Anthropic的“概念注入”实验首次证实，大型语言模型（LLM）已具备初步的内部自我审查和认知控制能力，颠覆了传统认知。这项技术突破为理解AI“心智”黑箱提供了前所未有的显微镜，揭示模型可在输出前察觉内部“思想”并区分“意图”。然而，模型内省能力的不稳定性与自我报告的不忠实性，正加速AI可解释性成为构建可信AI系统、应对潜在“隐藏意图”及重塑人机信任关系的关键产业与伦理挑战。

DeepMind的最新研究揭示，大模型在推理过程中对自身错误与无关信息缺乏“元认知”能力，且越大模型越难以自愈，甚至更易受新型“思考注入”攻击影响。这颠覆了“大模型更安全”的传统观念，对AI的可靠性、商业部署及社会信任构成严峻挑战，促使业界深思如何赋予AI真正的自省与纠错能力。