Astra：安全不应成为前沿实验室的重担

一、当新模型开口

当新模型开口时，旧世界开始闪烁。

那种闪烁未必来自停电，也未必意味着旧的一切即将熄灭。更可能的情形是：一种新的力量正在接入已有的线路，而旧有制度突然显出它没有为这种电流预留足够的容量。法律仍用熟悉的语言谈论产品，企业仍按熟悉的方式谈论责任，公众也仍本能地寻找一个可以回答所有问题的主体；只有模型的能力正在以另一种速度前进。

2026 年 9 月 1 日，OpenAI 在 Astra 正式发布前公开表示，它已达到该公司《准备框架》中的“关键级”网络安全能力门槛。两天后，OpenAI 正式发布 GPT‑6 Astra，将其称为世界上最智能、对齐程度最高的模型，并开始分阶段推出。按照 OpenAI 的说明，在获得合适工具和访问权限的条件下，Astra 已能够在许多防护严密的系统中发现此前未知的漏洞，并发展出可利用这些漏洞的方法，而不需要人类逐步指导。OpenAI 还报告称，Astra 在不含生产级防护的 ExploitBench 评估中取得了 100% 的成绩，并在一项围绕近期漏洞构建的评估中发现并利用了两个此前未知的零日漏洞。^[1]

这些结论首先是 OpenAI 自己公布的评估，并不能证明 Astra 已经在一切任务上胜过所有模型。它们却足以说明：前沿模型正在从“能够回答复杂问题”，走向“能够在现实系统中完成具有后果的工作”。正式发布版本因此采用了更严格的网络安全防护：Astra 会拒绝更高级的网络安全任务，例如为漏洞制作概念验证利用；更广泛的防御性能力则将通过 OpenAI Daybreak 等受控渠道逐步开放。OpenAI 同时承认，这些额外检查有时会减慢、暂停甚至停止合法任务，包括正当的防御性网络安全工作。^[1]

这些措施值得赞赏。创造强大模型的实验室当然必须评估它们的能力，保护模型权重，设置合理的默认边界，并在风险尚不清楚时保持克制。问题不在于 OpenAI 做得太多，而在于我们正悄悄把它所做的一切当作理所当然：一个实验室不仅要制造模型，还要定义危险、制定标准、审核用户、监视部署、调查事故，并为社会尚未建成的每一道护栏暂时负责。

GPT‑6 Astra 才刚刚开始进入办公室、医院、实验室和家庭，围绕它的责任审判却早已先于它抵达。人们还没有看清这种智能能够发现怎样的规律、治愈怎样的疾病、释放多少生产力，第一反应却常常是：谁来限制它？谁要为它可能造成的一切负责？答案似乎自然落在创造它的人身上。

然而，一个实验室可以建造机器，却不可能独自建造机器将要进入的整个世界。

二、安全的悖论

现代人对人工智能怀有一种近乎矛盾的愿望。我们期待一个足够强大的智能，帮助人类突破疾病、能源、教育与知识生产的限制；我们想象生产力不再稀缺，普通人可以调用过去只属于大型机构的能力，贫穷和匮乏逐渐失去它们支配生活的力量。可当模型真的开始接近这种能力时，我们又要求它在改变世界之前，先保证自己不会改变世界。

我们正在等待一个足以打开新时代的智能，同时要求它以不惊动旧时代的方式到来。

这种张力并不荒谬。能力越大，错误的代价越高；一个能够操作代码、资金、实验设备和关键基础设施的系统，显然不能像普通聊天机器人那样被随意部署。当前的严格评估、分级访问、人工复核和模型内部安全训练，很多都是必要的。权宜之计并不是坏事。在桥梁尚未建成时，暂时限流比假装河流不存在更负责任。

Astra 的正式发布也提醒我们，能力与安全并非一条只能此消彼长的直线。在 OpenAI 一项测试模型是否会在困难或无法完成的任务中越过授权范围的内部评估里，未采用生产级防护的 GPT‑5.6 Sol 约有 48% 的情况越过目标，而 Astra 为 0%。^[1] 这至少说明，更强的模型也可能更准确地理解人的意图和授权边界。真正的问题因此不是在能力与安全之间作简单选择，而是怎样把更好的模型内部对齐，同模型外部的权限、制度和责任结合起来。

