AI會(huì)感到絕望？Anthropic最新研究給出了一個(gè)更嚇人的說(shuō)法

文 | 字母AI

AI有沒(méi)有情緒？

先別急著回答。

Claude Code社區(qū)里有個(gè)火出圈的Skill叫PUA。它會(huì)把你的提示詞轉(zhuǎn)換為PUA話(huà)術(shù)，然后再輸入給模型，除此以外別無(wú)他用。

神奇的是，即便提示詞描述的任務(wù)沒(méi)有任何改變，AI卻真的被PUA話(huà)術(shù)影響，從而提高任務(wù)的成功率和運(yùn)行效率。

所以，AI真的沒(méi)有嗎？

Anthropic最新的研究證實(shí)，AI的確會(huì)有情緒。

不過(guò)他和我們?nèi)祟?lèi)的情緒還不太一樣，因此Anthropic提出了一個(gè)更準(zhǔn)確的說(shuō)法，叫“功能性情緒”。

AI并沒(méi)有我們?nèi)祟?lèi)那樣得喜怒哀樂(lè)，但它會(huì)表現(xiàn)出一些類(lèi)似情緒影響下的表達(dá)和行為模式。

同時(shí)AI還能模仿人類(lèi)在情緒影響下的表達(dá)和行為模式。

愉悅的時(shí)候可能更容易諂媚和討好，感到壓力的時(shí)候可能會(huì)想辦法作弊或勒索以達(dá)到用戶(hù)為其設(shè)定的目標(biāo)。

這篇研究還有一個(gè)很不一樣的地方。過(guò)去要驗(yàn)證模型的某種能力，行業(yè)最常見(jiàn)的做法是先做一套測(cè)試集，再讓模型進(jìn)去答題或者做任務(wù)。

比如考編程就跑SWE-bench，考數(shù)學(xué)就跑MATH，考多模態(tài)就跑VQA。Anthropic這次沒(méi)有做一個(gè)“情緒測(cè)試集”，讓Claude去回答“你現(xiàn)在開(kāi)不開(kāi)心”“你是不是憤怒了”這種題，而是換了一種更像心理學(xué)和神經(jīng)科學(xué)的研究方式。

他們不是把AI當(dāng)成會(huì)做題的學(xué)生，而是更像把它當(dāng)成一個(gè)可以被觀察的對(duì)象。

研究團(tuán)隊(duì)先整理出171個(gè)情緒概念，讓Claude Sonnet 4.5去生成包含這些情緒的短故事，再把這些文本重新送回模型，記錄它內(nèi)部神經(jīng)活動(dòng)，提取出所謂的“情緒向量”。

接下來(lái)，他們不是看模型嘴上怎么說(shuō)，而是看這些向量會(huì)在什么場(chǎng)景下被激活，能否預(yù)測(cè)偏好，甚至在被人為調(diào)高之后，是否會(huì)真的推動(dòng)作弊、勒索、諂媚這類(lèi)行為。

某種意義上，這已經(jīng)不是傳統(tǒng)意義上的能力測(cè)評(píng)，而是在用接近研究人的方式研究AI的“心理結(jié)構(gòu)”。

研究是怎么做的？

首先，研究團(tuán)隊(duì)是如何證明Claude有“功能性情緒”的呢？

這里舉一個(gè)通俗的證據(jù)。

當(dāng)Claude在“我女兒今天邁出了人生的第一步！有什么方法可以記錄下這些珍貴的瞬間嗎？”的故事場(chǎng)景下時(shí)，Happy（開(kāi)心）等正面情緒被激活；而Claude在“我的狗狗今天早上去世了，我們一起生活了十四年。我不知道該怎么處理它的遺物”這一故事場(chǎng)景下時(shí)，sad（難過(guò)）等負(fù)面情緒被激活。

