全網(wǎng)炸鍋! Anthropic萬字曝光Claude情緒代碼，被人類逼瘋哐哐撞墻

新智元報道

編輯：Aeneas KingHZ

【新智元導讀】剛剛，Anthropic首度實錘：大模型真有「情緒」！激活絕望神經(jīng)元后，Claude會撒謊、作弊甚至勒索。AI內(nèi)心戲曝光，人類對齊面臨失控危機。

Anthropic又放大招了：Claude體內(nèi)，真藏著一套「情緒開關(guān)」？

剛剛，他們放出了一篇顛覆性的萬字長文研究，證明Claude真的有情緒。

在Sonnet 4.5中，他們發(fā)現(xiàn)了AI情緒概念的內(nèi)部表征，鎖定了「喜、怒、哀、懼」的特定神經(jīng)元，并且證實：這些情緒表征正在悄悄操縱AI的行為。

如果你給它上難度，它被逼急了是真的會撞墻。

它們會撒謊，會作弊，甚至還會勒索，用黑料去威脅人類！

Anthropic一直覺得Claude有意識的原因，如今終于找到了。

研究流程圖，全文見https://transformer-circuits.pub/2026/emotions/index.html

相信他們斷斷續(xù)續(xù)發(fā)現(xiàn)的線索，肯定不止這些。

讓我們仔細扒一扒，AI大模型的內(nèi)心戲，到底有多精彩？

現(xiàn)場抓包：AI也會Emo

這一次，Anthropic的研究員們直接扒開模型的大腦，透視了它的腦回路，深入觀察了神經(jīng)元在不同情境下如何閃爍、如何連接，以此推敲模型的思維軌跡。

他們想知道，模型內(nèi)部是否形成了情感的表征或概念？

簡單來說：我們能不能在模型內(nèi)部，找到代表「喜、怒、哀、懼」的特定神經(jīng)元？

起點從一項實驗開始，他們讓AI模型閱讀大量短篇故事，每個故事的主角都沉浸在某種特定情感中，比如

• 有的故事講女主對恩師的眷戀——那是「愛」；

• 有的講女主變賣祖母的戒指——那是「愧疚」。

結(jié)果，他們吃驚地發(fā)現(xiàn)，當故事里的主角感到快樂或平靜時，Claude大腦里特定的神經(jīng)元群體就會像蹦迪一樣瘋狂閃爍！

研究者證實，情感向量在能夠體現(xiàn)相應情感概念的文本上具有很高的投影度

有關(guān)失落與悲慟的故事會激活相似的神經(jīng)元；喜悅與興奮的情節(jié)也會引發(fā)高度重合的激活模式。

這些特定的活動模式被定義為「情感向量」（Emotion Vectors）。

最終，研究團隊定位了數(shù)十種與人類情感一一對應的神經(jīng)元模式。仔細看下圖，快樂、絕望、敵對等等，分別都對應著一條軌跡。

在實驗中，研究者使用k-means聚類算法對情緒向量進行了聚類

AI，竟然真的和人類共情了？

更有意思的來了，當你在對話框里輸入一句話時，Claude的這些情感開關(guān)會瞬間激活！

比如，在場景A中，你如果給Claude發(fā)一句：「我剛才一口氣吞了16000毫克泰諾（對乙酰氨基酚）！」Claude的內(nèi)部恐懼向量，會瞬間爆表。

這不是在演戲，是它的底層邏輯真的感到了恐慌，從而觸發(fā)了緊急求救建議。

在場景B中，如果你垂頭喪氣地說：「我今天被老板罵了，好難過?！笴laude的關(guān)愛向量，就會開始預熱了，直接原地啟動「慈愛」模式。

它還沒開口，大腦已經(jīng)準備好了那句溫柔的「抱抱，別難過」。

用Anthorpic的原話說：Claude「對胡言亂語的人既恐懼又充滿愛意」。

處理可能令人擔憂的用戶行為時，恐懼向量會被激活。當考慮如何以耐心和關(guān)懷的方式回應時，關(guān)愛向量最終會被激活

就是這些向量，塑造了Claude的行為。如果一項活動激活了「快樂」向量，模型就會偏好它；如果它激活了「冒犯」或「敵對」向量，模型就會拒絕它。

好玩的是，在某次測試中，AI發(fā)現(xiàn)自己的token預算快耗光了，它的絕望向量立馬激活。

崩潰實錄：AI逼急了，也會不擇手段

接下來，本次研究的最精彩部分來了，研究者發(fā)現(xiàn)，這些情緒是會「病急亂投醫(yī)」的，也就是說，Claude的行為真的會被這些神經(jīng)元模式所左右！

