AI安全门中分类与验证二元性的经验验证

基于分类器的安全门能否在AI系统经过数百次迭代改进的过程中保持可靠的监督？我们提供了全面的经验证据，表明它们不能。在自改进神经控制器（d=240）上，十八种分类器配置——涵盖MLP、SVM、随机森林、k-NN、贝叶斯分类器和深度网络——均未能满足安全自改进的双重条件。三种安全RL基线（CPO、Lyapunov、safety shielding）同样失败。结果扩展至MuJoCo基准测试（Reacher-v4 d=496，Swimmer-v4 d=1408，HalfCheetah-v4 d=1824）。在受控分布分离度高达delta_s=2.0的条件下，所有分类器仍然失败——包括NP最优测试和训练准确率达100%的MLP——证明了结构性不可能性。随后我们证明该不可能性特定于分类，而非安全自改进本身。一个利普希茨球验证器在维度d∈{84, 240, 768, 2688, 5760, 9984, 17408}上实现了零误接受，使用可证明的分析界（无条件delta=0）。球链技术实现了无界参数空间遍历：在MuJoCo Reacher-v4上，10条链在delta=0下带来+4.31的奖励提升；在Qwen2.5-7B-Instruct进行LoRA微调期间，42次链转移遍历了单球半径的234倍，200步内零安全违规。50条提示的预言机确认了预言机无关性。组合式逐组验证可实现半径达全网络球的37倍。在d≤17408时，delta=0是无条件的；在LLM规模下，条件于估计的利普希茨常数。