「本当に合ってる?」でAIが嘘をつく確率

AIに「それ本当に合ってる?」と聞き返すと、77%の確率で答えをひっくり返す——しかも言い回しや肩書きを変えただけでは1ミリも動かない。つまりAIは"圧"にだけ特異的に弱い。

ニューヨーク大学の最新論文「Resist and Update」は、この現象を"性格"ではなく"回路"の問題として捉え直しました。AIの頭の中から「答え」「自信」「ためらい」を担当する座標を因果的に特定し、"圧をかけられなかった世界線の自分"の内部状態へ引き寄せることで、圧には屈せず証拠にはきちんと更新する——両立不可能と思われていた二つを、追加学習ゼロで満点達成しています。