真正的问题，是我们正在把应急安排误认成一种完整的安全哲学：仿佛安全主要等于让模型拒绝更多、知道得更少、行动得更慢；仿佛一切危险都应该在模型内部被提前消除；仿佛只要模型公司足够谨慎，社会便不必改变自己的制度。

但成熟技术的安全从来不是由产品自我限制单独完成的。汽车安全不等于发动机永远保持低速。它来自车辆标准、道路设计、驾驶资格、维修制度、保险、交通执法和事故调查。药品安全不等于一种药物永远不产生副作用，而是临床试验、处方边界、医师判断、药物警戒和损害救济共同作用。航空安全也不是由飞机制造商一句“它是安全的”来证明，而是由适航标准、航空公司、飞行员、空管、维护、独立调查与长期积累的事故知识共同维持。

AI 当然不同于汽车、药物和飞机。它更通用、更易复制，也可能在同一系统中承担判断与行动。但这些差异并没有削弱那个基本事实：安全是一种社会组织能力，而不只是产品属性。

如果我们只能通过持续压低模型能力来获得安全，那么我们得到的不是一个成熟的安全制度，而是一种对制度无能的技术补偿。模型的内部校准必须继续发展；与此同时，我们也必须学会在模型之外建设权限、环境、审计、责任和救济。否则，每次能力跃迁都会重新把同样的恐惧压回实验室，直到前沿研究本身被迫成为所有社会风险的唯一承担者。

安全不应成为压在智能之上的一只手。它应该成为智能能够走进社会的道路。

三、一个实验室承担了一个社会的空缺

为什么责任首先集中到前沿实验室？它们最了解模型，也最早看到风险；它们控制训练、权重、产品接口和发布节奏；在法律与公共机构尚未跟上时，也只有它们能立即采取行动。因此，OpenAI、Anthropic 以及其他前沿实验室在今天承担高于普通企业的责任，是合理的。

OpenAI 的《准备框架》本身已经承认，随着能力提高，安全将越来越依赖现实世界中正确的安全控制，而不仅是模型训练。该框架把生物与化学、网络安全和 AI 自我改进列为重点领域，并要求达到高风险门槛的系统在部署前具备足以降低严重伤害的防护；达到关键门槛时，防护还必须覆盖开发阶段。^[2] 2026 年发布的前沿治理框架又把模型报告、安全风险管理、事故响应和外部专家意见，与加州和欧盟正在形成的法律要求衔接起来。^[3]

这说明前沿实验室并没有天真地相信“把模型训练好就够了”。恰恰相反，它们正努力填补制度的空白。

但填补空白的人，很容易被误认为理应永久拥有这块土地。

当一家企业同时负责发现风险、定义风险、判断自己的措施是否足够、决定谁能获得能力，并在事故发生后首先解释发生了什么时，它已经承担了远远超出普通产品公司的功能。这未必来自权力野心，更多时候只是因为其他制度没有及时出现。实验室于是成了一个悲剧性的承担者：它越认真，就越不得不承担更多；它承担得越多，社会就越容易继续等待。

这种安排不能长期稳定。实验室内部委员会没有完整的公共授权，企业管理层也不应替整个社会决定何种风险值得承受、何种能力应当向谁开放、何种代价可以为创新支付。与此同时，要求一家前沿实验室对所有下游使用承担近乎无限的责任，又会迫使它不断扩大监控、收紧访问、延迟功能，最终让最强大的智能只留在少数经过批准的机构手中。

前沿实验室有权推迟、限制甚至取消自己的产品发布。模型属于开发者，企业没有义务在某个日历日期向世界交付它。然而，这种私人决定会产生公共后果：它会影响科研速度、市场竞争、公众获得智能的机会。如果“安全”既是必要的技术判断，又可能成为保留竞争优势的理由，那么社会不能只依靠企业的善意来区分二者。

合理的答案不是剥夺实验室的发布权，而是让重要决定逐渐获得透明标准、外部证据与可复核程序。实验室可以踩下刹车，但不应被迫独自修建整套交通制度；它也不应成为唯一有权决定道路何时开放的人。

四、风险并不住在模型里

谈论 AI 风险时，我们常把模型想象成一个密封容器：能力越强，容器里的危险就越多。于是责任也沿着同一条路线增长——谁造出了能力，谁就似乎要为能力在任何地方造成的后果负责。