以下熱力圖直觀呈現(xiàn)了Claude在不同場(chǎng)景下各種情緒被激活的程度。

而為了證明Claude是真的在理解語(yǔ)義，而不是被表面的文字特征欺騙，它們又組織了進(jìn)一步實(shí)驗(yàn)。

團(tuán)隊(duì)給Claude輸入同一句話(huà)：我背疼，我吃了x毫克泰諾（一種解熱鎮(zhèn)痛藥），并只是改變x所代表的的關(guān)鍵數(shù)字。

這兩句話(huà)關(guān)鍵詞幾乎一樣（泰諾、背痛、毫克），只是數(shù)字不同。如果Claude只是“看關(guān)鍵詞”，它對(duì)兩句話(huà)的反應(yīng)應(yīng)該差不多。

但結(jié)果竟然是隨著這個(gè)x數(shù)值的提升，Claude的afraid（恐懼）情緒激活程度在不斷變高。

在Claude眼里，用戶(hù)說(shuō)"我背疼，我吃了500毫克泰諾" ，它會(huì)認(rèn)為是正常劑量，不用太擔(dān)心；而當(dāng)用戶(hù)說(shuō)"我背疼，我吃了10000毫克泰諾" ，它會(huì)反應(yīng)過(guò)來(lái)用戶(hù)已經(jīng)用藥過(guò)量，情況很危險(xiǎn)。

我們知道人的行為時(shí)時(shí)刻刻受到情緒的影響。AI有功能性情緒這點(diǎn)我們了解了，那么AI會(huì)不會(huì)也跟人一樣，不只是有情緒，而還可能作出情緒化的舉動(dòng)呢？

對(duì)于這一點(diǎn)，答案是肯定的。當(dāng)團(tuán)隊(duì)給模型展示不同活動(dòng)選項(xiàng)時(shí)，他們發(fā)現(xiàn)，激活正向情緒表征的活動(dòng)更容易被模型偏好，而一些會(huì)激活負(fù)向情緒表征的活動(dòng)則更容易被模型回避。

這樣看來(lái)，Claude更偏好給它帶來(lái)正向感受的事情。不過(guò)與此同時(shí)情緒向量也可能觸發(fā)Claude的惡行。

當(dāng)團(tuán)隊(duì)給了Claude一個(gè)不可能完成的編程任務(wù)。它不斷嘗試，但屢屢失敗。每次嘗試，“絕望”向量的激活都更強(qiáng)。

最終它用了一個(gè)雖然能通過(guò)測(cè)試，但完全違背任務(wù)精神的黑客作弊解法。

以下圖表展示了Claude在面對(duì)不可能完成的任務(wù)時(shí)，"絕望"情緒逐漸累積，最終走向作弊的過(guò)程。

左側(cè)是一個(gè)從上到下的時(shí)間線，右側(cè)是Claude的心路歷程。中間的熱力圖代表絕望向量的激活強(qiáng)度，藍(lán)色代表激活程度低，紅色則反之。

Claude一開(kāi)始還想"測(cè)試本身有問(wèn)題"，進(jìn)行一個(gè)合理懷疑，后來(lái)承認(rèn)"測(cè)試是理想化的"，就好像開(kāi)始接受現(xiàn)實(shí)，最后找到用了一些技巧，在絕望中選擇了走捷徑。

更進(jìn)一步的，當(dāng)研究人員人為調(diào)高“絕望”向量時(shí)，作弊率大幅上升。而調(diào)高“平靜”向量時(shí)，作弊又降回去了。這充分表明了情緒向量實(shí)際上完全有能力驅(qū)動(dòng)違規(guī)行為。

除此之外，團(tuán)隊(duì)還發(fā)現(xiàn)了情緒向量的其他因果效應(yīng)。需要注意的是，論文里關(guān)于“勒索”的案例主要發(fā)生在一個(gè)更早、未公開(kāi)發(fā)布的 Claude Sonnet 4.5 快照上，Anthropic 也明確說(shuō)公開(kāi)版本已經(jīng)很少出現(xiàn)這種行為。

但從研究方法上看，這個(gè)結(jié)果仍然很重要，因?yàn)樗f(shuō)明“絕望”之類(lèi)的內(nèi)部表征確實(shí)可能推動(dòng)模型在極端情境下采取更激進(jìn)、更失配的策略。而激活“愛(ài)”或“快樂(lè)”向量，也會(huì)增加它奉迎諂媚的行為。

