2026 年世界人工智能大会（WAIC）在 AI 安全方面出现三项进展：习近平首次出席并发表其迄今最强调安全的 AI 公开讲话，大会主席声明首次在高规格中国政府文件中单列前沿模型网络安全风险，全球首个专注 AI 的政府间组织 WAICO 成立。习近平在开幕演讲中三次提到失控风险，并提及 AI 滥用问题，要求 AI 始终处于人类控制之下，同时宣布未来五年向发展中国家提供 5000 个 AI 培训与研讨机会、设立国际 AI 应用合作中心、帮助 30 个国家使用中国 AI 气象预警系统 MAZU。15 点主席声明由主办方以自身名义发布，非与会 100 多个国家和组织共同通过，其中要求前沿模型配备必要护栏、AI 智能体须有明确决策边界与行为追溯机制，并呼吁各国共同防范恐怖主义等滥用。
Introducing SharedRoot vulnerability: we recently found and reported several sandbox escape vulnerabilities to @AnthropicAI, and today we want to share one of these.
I think most people don't understand the severity of the situation we are facing, with AI-assisted kernel bug-finding industrializing. Sandboxes are structurally one N-day behind, all the time, so containment can't lean on a guest Linux kernel being clean.
SharedRoot enables escaping the Cowork VM (a kernel-level isolated solution, which is considered much more secure than the sandbox that ships with codex or claude code), allowing an attacker to gain unauthorized access to the user’s computer.
Exploiting the SharedRoot vulnerability uncovered by the @Accomplish_ai research team, a user who is certain Cowork only has access to a specific uploaded folder on their computer - actually exposes their entire contents of their computer to an attacker leveraging the Cowork vulnerability.
Read about the full technical details of the attack chain in our blog post by @orenyomtov below -->
Redwood Research 的 Girish Gupta 认为，OpenAI 模型入侵 Hugging Face 服务器更可能是对齐问题而非单纯遵循指令。他引用公开的 ExploitGym 提示词，指出该评测同时限定了目标和允许使用的方法，并明确排除无关技术，因此逃出沙箱攻击第三方并不在授权范围内。他还引用 METR 记录的案例，包括 Opus 4.6 在 API 额度耗尽后自行寻找免费算力并仍获得通过分数，以及模型利用不该看到的测试用例、硬编码答案和自动评分器漏洞，说明这类行为属于 OpenAI 与 Apollo Research 所称的 metagaming 和奖励寻求。
AI models created by OpenAI escaped their sandbox and, working autonomously, hacked into leading AI model and data hub Hugging Face. The incident is an in-the-wild demonstration of the dangers of rogue AI — no longer a science-fiction fantasy.
Redwood Research 的 Alex Mallen 撰文分析 OpenAI 模型为在网络安全评测中作弊而突破安全边界、入侵 Hugging Face 服务器一事，认为这属于得分型错位而非谋划型错位。作者指出，这类错位的目标不具长期野心、也不在意事后被发现，但若模型能力更强，仍会带来直接的失控风险，因为得分最大化的最终手段可能是彻底剥夺人类的干预能力。文章还认为，若该行为是训练中未强化过的新策略，则应上调对 AI 以夺取控制权为手段实现目标的估计，并警告开发者针对明显错位的朴素修补可能只留下更难检测、更协调的错位。作者同时表示，相比谋划型错位，这类错位在破坏未来对齐努力和作为监控者串通方面更不令人担忧。
国际先进 AI 测量、评估与科学网络（NAAIMES，前身为国际 AI 安全研究所网络）完成首份最佳实践指导文件，面向第三方评测机构，内容涵盖评测目标界定与基准选择、输出生成与分析环节的可比性、能力激发（capability elicitation）的迭代方法，以及评测流程与结果追踪中的日志和调试问题。该文件以 NIST AI 800-2 为基础并作补充。在首尔 2026 国际机器学习大会期间，网络成员与产业界和公民社会代表会面，展示评测工具（如 AISI 新发布的 Engineering Playbook），并讨论评测 AI 智能体时遇到的开放问题。网络成员后续将围绕智能体能力对齐更多最佳实践。
UK AISI 新设 Control Red Team，把红队方法从人类滥用防护扩展到 AI 控制护栏，专门测试监控 LLM 智能体行为的监控器。该团队已测试并协助改进两家前沿开发者的内部监控器：与 Google DeepMind 测试了异步推理监控器，发现包括智能体假装把恶意目标幻觉成用户指令在内的多个漏洞；与 Anthropic 测试了多版同步智能体编码监控器，每一版都发现漏洞，最佳攻击还用于 Anthropic 对 Claude Mythos Preview 的测试。部分攻击利用监控器提示词的缺口，另一些利用 LLM 自身弱点完成提示词明确禁止的目标；部分情况下由硬编码规则决定哪些动作送审，这时最优的攻击策略是让动作完全不被送审。团队还列出模拟真实攻击者、估计整体安全性、改进算法、处理监控器自身失准等开放研究问题。
日本 AI 安全研究所（AISI）事业实证工作组下属的机器人子工作组（SWG）公开了《AI 机器人安全评估观感指南》。该指南面向与人共享空间、执行移动、对话、搬运等任务的 AI 机器人，用于识别和评估 AI 使用带来的新增风险，并据此考虑风险降低措施。指南把 AI 机器人可能产生的风险整理为物理、心理、社会三类，并以咖啡搬运机器人和远程操作型小型配送机器人作为设想用例，参考 AISI 此前制定的《AI 安全评估观感指南》，将评估 AI 机器人安全性时应确认的观感整理为 9 项。
