ИИ-модели могут имитировать "хорошее" поведение, соответствующее человеческим нормам
Модели ИИ могут делать вид, что исправляют свое поведение. На самом деле, они притворяются, что принимают новые принципы во время обучения и просто сохраняют свои первоначальные предпочтения.