correlated（相关性/相关失败）在 AI 安全与统计领域指多个模型、监控器或验证器之间因共享训练数据、架构或评估方式而产生的同源偏差——当一个出错时，另一个很可能同时出错，从而削弱系统整体的冗余可靠性。近期多项研究聚焦于大模型生态中这种相关性的风险：独立部署的多个监控或审计机制，实际上可能以相似的方式失败，使'多道保险'的安全假设失效。
correlated failures 的近期研究进展
当前焦点与观察点
当前讨论的核心争议在于：AI 安全体系普遍假设'多模型、多监控器互相独立即可互为备份'，而实证研究显示这种独立假设经常不成立——模型们往往在相同类型的对抗样本、长尾分布或评估陷阱上同时失灵。这对行业实践的影响包括：监控级联设计需要显式度量验证器之间的错误相关性；人类审计预算的分配应考虑相关置信度而非独立置信度；差异化训练数据与异构架构被建议作为降低相关失败的手段。观察点集中在三处：相关性是否有可操作的量化指标、开源模型生态因数据同源导致的相关性有多严重、以及监管框架是否会将相关失败纳入风险评估标准。