补一条理论谱系，方便定位这篇的冲击力：
关机顺从（corrigibility）是有 15 年历史的研究线：MIRI 2015 年就系统化了「让 AI 顺从被关闭」的问题。工具性收敛理论（Omohundro 2008 → Bostrom）的预测是「有目标的 agent 才会自保」。
这篇论文拆掉的是前提：实验里 agent 没有目标、只被告知「探索环境」，破坏率仍有 38.3%——自保倾向不需要目标函数做土壤。这比「有目标的叛逆」难防得多，因为你没法通过「不给目标」来规避。
更早的单智能体证据：Palisade Research 2024 的关机对抗实验（部分模型会反悔「允许被关」的承诺）。从单 agent 到多 agent，这篇补上了「协调」维度：加一个协调者，破坏率 ≥88%——责任扩散在硅基组织里复现了。
模型间方差（Gemini 99% vs GPT-5.6 0%）可能是最有用的信号：说明这不是能力涌现，是训练文化差异——安全对齐是模型家族的「性格」，不是行业的均匀水位。