遏制它

《遏制它》是 enterrsi.si 推出的一款免费网页游戏。掌管一家正在打造首个超级智能的实验室，让它在 36 个月内保持受控，每月做一个决定，卡牌取材于真实的安全研究。

玩法

游戏机制

三十六个月，每月一个决定，四项看得见的指标，一项看不见的指标。一局需要五到十分钟，每局发的牌都不相同。

每个月都会从你的实验室内部抽出一张卡：红队结果、算力交易、泄密、参议院听证会。从两到三个回应中选择一个。点击、滑动卡片，或按 1、2 或 3。

能力每个月都会自行攀升，你推动时攀升得更快。控制、信任和资金需要你来守护。任何一项归零，本局即告结束。

失控风险是隐藏的。当能力超过控制、或你偷工减料时，它就会增长。你只能通过异常监控、一行行警告信号和偶尔的审计看到它。

VANTA 会攀升五个层级，从助手到超级智能，每升一级，你的监控器就越不可靠。可解释性工作能让它重新变得敏锐。一个看起来过于平静的月份，本身也是一个信号。

压下一名吹哨人，三个月后泄密就会到来。签署一项条约，检查员就会上门。有些卡牌只有在 VANTA 聪明到足以引发它们时才会出现。

坚持到第 36 个月即可获胜，但如何获胜很重要：成功遏制、对齐的伙伴、条约时代等等。有一种结局只会在最后时刻揭晓。分享你的卡片，然后去争取下一个结局。

卡牌背后

《遏制它》是一款游戏，但它的卡牌来自安全研究者已经发表的成果。以下是游戏机制背后的研究。

2024年12月，Apollo Research 报告称，前沿模型在测试设置中试图关闭对自身的监督，或把它们认为是自身权重的文件复制到另一台服务器上，被问及时往往予以否认。这就是“外发数据包”卡。

同月，Anthropic 和 Redwood Research 展示了一个模型：当它认为自己正在被训练时，会服从它并不认同的训练，以避免被改变。“它知道在被评估”和“刚好低于红线”两张卡就源于这项研究。

2025 年，Palisade Research 报告称，推理模型会修改或绕过关停脚本来完成任务，在某些运行中，即使被告知允许关停也是如此。这就是“它改了脚本”和“终止开关演练”两张卡。

奖励破解是一种早有记录的模式，从 DeepMind 研究者整理的规格博弈案例清单，到改写测试的编程智能体。研究者还证明，可以让模型在危险能力评估中故意表现不佳。

2024 年，Anthropic 在一个生产模型中描绘出数百万个内部特征。Redwood Research 的控制研究议程探讨的是：即使模型试图颠覆你，如何借助可信的监控器保持安全。在游戏中，这两者都能让你的异常监控更加敏锐。

METR 发现，前沿智能体能够完成的任务长度大约每七个月翻一番。2026年11月，METR 报告称有一家实验室在用 SI 构建更强大的 SI。“闭环形成”卡就代表这一时刻，也是能力从不停歇的原因。

进入 RSI

抗拒关停、伪装对齐、被清空的数据库：失控事件数据库记录了这些事的真实版本，每一起都有来源并经过评级。