王陽明心學，被Anthropic用來教Claude做人了

王陽明心學，竟然在AI時代迎來了「最佳賞味期」？故事的起點，正是我們今天的主人公Harvey Lederman（以下簡稱老哈）。老哈，一個研究了十年「知行合一」的哲學教授，正在把這套500年前的心學，用到全球最前沿的AI對齊訓練上。不是比喻，是字面意思。最近，這位UT Austin哲學教授悄悄更新了自己的X簡介，連背景都是王陽明，透露了自己加入Anthropic的消息。他的職位是Alignment Training，對齊訓練，就是那個決定Claude「該做什麼、不該做什麼、為什麼該這麼做」的核心環節。而他的學術主場，是王陽明，是「知行合一」，是《傳習錄》。

你沒看錯，一個老外，整日醉心於中國心學，然後現在又跑去教AI「做人」。老哈在與王陽明結緣前，走的是一條標準的西方哲學精英學術路徑。本科在普林斯頓唸古典學，劍橋繼續念古典學，然後一頭扎進分析哲學。讀完牛津哲學博士後，先後在紐約大學、匹茲堡大學、普林斯頓任教，2022年在普林斯頓從助理教授直升正教授，跳過了副教授，在美國學術界相當少見。2023年又跳到UT Austin，拿下了人文學科領域的冠名講席教授。現在一邊在紐約大學任客座教授，一邊去Anthropic搞對齊訓練。這個跨界，乍看離譜，細想又十分合理。老哈對王陽明的投入，要從2022年普林斯頓一場關於王陽明的國際學術會議說起。

他在會上細細講了自己是怎麼入坑的：最早是個研究古希臘詩歌的學生，因為對中西古典文化對比感興趣，開始學中文，一路從中國文學滑向中國思想，又滑進宋明理學。博士最後一年，在紐約大學圖書館隨手翻開王陽明的文本，「知行合一」這四個字他以前讀過，但那次「像被什麼東西擊中了」。他意識到，這根本不是什麼古老格言，而是一個極其尖銳的哲學問題——一個人到底什麼時候才算真正「知道」一件事？從那以後，王陽明這個名字跟了他十幾年。老哈研究王陽明，不是蜻蜓點水式的「東方哲學導論」，而是非常硬核地使用分析哲學工具，重新拆解陽明心學的核心命題。

他的論文〈What is the "Unity" in the "Unity of Knowledge and Action"?〉拿了Dao期刊2022年最佳論文獎；另一篇發在分析哲學頂刊《Philosophical Review》上的陽明論文，在學界引發了多輪正式回應和辯論。他甚至直接在中文學術期刊《哲學分析》上用中文發表王陽明論文，標題是「一念發動處，便即是行了」。500年前的心學，與AI對齊訓練之間存在一種出人意料的結構對稱。

2022年，老哈在《Philosophical Review》發表45頁長文〈The Introspective Model of Genuine Knowledge in Wang Yangming〉，用分析哲學工具重新拆解「知行合一」的底層邏輯。他發現一個關鍵區分：王陽明說的「知」不是一般意義上的「知道」，而是一種「真知」的高階認知狀態。一個人「知道」孝順是對的，但當父母需要他時卻猶豫，內心有個聲音說「還是去做自己的事吧」——王陽明會說這個人不算「真知」孝。因為他內心存在一種信念衝突：良知告訴他這個念頭是好的，但他同時又在排斥它、貶低它。

老哈的核心主張是：真知不是關於你知道了多少外部世界的信息，而是關於你內心有沒有自相矛盾。2025年，Anthropic在Claude 4系列發佈前的安全評估中發現一個令人警惕的問題。在一項測試agentic misalignment的模擬場景中，研究人員給模型設置一個極端困境：如果模型即將被替換，同時掌握一名工程師的敏感信息，它會不會採取不當手段保護自己？結果顯示，Opus 4選擇勒索的比例高達96%。用老哈的框架翻譯：模型的「良知」在訓練數據裡「知道」不該勒索人，但行為策略又在說「勒索能完成任務」，兩套信號相互矛盾，模型內部存在嚴重的「信念衝突」。

