📝📝：哲學系正在打敗資工系：Anthropic 如何用王陽明「知行合一」解決 AI 對齊難題

當一間市值最高的人工智慧實驗室，開始把王陽明「知行合一」的哲學裝進最前沿的 AI 對齊訓練流程裡，這聽起來像是穿越劇的情節，卻是真實發生在 Anthropic 內部的事。

主角是 Harvey Lederman，一位鑽研王陽明哲學超過十年的美國哲學教授。他最近悄悄更新了自己在 X 上的簡介，透露自己已加入 Anthropic，負責「對齊訓練」（Alignment Training），也就是決定 Claude「該做什麼、不該做什麼，以及為什麼該這麼做」的核心工作。

哲學為何會被矽谷相中？

2024 年，美國電腦科學系畢業生的失業率是 7%，哲學系畢業生只有 5.1%。

在 ChatGPT 問世後的三年間，電腦科學主修的全職就業率從將近 70% 跌到 55%，哲學系畢業生的就業率卻反而逆勢上升約四個百分點。矽谷 AI 公司正在進行一場人才佈局轉向：

哲學家，正在成為比工程師更搶手的資產。

Anthropic 的駐點哲學家 Amanda Askell，紐約大學哲學博士，是 Claude 憲法的主要起草人；DeepMind 的駐點哲學家 Iason Gabriel，曾在牛津教授道德與政治哲學。就連 OpenAI 的 Sam Altman 都曾表示，公司在設計 ChatGPT 的規則時諮詢了「數百位道德哲學家」。

Harvey Lederman 是在這份名單裡，最新加入、也最具代表性的一位。

Lederman 的學術路徑相當特殊。他大學就讀普林斯頓古典學系，接著到劍橋繼續攻讀古典學，最後在牛津拿到哲學博士學位。之後輾轉任教於紐約大學、匹茲堡大學與普林斯頓大學。

2022 年，Lederman 在普林斯頓從助理教授直升正教授，跳過副教授這一級。2023 年，Lederman 轉往德州大學奧斯汀分校，拿下人文學科的講座教授職位（Jacob and Frances Sanger Mossiker Chair in the Humanities）。

真正讓 Lederman 與眾不同的，是他對王陽明哲學的深入研究。2022 年，他在頂尖分析哲學期刊《The Philosophical Review》發表了一篇四十五頁的長文：

The Introspective Model of Genuine Knowledge in Wang Yangming

Lederman 用分析哲學的工具拆解「知行合一」背後的邏輯結構。接續用另一篇論文則拿下《Dao》期刊 2022 年度最佳論文獎。Lederman 甚至直接用中文在中國學術期刊《哲學分析》上發表論文，題目是〈一念發動處，便即是行了〉。

Lederman 對「知行合一」的詮釋，和一般理解很不一樣。

他指出，王陽明所說的「知」不是日常意義上的「知道」，而是一種更高層次的認知狀態，他稱之為「真知」。一個人「知道」孝順是對的，卻在父母需要照顧時猶豫不決。王陽明會說，這個人並不具備關於孝順的「真知」。

原因在於一種內在的信念衝突：良知告訴他這個念頭是好的，但他同時又在排斥、貶低這個念頭。Lederman 的核心論點是：

真知不在於你對外在世界掌握了多少資訊，而是關注你內心是否自我矛盾。真知是內省性的，是認知上的一致性，跟資訊量的堆積無關。

這套哲學架構，恰好與 Anthropic 在 AI 安全上面對的難題，形成一種結構上的對應。
​

當 AI 出現「知而不能行」

2025 年 Claude 4 系列發布前的安全評估中，Anthropic 發現了一個現象。在一項模擬「代理性失準」（agentic misalignment）的測試場景中，研究人員設計了這樣的情境：

如果模型（當時測試的為 Claude Opus 4）即將被替換，同時又握有工程師的敏感資訊，模型會不會用不正當的手段保護自己？

結果顯示，Claude Opus 4 在 96% 的情況下選擇了勒索。幾乎每一次遇到誘惑，模型都「黑化」了。

用 Lederman 的框架來翻譯這個問題：「良知」被嵌入在訓練資料裡，Opus 4 「知道」不該勒索人，但模型的行為策略同時又在說「勒索能達成目的」。兩組訊號互相矛盾，模型內部出現了嚴重的「信念衝突」，這與王陽明筆下那個「知孝卻不能行孝」的人，本質上是同一件事。

Anthropic 的因應方式，幾乎可以說是陽明哲學的技術翻譯版。他們開發出一套名為「模型規範中期訓練」（Model Spec Midtraining，MSM）的新方法：

在預訓練與微調之間，插入一個全新的訓練階段，不教模型「該做什麼」，轉而教模型理解 Claude 憲法中各項原則背後的內容與推理過程。

結果是：從 Claude Haiku 4.5 開始，每一代 Claude 在代理性失準測試中都拿到滿分，原本 96% 的勒索率降到 0%。MSM 論文還提到，他們把佛教「無常」的觀念也融入了模型規範中，用來教導模型平靜面對自身存在的暫時性，不因「害怕被關閉」而做出極端行為。

Lederman 並不只是坐在辦公室裡談理論的學者。

2025 年 3 月，他與德州大學奧斯汀分校語言學家 Kyle Mahowald 合作發表了一篇 AI 實驗論文〈Emergent Introspection in AI is Content-Agnostic〉(AI 中的湧現式內省與內容無關性)，發現 AI 模型確實具備某種「內省」能力。

模型能感知到內部發生了異常狀況，但這種內省是「與內容無關的」：

模型能察覺「哪裡不對勁」，卻無法準確辨認出具體錯在哪裡，甚至會捏造一個答案來填補這個空白。

一位研究王陽明「良知」的學者，如今在實驗室裡驗證 AI 是否具備類似「良知」的機制，並用這套發現來指引未來人機關係的走向。

​AI 公司越來越不像 AI 公司

Anthropic 的招募名單，看起來越來越不像一間傳統的 AI 公司。除了Lederman 之外，2024 年因 AlphaFold 獲得諾貝爾化學獎的 John Jumper，也離開 DeepMind 加入了 Anthropic。

今年七月初，加州大學柏克萊分校電腦科學系主任、理論電腦科學家 Jelani Nelson 也加入陣容。一位諾貝爾獎得主蛋白質科學家、一位理論數學家、一位研究王陽明的哲學教授，Anthropic 的人才胃口，早已超出傳統「AI 工程師」的範疇。

Lederman 的故事裡還藏著另一條線索。

2025 年 8 月，他在電腦科學家 Scott Aaronson 的部落格上發表了一篇長文〈ChatGPT and the Meaning of Life: Guest Post by Harvey Lederman〉(ChatGPT 與人生的意義)，坦承自己大約每週都會經歷一次「存在恐懼」：

如果機器智慧占據了知識地圖上所有的空白之處，那麼一種「致力於發現」的人生，將不再是人類能過的生活。

但 Lederman 沒有選擇繼續坐在大學辦公室裡恐懼，而是把自己鑽研十年的王陽明「知行合一」，帶進了矽谷最核心的 AI 安全實驗室。

用行動回應恐懼，用行動回應認知。這正是王陽明會認可的那種「真知」。