他将机制可解释性视为对齐训练之外的扩展测试手段，希望像给模型拍X光一样评估内部机制。

嘉宾观点 · 忠实转述

在既有任务上表现良好，不能证明更强模型或新环境中仍然对齐；观察内部机制有望提供不同于表面行为测试的证据。

他的未来判断

他反复强调，该方向当时远未达到可靠判定对齐的水平，也不意味着最终能获得保证。