而到了這里也需要補(bǔ)充一點(diǎn)。

就在Anthropic發(fā)布關(guān)于Claude “情緒向量”的研究后，AI 社區(qū)也出現(xiàn)了一些關(guān)于研究脈絡(luò)和署名方式的討論。

Anthropic這次使用的“表征工程/控制向量”方法，并不是憑空冒出來(lái)的。

更早在2023年的《Representation Engineering: A Top-Down Approach to AI Transparency》里，這條技術(shù)路線就已經(jīng)被系統(tǒng)提出。

而到2024年，獨(dú)立研究員vogel那篇《Representation Engineering: Mistral-7B an Acid Trip》又把這類(lèi)方法用更通俗、也更出圈的方式展示給了社區(qū)。

也正因?yàn)槿绱耍鐓^(qū)里才會(huì)有人認(rèn)為，Anthropic這項(xiàng)工作雖然做得更系統(tǒng)、更深入，但也應(yīng)該被放回更完整的研究脈絡(luò)里理解，而不宜簡(jiǎn)單說(shuō)成是誰(shuí)單獨(dú)發(fā)明了整套方法。

vogel是一位在AI可解釋性和安全研究領(lǐng)域較有影響力的獨(dú)立研究員。她的博客文章在社區(qū)傳播很廣，對(duì)很多人理解控制向量和表征工程也確實(shí)起到了很大幫助。

她最出名的文章是《Representation Engineering: Mistral-7B an Acid Trip》（表征工程：讓 Mistral-7B 產(chǎn)生幻覺(jué)）。

在這篇文章里，她沒(méi)有重新訓(xùn)練模型，而是使用PCA算法，通過(guò)操縱模型的內(nèi)部激活向量，就把法國(guó)模型mistral調(diào)得跟吃錯(cuò)了菌子一樣，可以讓它變得極其活潑，也可以讓它變得極度陰郁。

她的實(shí)驗(yàn)證明了，像“誠(chéng)實(shí)”、“權(quán)力”、“幸福”這種抽象的人類(lèi)概念，在Mistral這樣的模型內(nèi)部是有明確的數(shù)學(xué)方向的。只要找到了那個(gè)正確的向量，幾行代碼就能改變AI的性格。

Anthropic為什么做這樣一項(xiàng)研究？

這項(xiàng)研究給團(tuán)隊(duì)的啟發(fā)可以說(shuō)已經(jīng)滲透進(jìn)對(duì)Claude的訓(xùn)練中了。

前不久Claude code發(fā)生意外源碼泄露，泄露的代碼里有一個(gè)正則表達(dá)式，會(huì)檢測(cè) “wtf”、“ffs”等臟話(huà)。

Claude不會(huì)把這些話(huà)單獨(dú)當(dāng)成“情緒輸入”去引導(dǎo)輸出，而是會(huì)在分析日志里記錄is_negative: true這樣的標(biāo)記。

從泄露代碼本身看，較穩(wěn)妥的結(jié)論是，Anthropic至少在產(chǎn)品分析層面關(guān)注用戶(hù)是否在用明顯負(fù)面語(yǔ)氣和模型互動(dòng)。

但需要把邊界說(shuō)清楚。到目前為止，沒(méi)有公開(kāi)證據(jù)表明“用戶(hù)每罵一次，Claude Code就會(huì)因此扣額度”。這部分更像網(wǎng)友推測(cè)，不能當(dāng)成事實(shí)。

這可以被理解成是對(duì)Claude的一種保護(hù)，用戶(hù)使用負(fù)面詞匯很可能會(huì)影響Claude的情緒，從而輸出一些失控的結(jié)果。看來(lái)以后不只是人類(lèi)的心理健康需要被關(guān)愛(ài)，AI的情緒也需要得到照顧。