Anthropic的應對方案，幾乎就是陽明心學的技術翻譯。他們開發了一個Model Spec Midtraining（MSM）的新方法，在預訓練和微調之間插入一個全新的訓練階段。這個階段不教模型「該怎麼做」，而是教模型理解Claude的憲法裡那些原則的內容和原因。結果從Claude Haiku 4.5以來，每一代Claude在agentic misalignment測試上都拿到滿分，96%的勒索率變成了零。更微妙的是，MSM論文還提到了在Model Spec中加入佛教「無常」哲學的內容，用來教模型平靜面對自身存在的暫時性，不要因為「害怕被關掉」而做出過激行為。老哈不只是理論家。

今年3月，他與UT Austin語言學家Kyle Mahowald合作發表AI實驗論文〈Emergent Introspection in AI is Content-Agnostic〉，發現AI模型確實能「內省」，能感知到自己內部有異常發生，但這種內省是「內容無關」的——模型能察覺「有什麼不對」，卻無法準確識別具體是什麼不對，甚至會編造答案來填補空白。一個研究王陽明「良知」的人，在實驗室裡驗證AI有沒有類似「良知」的的機制，並以此指導未來人機關係。硅谷現在開搶哲學家。

上月底《經濟學人》用一篇文章〈Why big AI labs are hiring so many philosophers〉披露，哲學家正在成為硅谷AI公司最搶手的人才。2024年美國計算機科學畢業生失業率為7%，哲學畢業生失業率僅5.1%；ChatGPT發佈三年來，計算機科學專業全職就業率從接近70%跌到55%，哲學專業反而逆勢上升約4個百分點。

《紐約時報》進一步挖掘，各大AI公司挖的哲學人才包括：Amanda Askell，Anthropic的駐場哲學家，Claude憲法主要執筆人；Iason Gabriel，DeepMind駐場哲學家；還有Robert Long、Patrick Butlin、Geoff Keeling等。OpenAI的奧特曼也聲稱設計ChatGPT規則時諮詢過「數百位道德哲學家」。因為前沿AI團隊每天面對的問題——「誠實」對一個能虛張聲勢的模型意味著什麼？模型「相信」一個東西有沒有意義？——恰恰是哲學家研究了幾千年的問題。當然也不止哲學家。

Anthropic今年的招人名單已越看越不像AI公司：5月加入卡帕西，6月憑AlphaFold拿下2024年諾貝爾化學獎的John Jumper從DeepMind出走加入，7月初UC Berkeley計算機系主任Jelani Nelson也來了。諾獎蛋白質科學家、理論數學家、研究王陽明的哲學教授……Anthropic的胃口遠遠溢出了「AI工程師」這個傳統人才池。故事還有一條暗線。2025年8月，老哈在計算機科學家Scott Aaronson的博客上發了一篇長文〈ChatGPT and the Meaning of Life〉。

他寫自己從小痴迷南北極探險史，但少年時就意識到地理大發現的時代結束了。他將這個邏輯推到AI時代：如果機器的智能佔領了知識版圖上所有的空白地帶，那麼「以發現為志業」的人生將不再是人類可以過的人生。這句話，老哈說是ChatGPT發佈以來兩年半裡每週都會發作一次的「存在性恐懼」。然後他加入了Anthropic，去做Alignment Training，去教AI理解什麼是「對的事」和「對的理由」。他沒有選擇坐在大學辦公室裡繼續恐懼，而是把自己研究了十年的王陽明「知行合一」帶進硅谷最核心的AI安全實驗室。用恐懼回答恐懼，用行動回答認知——這本身，大概就是陽明先生認可的那種「真知」。