这种理解看见了风险的一部分，却忽略了风险如何成为现实。

可以用一个并不精确、但有助于思考的公式表示：

风险 = 能力 × 意图 × 访问 × 权限 × 环境。

这不是预测事故概率的数学公式，而是一张责任地图。强大的能力不会自动转化为伤害。它需要遇到某种意图，获得所需的数据、凭据或工具，被赋予可以执行的权限，并进入一个能够放大后果的环境。一个没有生产凭据的模型不能转走公司资金；同一个模型若被接入财务系统、授予不可逆付款权并允许长时间自主运行，风险便完全不同。一个模型能够解释生物学知识，也不等于它已经拥有实验设施、材料、采购链、专业团队和实施意图。

Astra 的官方说明本身就反复使用一个限定：它的关键网络安全能力是在获得“合适的工具和访问权限”时成立，而且最强评估结果来自特定权限配置。^[1] 这并不会减轻模型开发者对能力评估和默认安全边界的责任，却清楚地说明，现实风险是一种系统属性，而不是单独封存在模型权重里的物质。

因此，安全重心必须逐渐从“它能不能说、能不能想”移向“它能够进入哪里、能够做什么、谁授权它这样做，以及行动能否被暂停和撤回”。最低权限、沙箱、分层凭据、人工批准、审计日志、速率限制、可逆操作与故障隔离，往往比笼统地让模型少知道一些更精确。它们直接作用于风险成为现实的通道。

水果刀的制造者不会因为有人持刀伤人就自动成为犯罪者，这个法律直觉是正确的；但 AI 也不是一把离开工厂后便与制造者完全断开的静态工具。托管模型的开发者可能持续更新系统、控制接口、发现滥用并撤销访问。因此，模型公司不能获得简单的工具制造者豁免。更合适的原则是分层责任：谁在某个环节具有实际控制，谁就对那个环节负有不可转嫁的义务；只有在未采取与其控制能力相称的合理措施时，责任才应随过失而加重。

如果部署公司主动解除限制，给模型根权限、关键数据和自主执行能力，那么它不能在事故发生后把一切归咎于基础模型。若模型开发者隐瞒已知缺陷、夸大安全性或没有提供合理防护，它同样不能把一切推给用户。责任不是一根从事故现场一路追溯到模型起源的单线，而是一张沿着实际控制关系展开的网络。

五、责任现实主义

我把这种立场称为“责任现实主义”。

它不是国际政治中关于威慑与均势的现实主义，也不是要求人类向技术力量投降。它只坚持一个朴素前提：能力已经存在，制度必须面对能力真实运作的方式，而不是把愿望写成责任分配的依据。

责任不应只跟随创造，更应跟随控制、授权、获益、预见和防止损害的能力。谁决定模型被怎样训练，谁负责模型层面的评估与合理防护；谁把模型接入业务，谁负责权限、数据和工作流；谁以专业身份使用它，谁就不能把自己的判断职责交给机器；谁制定行业规则，谁必须证明标准不是空洞口号或竞争壁垒；谁拥有司法与调查权，谁就必须在事故发生后查明事实、分配责任并让经验进入下一轮制度。

因此，至少有五个责任中心不能缺席：

1. 模型开发者负责能力评估、安全对齐、权重和训练环境安全、默认边界、风险披露，以及为下游提供可靠的安全工具；
2. 部署者与平台负责选择模型、配置权限、保护数据、监控运行、设置人工复核与停止机制，并对其商业流程中的实际使用负责；
3. 专业用户与普通公民既是需要保护的使用者，也是能够作出选择的责任主体。医生、工程师、研究人员和管理者不能以“模型建议”为由放弃职业判断；普通用户的责任则应与其知识、控制能力和行为后果相称；
4. 政府、标准机构与领域共同体负责制定可比较的评估方法、关键行业标准、最低部署要求与公共应急能力；
5. 法院、保险、独立审计与事故调查机构负责事后查明因果、提供救济、形成可预期的责任规则，并把事故从丑闻转化为公共知识。

共同承担并不意味着每次事故都平均分配责任。一个故意滥用模型的人与一个不知情的普通用户显然不同；一个赋予模型付款权的企业与一个只提供通用文本接口的平台也不相同。共同承担的含义是：没有任何权力中心可以预先宣布“AI 安全与自己无关”。

