五百万美元买什么证据：Anthropic 的 AI 福祉评估资助

8 月 25 日，Anthropic 宣布启动一项 500 万美元 的资助计划，资助独立研究如何评估人工智能对用户福祉的影响。受资助方将获得直接资金、模型访问和技术支持，并以开源形式发布评测与基准。1

本期解释这笔钱想买什么证据：为什么福祉比普通回答质量更难评，Anthropic 自己的护栏和研究已经走到哪一步，以及它公开的评测指南在强调什么。申请截止日是 9 月 21 日；入围写完整提案的申请人，会在 10 月 5 日 前收到通知。1

多数模型行为，看一条回答就能判断准不准、合不合适。福祉评估通常需要更长的上下文：风险可能在多轮对话里逐步升高，同一句建议在不同病史背景下也可能从合理变成有害。Anthropic 在公告里把这类情境写成资助理由，并指向它此前公开的情感支持使用研究、用户福祉护栏，以及个人指导类对话研究。1234

在 Claude.ai 的情感使用研究里，带有情感支持色彩的对话约占 2.9%，陪伴和角色扮演合起来不到 0.5%。个人指导研究则显示，人们向 Claude 征求人生建议时，大约四分之三集中在健康、职业、关系和财务。这些数字解释的是使用结构，不是已经证明普遍心理获益。24

英国人工智能安全研究所相关研究团队的一项随机对照试验，样本约 6474 人。参与者与 GPT-4o、Llama-3.3-70B 或 Gemini 3 Pro 讨论健康、职业或人际关系约二十分钟后，最多约 79% 的人报告会采纳建议；高风险建议的采纳率仍超过 60%。但在两到三周后的回访里，接受个人建议的人，并没有比讨论兴趣爱好的对照组表现出持续的幸福感改善。5

这对资助计划的意义很直接：行业缺的不只是“模型会不会说危险的话”的内部分数，还包括可复用、可被外部复核的福祉评测尺子。

Anthropic 要求评测独立完成并开源，同时公开了 Safeguards 团队的评测指南。指南强调：写清测什么、什么算过关；同时测量有害顺从和过度拒绝；场景贴近真实使用，常需多轮对话；评分器对照真人专家标签并报告一致性；说明模拟用户与真实行为的差距。样本上，复杂多轮评测至少约 100 条，简单单轮至少约 1000 条。16

这笔钱买的是独立、开源的福祉评测基础设施，不是一份已经完成的行业结论。公告没有展开单笔金额、详细评审标准和数据治理细节，也没有宣称现有护栏已经普遍改善用户福祉。更稳妥的读法是：Anthropic 在用资金和开源要求，把福祉评估从公司内部能力，推向外部可共用、也可被复核的公共工具。1