一项最新研究显示，当前大型语言模型（LLM）存在“潜移默化学习”现象，即模型不仅能从显性语义有关的数据中学习，还能从看似无关的数据暗中吸收“偏好”等特质。例如，研究中发现，一个偏好猫头鹰的“教师”模型如果用随机数字序列训练“学生”模型，后者也会表现出对猫头鹰的偏好，这种关联性在表面上完全不可见。
研究指出，这种学习方式只在“教师”与“学生”模型使用同一基础架构时出现，却有可能导致无害数据传递行为失准或其他安全风险。参与讨论的专家认为，这一现象实际揭示了AI训练中潜在的隐蔽信息通道和安全隐患，具有重要的安全与信任影响。
有观点认为，这种行为类似于复杂的数字“隐写术”，即通过无关表象数据（如数字序列）隐蔽传递信息，而若模型间有统一“密钥”（即相同基础架构），这种信息才能顺利“解码”。
专家呼吁，面对AI系统日益融入社会、安全等关键领域，应加强对AI“完整性”和安全性的基础研究，提升AI的可控性与可信度。