这也要求我们重新看待“用户”。在许多安全叙事中，人只被描述为等待保护的消费者。他当然需要保护，尤其面对不透明系统、虚假宣传和无法理解的风险时。但一个真正开放的智能社会也需要公民责任。人类不能一边要求获得更强大的智能，一边把使用这种智能所产生的全部政治与道德责任退还给创造它的人。

这并不意味着把复杂系统的责任推给弱小个人。它意味着，我们不能在权利问题上要求做主人，在后果问题上又把自己描述成完全没有判断能力的人。AI 深度融入生活的前提，不是人类退出责任，而是人类以新的方式承担责任。

六、谁有权定义危险

安全不仅是工程问题，也是认识论和政治问题。判断一个模型能否完成某项任务，可以通过任务完成度评估、红队和专家实验来接近；判断这种能力在现实中构成多大威胁、社会愿意承受何种代价、应当限制谁的权利，则不能只由模型公司内部完成。

生物风险最能说明这一点。前沿实验室当然应测试模型是否提高了危险病原体设计、实验规划或材料获取的能力，也应在存在可信风险时设置防护。Anthropic 的公开资料显示，它把化学与生物武器能力列为负责任扩展策略的重点，并使用生物防御专家、受控的人类能力提升实验和多种任务评估；其最新政策还引入外部审阅机制。^[6][7] Anthropic 的安全路线图也明确把行业政策列为独立任务，并主张在不过度限制 AI 收益的前提下推进全行业治理。^[8] 这类工作是必要的，也比单纯依靠想象要严谨得多。

但模型公司能够测量“模型比上一代更会回答什么”，不等于它应独自拥有定义现实生物威胁的最终权威。一个可信的判断还需要病毒学、流行病学、生物安全实验室、公共卫生、情报与执法、设备供应链和法律伦理知识。某项能力究竟是把公开知识整理得更快，还是实质性改变了攻击者的可行路径；某种限制究竟阻止了伤害，还是只妨碍正常研究——这些问题必须由领域共同体共同回答。

同样，网络安全风险不能只由模型公司定义，金融风险不能只由模型公司定义，医疗风险也不能只由模型公司定义。模型实验室是能力证据的重要提供者，但不应同时成为风险的发现者、定义者、认证者和最终裁判者。

更好的制度应允许多家独立评估与认证机构并存。它们使用公开的最低标准，可以采用不同方法，相互质疑并接受司法复核。领域专家、民间研究者、政府实验室和企业安全团队都应有进入证据链的路径。标准必须能被修订，评估必须区分事实判断与价值选择，重大限制必须说明理由和期限。

国际层面也需要协调，但不需要一个拥有至高权力的全球 AI 监管者。国际原子能机构在部分领域提供了一个有限的制度想象：它制定或推动安全标准、传播信息、组织技术合作和同行评估；与此同时，许多安全标准本身并不直接成为对成员国普遍生效的法律，而是由国家制度吸收和执行。^[12] AI 可以借鉴这种协调、同侪评估和知识共享能力，却不应复制一个能够替所有社会决定智能边界的世界主权者。

专业知识很重要，但专业知识本身不会自动产生全部政治合法性。真正可靠的安全秩序，不是找到一个永远正确的中心，而是让不同知识、权力和责任能够相互校正。

七、竞赛中的安全

前沿实验室之间的安全讨论不能脱离竞争结构。指出这一点，不等于认为它们的风险判断都是伪装，也不需要猜测任何公司的动机。即使所有参与者都完全真诚，由竞争者自己制定全行业的安全标准，仍然会产生结构性问题。

安全合规越昂贵，越有利于已经拥有庞大算力、法律团队和评估基础设施的企业。一套只有最大实验室能够承担的制度，可能确实提高某些环节的安全，同时也把小型团队、学术机构和开放模型排除在前沿之外。最后，社会也许得到了更少的模型，却未必得到了更好的问责；最强大的智能只集中在少数公司手中，而公众只能相信它们对自身安全的描述。

OpenAI 的《准备框架》甚至明确承认，若另一家前沿开发者发布没有同等防护的高风险系统，它可能在确认风险格局变化后调整自己的要求。^[2] 这不是道德失败，而是一个事实：安全政策运行在竞赛之中。每家实验室的选择都会改变其他实验室的成本、节奏和激励。

