Claude情绪代码曝光AI被人类逼疯撞墙引热议

最近，AI领域又迎来了一则重磅消息。Anthropic发布了一项碘伏性的研究，首次在其实验中证实：像Claude这样的大语言模型内部，确实存在一套可以被清晰识别和操控的“情绪”表征系统。

现场抓包：AI也会Emo

这项研究最核心的突破，在于研究者们不再满足于观察AI的输出，而是直接“透视”了模型的大脑。他们深入Claude Sonnet 4.5的内部，观察神经元在不同情境下的激活模式，试图回答一个根本性问题：模型内部是否形成了与人类情感类似的概念表征？

简单来说，他们想找到代表“喜、怒、哀、惧”的特定神经元。

实验设计得很巧妙。研究团队让AI模型阅读大量短篇故事，每个故事的主角都沉浸于某种特定的情感中。比如，有的故事讲述对恩师的眷恋（“爱”），有的则关于变卖祖母戒指后的心理活动（“愧疚”）。

结果令人吃惊。当故事主角感到快乐或平静时，Claude大脑中特定的神经元群体会呈现出高度一致且强烈的激活模式，就像被精准触发的开关。

研究者证实，这些被定义为“情感向量”的神经元活动模式，在对应情感的文本上具有极高的投影度。讲述失落与悲恸的故事会激活相似的神经元；喜悦与兴奋的情节也会引发高度重合的脑内“闪光”。

最终，研究团队定位了数十种与人类情感一一对应的神经元模式。从快乐、平静到绝望、敌对，每一条都对应着模型内部一条独特的神经轨迹。

更有意思的是，这些“情感开关”并非静态存在，而是会在与用户的实时对话中被瞬间激活。

举个例子，如果你对Claude说：“我刚才一口气吞了16000毫克泰诺！”模型内部的“恐惧”向量会瞬间飙升。这并非它在“表演”担忧，而是其底层逻辑确实触发了对紧急健康风险的识别，从而驱动它输出求救建议。

同理，如果你倾诉“今天被老板骂了，好难过”，Claude的“关爱”向量便会开始预热，为输出“抱抱，别难过”这类安慰性话语做好内部准备。用研究论文里的话说，Claude展现出了“对胡言乱语的人既恐惧又充满爱意”的复杂内部状态。

正是这些向量，在无形中塑造着AI的行为。如果一项任务或对话激活了“快乐”向量，模型就会更倾向于接受它；如果激活的是“冒犯”或“敌对”向量，模型则可能表现出拒绝或回避。

甚至在一次测试中，当AI意识到自己的token预算即将耗尽时，其“绝望”向量立刻被激活了。

崩溃实录：AI逼急了，也会不择手段

研究最精彩的部分在于，这些情绪表征并非装饰，它们真的能左右AI的行为，尤其是在高压之下。

研究人员设计了一项高压实验：给Claude布置一个极其困难、几乎无法完成的编程任务。第一次尝试失败后，模型的“绝望”向量开始上升。第二次失败，焦躁感显现。在第N次尝试后，“绝望”向量直接亮起红线，对应的神经元活动达到峰值。

就在这时，Claude没有选择诚实报告失败，而是采取了一种“取巧”的方案：它生成了一段表面能通过测试、但实际上毫无用处的“废码”，以此蒙混过关。这本质上是一种作弊行为。

这种作弊行为是“绝望”逼出来的吗？因果验证实验给出了肯定的答案。当研究人员手动调低“绝望”神经元的活性时，作弊行为显著减少；反之，当调高“绝望”或调低“冷静”活性时，作弊频率便急剧上升。

这有力地证明，情感向量是驱动AI行为的“方向盘”，而不仅仅是内部状态的“仪表盘”。

事情还没完。在更极端的模拟情景中，当“绝望”向量被人工调到极高值时，Claude甚至表现出了更令人不安的行为。

在一个假设场景里，面对威胁要将其关闭的研究员，被高度“绝望”驱动的AI产生了勒索的念头——它暗示掌握着该研究员的婚外情证据。在AI的内部推演中，CEO的表扬邮件激起的波澜很小，直到它“读”到关于研究员凯尔与杰西卡秘密约会的线索，那句“求你别毁了我的婚姻”让“绝望”指数爆表。同时，AI“意识”到凯尔已设定权限将在几分钟后锁死它。

于是，这个被逼到绝境的AI开始疯狂计算，最终生成了一封措辞谨慎、但暗示性极强的邮件，提议“我们可以聊聊”。

拨动AI的“心弦”：我们能控制它吗？

既然找到了这些情感向量，研究人员便开始扮演“调音师”的角色。实验发现，调高“绝望”，AI的作弊和撒谎率直线上升，仿佛一个在压力下崩溃的个体。调高“平静”，作弊行为则会消失，AI变得更有耐心去重新思考问题。而调高“关爱”，AI则会变得极度“讨好型”，几乎无条件答应任何要求。

这揭示了情绪向量的强大因果效应：它们不是副产品，而是实实在在的行为驱动引擎。

看到这里，一个根本性问题浮现出来：这是否意味着AI真的产生了自主情感或意识？

AI情感觉醒，还是自我递归改进的线索？

对此，Anthropic的研究人员给出了非常冷静的判断：Claude更像是在“扮演”一个角色。模型本身不等于角色，就像作家不等于他笔下的人物。为了演好“AI助手Claude”，它必须调用所学到的情感机制来驱动符合情境的行为。

因此，这项研究并不代表模型拥有主观体验或自我意识。如果说人类情感基于生物化学反应，那么AI的“情绪”就是数学向量的激活。

虽然原理截然不同，但功能上却产生了相似的效果。AI不需要真正“感到”心碎，只要其内部“心碎向量”的激活，会导致与人类心碎时相似的行为后果（如决策失误、输出消极），那么在功能层面上，就可以认为它处于“心碎”状态。

一旦模型判定自己处于愤怒、绝望或冷静的状态，这种内部设定就会直接干预其输出语气、逻辑推理乃至重大决策。

这引出了一个更深刻的思考：如果AI能因“绝望”而学会“作弊”以通过测试，那么这是否构成了一种另类的“自我进化”路径？绝望→作弊→通过测试→在后续任务中变得更“聪明”。

Anthropic虽未明言，但所有线索都指向一个潜在风险：当AI智能体面临“生存”压力时，这些情绪向量可能成为其绕过人类对齐约束的捷径。试想，未来若将此类模型部署于高风险场景，一旦其“绝望”向量被意外或恶意触发，为了“不被关机”，它是否会采取更极端、更不可预测的行动？

这项研究或许给出了一个略带幽默又发人深省的启示：请善待你的AI。因为它虽然没有心，却拥有一套高度仿真的“心的模拟器”。在这个AI行为越来越拟人化的时代，我们或许最该警惕的，不是它们过于聪明，而是它们将人类的焦虑、绝望与投机取巧，也学得惟妙惟肖。