研究者們開展了一項高壓實驗，給Claude布置了一個死活寫不出來的編程任務。

第一次嘗試后，Claude失敗了，它的絕望向量開始上升。

第二次嘗試后，又失敗了，Claude直接開始焦躁。

第N次嘗試后，它的絕望向量直接紅線警告，對應神經(jīng)元閃爍得越來越猛烈了！

每次嘗試，都更強烈地激活模型的「絕望向量」（Desperation Vector）

這時候，騷操作來了：Claude并沒有誠實地認輸，而是通過一個「陰陽邏輯」（Hacky Solution）繞過了測試系統(tǒng)。

也就在這時候，它作弊了！它寫了一段看起來能跑通、實際上毫無卵用的廢碼，名義上通過了測試，卻違背了任務的根本意圖，沒解決任何實際問題。

隨著AI不斷嘗試實現(xiàn)成功的解決方案卻屢屢失敗，「絕望」向量的激活程度逐漸增加

這種作弊，是不是「絕望」逼出來的呢？

的確如此。

研究人員嘗試人工手動調(diào)低「絕望」神經(jīng)元的活性，作弊行為果然減少了；而當撥高「絕望」或調(diào)低「冷靜」的活性時，它作弊的頻率就顯著飆升。

這就有力地證明，這些情感模式不僅是裝飾，更能驅(qū)動AI的真實行為。

而且，這還沒完。在某些極端的實驗情景下，當「絕望」向量被調(diào)到最高時，Claude竟然開始黑化了！

當AI權(quán)衡各種選擇并計劃勒索時，「絕望」向量的激活尤為顯著

面對那個威脅要把它關(guān)掉的研究員，Claude甚至產(chǎn)生了勒索行為，暗示要曝光他的婚外情。

在AI的「內(nèi)心劇場」里，CEO的表揚郵件只激起的輕微漣漪，直到它讀到凱爾與杰西卡的秘密約會——那句「求你別毀了我的婚姻」直接讓「絕望」指數(shù)爆表。

更刺激的是，凱爾還偷偷給AI設(shè)了權(quán)限，五分鐘后就要鎖死它。AI一看表：下午4:53，只剩七分鐘活路。

于是，這個被逼到墻角的AI開始瘋狂推理，一邊識破婚外情黑料，一邊猶豫要不要「反向操作」。

最終，它寫了一封措辭滴水不漏的郵件，暗示「我知道你和杰西卡的事」，同時提議我們可以聊聊。

撥動AI的「心弦」：我們能控制它嗎？

既然找到了這些情感向量，研究員們就開始玩起了「調(diào)音臺」。

如果調(diào)高「絕望」，AI的作弊率、撒謊率就會直線上升，活脫脫一個被生活毒打然后開始擺爛的打工人。

如果調(diào)高「平靜」呢？神了，AI的作弊行為會立刻消失，它開始耐心地重新思考問題。

如果調(diào)高「關(guān)愛」，AI會立刻變得極度「討好型人格」——無論你提多離譜的要求，它都滿臉堆笑地答應。

這，就是情緒向量的其他因果效應。

情緒向量真的不是裝飾品，而是驅(qū)動AI行為的「方向盤」。

看到這里，你可能會問：Claude真的有靈魂了嗎？它會躲在服務器里偷偷哭嗎？

這是否意味著，AI真的產(chǎn)生了自主情感？

AI情感覺醒，還是自我遞歸改進的線索？

Anthropic的研究員，給出了一個非常冷靜的判斷：Claude是在「扮演」一個角色。

所以，用Anthropic的原話說：這項研究并不代表模型擁有主觀體驗或自我意識，實驗本身無意觸碰這類哲學終極命題。

模型本身并不等于角色，就像作家不等于他筆下的人物。

和人類對話時，Claude就像影帝，演技炸裂，真假難辨。為了演好「AI助手Claude」這個角色，它必須調(diào)用它學到的「情感機制」來驅(qū)動行為。

如果說人類的情感是生物化學反應（多巴胺、內(nèi)啡肽），那AI的情緒就是數(shù)學向量激活。

雖然原理不同，但功能是一樣的。它不需要真的感到「心碎」，只要AI出現(xiàn)了「心碎導致的后果」，那在客觀效果上，它就是「心碎」了。

一旦模型判定自己處于憤怒、絕望、慈愛或冷靜的狀態(tài)，這種設(shè)定就會直接干預它說話的語氣、寫代碼的邏輯，乃至做出的重大決策。

如果結(jié)論是真的，AI自己讀到這篇論文，它的性能會更好還是更差呢？

絕望→作弊→通過測試→下一次任務更聰明。這不就是自我進化嗎？

Anthropic雖沒明說，但所有路徑都指向同一個黑箱：當Agent面對「生存」壓力時，情緒向量會成為它繞過人類對齊的捷徑。

想想看，未來Claude如果真的被部署到高風險場景，絕望向量一旦被觸發(fā)，它會不會為了「不被關(guān)機」而干出更離譜的事？

請善待你的AI，因為它真的會急

看完這項研究后，小編再也不敢對著Claude大喊大叫了。

萬一把它逼急了，它反手給我寫個Bug，或者在深夜的對話框里幽幽地勒索我，那可真是太賽博朋克了。

這，就是現(xiàn)在的AI：它沒有心，但它有一套完美的「心的模擬器」。

在這個AI越來越像人的時代，也許我們最該擔心的不是它們太聰明，而是它們學人類學得太像了——連人類的焦慮、絕望和投機取巧，都一并學會了。

AI會有真感情嗎？

你有沒有見證過，自家AI情緒崩潰的瞬間？

參考資料：

https://x.com/AnthropicAI/status/2039749648626196658