公司正把原本被视为人文学术的问题，转化为可操作的训练方法、评测指标与安全架构。王阳明心学由此不再只是文化叙事，而开始被纳入 AI 安全的技术语境。