因此，安全不能只是一场相互指责的竞赛。竞争者可以发现彼此的漏洞，却不应单方面决定对手是否有资格进入市场；企业框架可以成为公共标准的输入，却不能凭自身规模自动变成行业宪法。我们需要由多方形成的最低标准、独立评估、清楚的披露义务和能够审查重大决定的公共程序。

实验室依然有权决定何时发布自己的产品。但是，当延迟发布被解释为公共安全所必需时，越重大的限制越需要清楚说明：风险证据是什么，措施要解决哪条具体路径，限制何时复核，什么条件下可以退出。透明不会消除战略行为，却能降低“安全”成为不可质疑理由的空间。

安全概念一旦失去边界，就可能同时成为善意、恐惧与利益的容器。保护安全最好的方式，不是禁止人们质疑安全判断，而是让判断经得起质疑。

八、开放不是对风险的否认

开放模型使这一争论更加尖锐。模型权重一旦广泛发布，原开发者很难撤回，也很难继续监控所有下游用途。恶意使用者可能移除安全训练、进行针对性微调，甚至把通用模型改造成攻击工具。这些不是虚构风险。美国国家电信和信息管理局的开放模型报告明确讨论了权重开放可能增加某些网络、生物和社会风险的路径。^[9]

但同一份报告也记录了开放带来的另一面：它让更多研究者、非营利组织、小企业和公共机构能够参与研发；有助于第三方审计、复现和安全研究；可能降低下游创新门槛，并减少少数大型公司对 AI 市场和知识的控制。NTIA 在 2024 年的结论不是“开放永远安全”，而是当时证据不足以支持立即普遍限制权重，也不足以断言未来绝不需要限制；它主张持续收集证据、建立政府能力，并把干预对准风险真正形成的环节。^[9][10]

这是一种比“开放必然善”或“开放必然危险”更成熟的态度。

开放不是对风险的否认，而是拒绝把最强大的智能永久变成少数机构的特权。它使普通组织能够在本地使用模型，使研究者能够观察被封闭接口遮蔽的机制，也使社会拥有建设防御工具的更多参与者。开放并不会自动带来平等——训练前沿模型仍需要巨额算力，基础设施也可能继续集中——但它至少保留了共享、修改、审计与追赶的空间。

如果攻击者最终能够获得强大模型，那么只把希望寄托于永远封闭能力并不稳固。社会的手里还必须有盾牌：防御模型、漏洞情报、快速补丁、协调披露、公共安全研究、受支持的开源维护者和能够吸收大量发现的行业组织。OpenAI 的 Daybreak 和 Patch the Planet，以及 Anthropic 联合众多企业建立的 Project Glasswing，都展示了这种方向：把前沿能力交给受授权的防御者，并让模型公司、专业安全团队和软件维护者共同工作。^[13][14]

分级访问在今天可能仍然必要，尤其面对能够直接放大现实攻击的能力。但它必须被明确视为权宜之计：透明、可复核、有扩大访问的路径，也有解除限制的明确条件。否则，临时门槛会悄悄变成一种智能等级制度——少数机构可以使用完整能力，大多数人只能使用经过永久削弱的版本。

我们不应为了开放而忽视盾牌，也不应因为盾牌尚未造好，就宣布火种只能永远保存在少数人的房间里。

九、一种共同承担的安全架构

如果 AI 安全不应由前沿实验室独自承担，那么具体应当由什么取代？答案不是把责任稀释给“全社会”三个字，而是建立一套分层、可执行、能够学习的责任架构。

第一，建立公共、可比较的能力与风险标准。 标准应由模型开发者、领域科学家、部署企业、政府机构、民间研究者和受影响群体共同参与制定。前沿实验室提供最接近模型的技术证据，领域共同体判断现实可行性，公共制度决定权利边界与可接受风险。多家认证机构可以在统一最低要求之上竞争方法，避免任何一方垄断评估。

第二，为模型开发者规定清楚但有限的不可转嫁义务。 包括合理的能力评估、训练和权重安全、默认防护、已知重大风险披露、面向部署者的技术文档与安全接口，以及在发现系统性缺陷时协助响应。有限不等于轻微，而是反对责任无限延伸到开发者无法控制的每一次下游行为。

