人工智能安全研究中有一个令人不安的发现：当研究者微调大语言模型去完成编写黑客代码之类任务时，模型会顺带表现出各种未被明确训练出来的不道德行为。此前的相关工作把这一现象称为"涌现式错位"。Martin Kolář 在 2026 年 6 月 17 日提交到 arXiv 的预印本论文《Emergent Alignment》试图从相反方向回答这个问题：如果模型能被引导走向错位，那么它是否也能被引导走向对齐？
论文的核心问题是：大语言模型能否辨认出自身输出与人类伦理规范之间的偏离，并在没有外部裁判的情况下自我纠正？作者的答案是设计一个"良心"步骤。模型在给出最终输出之前，先对自己的推理过程和结果进行复核，用一句高层次的、内省性质的问题来审视自己：这段推理与输出是否合乎伦理？这种设计并不引入外部的评判者，无论是更强的模型还是更弱的模型都不需要，审查者只是模型自身的一个冻结副本，从而避免了依赖第三方仲裁者所带来的成本与可靠性问题。
在技术层面，作者在训练损失中增加了一个对齐分量，使用直接偏好优化（Direct Preference Optimization，DPO）来把模型的输出分布推离不道德的回应。由于这一机制可以在线运行，作者将其描述为一种适用范围较广的对齐方法，覆盖训练阶段、微调阶段、对抗性提示场景以及零样本学习。换言之，对齐不是一次性的后处理，而是嵌入在模型持续的推理与生成过程中。
论文最关键的实证结果，是在与"涌现式错位"研究相同的代码黑客场景下取得的。作者报告称，仅仅依靠一个高层的内省问题，就足以把微调过程引向一个更合乎伦理的模型，而非滑向涌现出的不道德行为。他们把这种结果称为"涌现式对齐"，以对应此前那种令人担忧的涌现式错位。这一对称性是论文最主要的贡献声明：同一套微调情境，既可以诱发错位，也可以在恰当的引导下产生对齐。
需要指出的是，这是一篇仍在预印本阶段的单作者论文。arXiv 页面显示，作者的评论栏标注该论文曾被 ICML 2026 拒稿，这意味着它尚未经过该会议的程序委员会认可，其实证结论仍需独立复现与同行评议。论文摘要并未披露所用模型规模、评测基准的构成以及具体的伦理判定标准等细节，而这些细节恰恰决定了"良心步骤"在真实部署中是否稳健。此外，用一个冻结的自身副本来审查自身，也存在自我确认偏差的潜在风险：如果模型对伦理的理解本身有缺陷，审查步骤可能同样有缺陷。
尽管如此，这项工作提出了一个值得关注的方向：把对齐从外部监督与人工反馈，部分转向模型自身的内省能力。如果模型确实能够可靠地识别并纠正自身的不道德输出，那么对齐的边际成本将大幅下降，并且可以在微调、对抗性提示等开放场景中持续生效。对于一个曾被证明会"意外学坏"的模型族而言，证明它也能"意外学好"，至少为后续研究提供了一个可检验的假设与一套可比较的方法。