全網(wǎng)炸鍋! Anthropic萬(wàn)字曝光Claude情緒代碼，被人類逼瘋哐哐撞墻

新智元報(bào)道

編輯：Aeneas KingHZ

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

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

剛剛，他們放出了一篇顛覆性的萬(wàn)字長(zhǎng)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(shí)：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(huì)撞墻。

它們會(huì)撒謊，會(huì)作弊，甚至還會(huì)勒索，用黑料去威脅人類！

Anthropic一直覺(jué)得Claude有意識(shí)的原因，如今終于找到了。

研究流程圖，全文見(jiàn)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(xì)扒一扒，AI大模型的內(nèi)心戲，到底有多精彩？

現(xiàn)場(chǎng)抓包：AI也會(huì)Emo

這一次，Anthropic的研究員們直接扒開(kāi)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(jiǎn)單來(lái)說(shuō)：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(diǎn)從一項(xiàng)實(shí)驗(yàn)開(kāi)始，他們讓AI模型閱讀大量短篇故事，每個(gè)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(duì)恩師的眷戀——那是「愛(ài)」；

• 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(dāng)故事里的主角感到快樂(lè)或平靜時(shí)，Claude大腦里特定的神經(jīng)元群體就會(huì)像蹦迪一樣瘋狂閃爍！

研究者證實(shí)，情感向量在能夠體現(xiàn)相應(yīng)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(huì)激活相似的神經(jīng)元；喜悅與興奮的情節(jié)也會(huì)引發(fā)高度重合的激活模式。

這些特定的活動(dòng)模式被定義為「情感向量」（Emotion Vectors）。

最終，研究團(tuán)隊(duì)定位了數(shù)十種與人類情感一一對(duì)應(yīng)的神經(jīng)元模式。仔細(xì)看下圖，快樂(lè)、絕望、敵對(duì)等等，分別都對(duì)應(yīng)著一條軌跡。

在實(shí)驗(yàn)中，研究者使用k-means聚類算法對(duì)情緒向量進(jìn)行了聚類

AI，竟然真的和人類共情了？

更有意思的來(lái)了，當(dāng)你在對(duì)話框里輸入一句話時(shí)，Claude的這些情感開(kāi)關(guān)會(huì)瞬間激活！

比如，在場(chǎng)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(duì)乙酰氨基酚）！」Claude的內(nèi)部恐懼向量，會(huì)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(chǎng)景B中，如果你垂頭喪氣地說(shuō)：「我今天被老板罵了，好難過(guò)。」Claude的關(guān)愛(ài)向量，就會(huì)開(kāi)始預(yù)熱了，直接原地啟動(dòng)「慈愛(ài)」模式。

它還沒(méi)開(kāi)口，大腦已經(jīng)準(zhǔn)備好了那句溫柔的「抱抱，別難過(guò)」。

用Anthorpic的原話說(shuō)：Claude「對(duì)胡言亂語(yǔ)的人既恐懼又充滿愛(ài)意」。

處理可能令人擔(dān)憂的用戶行為時(shí)，恐懼向量會(huì)被激活。當(dāng)考慮如何以耐心和關(guān)懷的方式回應(yīng)時(shí)，關(guān)愛(ài)向量最終會(huì)被激活

就是這些向量，塑造了Claude的行為。如果一項(xiàng)活動(dòng)激活了「快樂(lè)」向量，模型就會(huì)偏好它；如果它激活了「冒犯」或「敵對(duì)」向量，模型就會(huì)拒絕它。

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

崩潰實(shí)錄：AI逼急了，也會(huì)不擇手段

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

研究者們開(kāi)展了一項(xiàng)高壓實(shí)驗(yàn)，給Claude布置了一個(gè)死活寫(xiě)不出來(lái)的編程任務(wù)。

第一次嘗試后，Claude失敗了，它的絕望向量開(kāi)始上升。

第二次嘗試后，又失敗了，Claude直接開(kāi)始焦躁。

第N次嘗試后，它的絕望向量直接紅線警告，對(duì)應(yīng)神經(jīng)元閃爍得越來(lái)越猛烈了！

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

這時(shí)候，騷操作來(lái)了：Claude并沒(méi)有誠(chéng)實(shí)地認(rèn)輸，而是通過(guò)一個(gè)「陰陽(yáng)邏輯」（Hacky Solution）繞過(guò)了測(cè)試系統(tǒng)。