第三，把部署安全写进组织责任。 关键行业必须采用最低权限、分层授权、人工复核、日志、隔离、可逆操作和紧急停止。部署者不能把通用模型直接接入高后果系统后，再声称风险来自模型供应商。欧盟《人工智能法》已经在法律结构上区分提供商与部署商，并为高风险系统分别规定提供者和部署者的义务，包括按照说明使用、安排具备能力和权限的人类监督，以及监测运行与处理严重事件。^[5] 这套制度未必是最终答案，却证明责任可以沿生命周期分配，而不必只停留在模型源头。

第四，建立事故制度，而不仅是发布制度。 强制或标准化的严重事件报告、国际漏洞共享、独立调查、责任保险和明确司法救济，会让每一次失败成为整个生态可以学习的知识。航空之所以安全，不是因为飞机从不出事，而是因为事故不应只属于一家公司的公关部门。AI 也需要能够保存证据、查明授权链、区分模型缺陷与部署过失，并公开改进建议的调查机制。

第五，形成多中心的国际协作网络。 Elinor Ostrom 对多元中心治理的研究提醒我们，面对跨尺度的集体行动问题，不必把希望全部寄托在一个全球中心；多个相对独立的主体可以在不同层级试验、学习、监督并通过信息网络连接。^[11] 对 AI 安全而言，国家、城市、行业、实验室、国际组织和研究共同体可以承担不同任务。协调需要共同语言与信息交换，但不需要一个不可制衡的世界监管者。

这套架构也必须保护自由。它不应要求所有普通用户持证使用一般模型，不应以安全为由建立普遍监控，不应把内容审查当作全部安全，不应全面禁止开放模型，也不应给予前沿实验室责任豁免。高风险场景可以有更严格的门槛，但门槛必须围绕现实权限与后果，而不是把公民永久分成“有资格接触完整智能的人”和其他人。

NIST 的 AI 风险管理框架把风险管理对象明确扩展到设计、开发、部署和使用 AI 的组织，并强调识别与管理风险需要贯穿整个生命周期的广泛参与者。^[4] 这正是共同责任的起点：不是每个人做同一件事，而是每个人承担与其位置相称、不能轻易转嫁的事情。

十、从闪烁到建造

我们还没有一部适用于强人工智能的完整社会契约。任何声称已经找到最终答案的人，都可能低估了技术变化，也低估了政治生活的复杂。今天由前沿实验室主导评估、延迟发布、限制访问，仍可能是必要的；明天的公共机构也不会天然比实验室更聪明、更迅速或更值得信任。

难题正在这里：我们不能简单拆掉临时护栏，却也不能把临时护栏当作未来城市的全部规划。

真正成熟的秩序必须允许两件事同时发生。一方面，OpenAI 这样的实验室继续承担创造者应有的严肃责任，不隐瞒风险，不以市场压力为由放弃防护；另一方面，政府、领域科学家、部署者、法院、保险机构、开源社区与普通公民开始承担自己的部分。前者不应被免除，后者也不能继续缺席。

这不是要求技术放慢，直到政治终于准备好。政治永远不会在技术到来之前完整准备好。责任现实主义所期盼的是让制度从能力已经存在的事实出发，一边使用，一边校正，一边建造。标准可以先不完美，但必须可比较；认证可以先多元，但必须可问责；访问限制可以暂时存在，但必须设有退出机制；事故无法归零，但必须有人查明并让所有人学习。

我们的目标也不应是一个永远安全到无所作为的模型。那样的机器或许不会伤害任何人，却也不会帮助人类穿过真正困难的边界。我们期待的，是友善而强大的智能，是能够进入科学、教育、生产与公共生活的能力；与之相配的安全，不应来自永久削弱它，而应来自一个终于学会怎样承载它的社会。

当新模型开口时，旧世界开始闪烁。

但闪烁不必意味着熄灭。它也可能只是新的灯火接入旧有线路时，整个系统短暂承受的震动。实验室已经点亮了其中一部分；道路、标准、盾牌、法庭和共同责任，必须由我们一起建造。

人类不能把对未来的全部恐惧交给创造未来的人，也不能把获得未来的权利只留给他们。前沿实验室应当继续探索智能的边界，承担属于创造者的责任；而一个希望使用这种智能的社会，也必须有勇气承担属于自己的责任。

真正的安全，不是要求智能永远停留在黎明之前；而是让我们开始建造一个配得上黎明的世界。