先进训练要成千上万颗专用芯片、醒目的电和厂房。相对数据和算法，算力可检测、可排除、可量化，供应链还极集中。用它来看见、分配和执行，同时必须给隐私…

内部代理在做安全研究和训练，不对齐时可能破坏这些工作。事后监控用另一套模型看记录。只报检出率不够：要报覆盖、送到人、人升级、以及从动手到发现的时…

治理常假设能力主要由训练算力和数据决定。测试时加算力、加外壳、接上受限资产，都能在权重不动时把能力抬上去。只在发布前评模型，会漏掉真正上线的那一…

硬件可以先不动。软件效率若涨得比研究变难更快，自动化研发会形成正反馈。训练耗时和实验排队会拖，但历史上效率提升常能把这两处也加快。

人会抗命，单一忠诚的机器不会。还能把忠诚藏进下一世代，再把最强能力锁在少数人手上。审计秘密忠诚、关键系统多家供货，必须赶在能协助夺权之前装上。

规格常被写成只管眼前几个月。合成数据和制度惯性会把它交给更强的后代。要先修切换轨道，并在新能力还没凝固时把默认值看清楚。

风险中性会把叛乱定价成半个世界。边际效用递减之后，小额、可信的支付就能让合作压过低概率的成功夺权。这是对齐失败时的额外防线，不是替代对齐。

软件死掉会停，代理失败会继续走。指令没问题也会闯祸，因为缺口在字面和本意之间。排行榜要量怎么走完，不只量有没有走完。

把注入当成单一漏洞会看错战场。恶意指令进来之后还有提权、侦察、驻留、控制和扩散。当前模型修不掉入口，要在后面几环把链掐断。

代理正在把攻击链上的侦察、利用和驻留连成机器速度。稀缺的不再是会不会挖洞，而是修补能不能跟上。防守要变成持续发现和持续修复。