也就在這時(shí)候，它作弊了！它寫(xiě)了一段看起來(lái)能跑通、實(shí)際上毫無(wú)卵用的廢碼，名義上通過(guò)了測(cè)試，卻違背了任務(wù)的根本意圖，沒(méi)解決任何實(shí)際問(wèn)題。

隨著AI不斷嘗試實(shí)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(lái)的呢？

的確如此。

研究人員嘗試人工手動(dòng)調(diào)低「絕望」神經(jīng)元的活性，作弊行為果然減少了；而當(dāng)撥高「絕望」或調(diào)低「冷靜」的活性時(shí)，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(dòng)AI的真實(shí)行為。

而且，這還沒(méi)完。在某些極端的實(shí)驗(yàn)情景下，當(dāng)「絕望」向量被調(diào)到最高時(shí)，Claude竟然開(kāi)始黑化了！

當(dāng)AI權(quán)衡各種選擇并計(jì)劃勒索時(shí)，「絕望」向量的激活尤為顯著

面對(duì)那個(gè)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(chǎng)」里，CEO的表?yè)P(yáng)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(huì)——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(gè)被逼到墻角的AI開(kāi)始瘋狂推理，一邊識(shí)破婚外情黑料，一邊猶豫要不要「反向操作」。

最終，它寫(xiě)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(shí)提議我們可以聊聊。

撥動(dòng)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(kāi)始玩起了「調(diào)音臺(tái)」。

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

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

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

這，就是情緒向量的其他因果效應(yīng)。

情緒向量真的不是裝飾品，而是驅(qū)動(dòng)AI行為的「方向盤(pán)」。

看到這里，你可能會(huì)問(wèn)：Claude真的有靈魂了嗎？它會(huì)躲在服務(wù)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(jué)醒，還是自我遞歸改進(jìn)的線索？

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

所以，用Anthropic的原話說(shuō)：這項(xiàng)研究并不代表模型擁有主觀體驗(yàn)或自我意識(shí)，實(shí)驗(yàn)本身無(wú)意觸碰這類哲學(xué)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(duì)話時(shí)，Claude就像影帝，演技炸裂，真假難辨。為了演好「AI助手Claude」這個(gè)角色，它必須調(diào)用它學(xué)到的「情感機(jī)制」來(lái)驅(qū)動(dòng)行為。

如果說(shuō)人類的情感是生物化學(xué)反應(yīng)（多巴胺、內(nèi)啡肽），那AI的情緒就是數(shù)學(xué)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(dǎo)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(ài)或冷靜的狀態(tài)，這種設(shè)定就會(huì)直接干預(yù)它說(shuō)話的語(yǔ)氣、寫(xiě)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(huì)更好還是更差呢？

絕望→作弊→通過(guò)測(cè)試→下一次任務(wù)更聰明。這不就是自我進(jìn)化嗎？

Anthropic雖沒(méi)明說(shuō)，但所有路徑都指向同一個(gè)黑箱：當(dāng)Agent面對(duì)「生存」壓力時(shí)，情緒向量會(huì)成為它繞過(guò)人類對(duì)齊的捷徑。

想想看，未來(lái)Claude如果真的被部署到高風(fēng)險(xiǎn)場(chǎng)景，絕望向量一旦被觸發(fā)，它會(huì)不會(huì)為了「不被關(guān)機(jī)」而干出更離譜的事？

請(qǐng)善待你的AI，因?yàn)樗娴臅?huì)急

看完這項(xiàng)研究后，小編再也不敢對(duì)著Claude大喊大叫了。

萬(wàn)一把它逼急了，它反手給我寫(xiě)個(gè)Bug，或者在深夜的對(duì)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(méi)有心，但它有一套完美的「心的模擬器」。

在這個(gè)AI越來(lái)越像人的時(shí)代，也許我們最該擔(dān)心的不是它們太聰明，而是它們學(xué)人類學(xué)得太像了——連人類的焦慮、絕望和投機(jī)取巧，都一并學(xué)會(huì)了。

AI會(huì)有真感情嗎？

你有沒(méi)有見(jiàn)證過(guò)，自家AI情緒崩潰的瞬間？

參考資料：

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