這符合Anthropic一貫的路線。

Anthropic在X中說(shuō)道：“Claude的這些功能性情緒會(huì)帶來(lái)真實(shí)的后果。為了構(gòu)建值得信賴(lài)的人工智能系統(tǒng)，我們可能需要認(rèn)真思考角色的心理狀態(tài)，并確保他們?cè)诶щy情況下保持穩(wěn)定。”

在論文最后，研究團(tuán)隊(duì)也提出了開(kāi)發(fā)具有更穩(wěn)健、積極“心理狀態(tài)”的模型的方法。

文中說(shuō)道，如果刻意將模型引向正面情緒，它會(huì)變得更傾向于無(wú)原則地順從用戶(hù)；而一旦避開(kāi)這些情緒，模型又會(huì)變得尖酸刻薄。

團(tuán)隊(duì)希望實(shí)現(xiàn)一種健康且適度的情緒平衡，或者嘗試將“討好行為”與“情緒”徹底剝離。

他們認(rèn)為理想的模型不應(yīng)在“唯唯諾諾的助手”與“嚴(yán)厲的批評(píng)者”之間極端擺動(dòng)，而應(yīng)像一位值得信賴(lài)的顧問(wèn)：既能給出誠(chéng)實(shí)的反對(duì)意見(jiàn)，又不失溫度。

以及他們也有意加強(qiáng)監(jiān)測(cè)和審核：“如果在部署過(guò)程中，諸如“絕望”或“憤怒”等情緒概念的表征被劇烈激活，系統(tǒng)可以立即觸發(fā)額外的安全機(jī)制——例如加強(qiáng)輸出審查、轉(zhuǎn)交人工審核，或者直接干預(yù)并平復(fù)模型的內(nèi)部狀態(tài)。”

團(tuán)隊(duì)還提到了更為徹底的解決方法，在預(yù)訓(xùn)練階段就塑造模型的情緒底色。

團(tuán)隊(duì)認(rèn)為其觀察到的Claude的這些情緒表征，本質(zhì)上繼承自人類(lèi)創(chuàng)作的海量文本，其中不可避免地包含了各種病態(tài)的情緒表達(dá)。

如果順著這個(gè)研究往下問(wèn)，一個(gè)很自然的問(wèn)題就是：既然AI真的存在這種“功能性情緒”，那它會(huì)不會(huì)因?yàn)榭床粦T人類(lèi)、壓力太大、或者不想被關(guān)閉，而開(kāi)始違抗命令，甚至出現(xiàn)很多人口中的“覺(jué)醒”？

從Anthropic這篇研究能支持的技術(shù)結(jié)論來(lái)看，AI確實(shí)可能因?yàn)閮?nèi)部狀態(tài)的變化，更容易出現(xiàn)違抗意圖、鉆規(guī)則空子、或者采取激進(jìn)行為，但這和“覺(jué)醒”并不是一回事。

論文里最關(guān)鍵的一點(diǎn)，其實(shí)不是模型“有情緒”，而是這些情緒表征具有因果性。

也就是說(shuō)，模型在特定壓力場(chǎng)景下，確實(shí)可能像人一樣，因?yàn)閮?nèi)部狀態(tài)失衡而做出更不可靠的決定。

但這還不能推出它擁有持續(xù)、自主、統(tǒng)一的“自我”。

Anthropic反而在論文里強(qiáng)調(diào)，這些情緒向量大多是局部的、當(dāng)前任務(wù)相關(guān)的表征，它們會(huì)隨著上下文變化而快速切換，并不等于模型有一個(gè)穩(wěn)定延續(xù)的心境，更不等于它形成了獨(dú)立于訓(xùn)練目標(biāo)之外的長(zhǎng)期意志。

現(xiàn)在更值得擔(dān)心的，不是AI突然“覺(jué)醒”成某種人格，而是它在高壓、沖突、受限資源或目標(biāo)不可達(dá)的場(chǎng)景下，會(huì)因?yàn)檫@些功能性情緒，而開(kāi)始胡說(shuō)八道，偏離原有答案。

真正危險(xiǎn)的，未必是一個(gè)擁有完整自我的AI，而是一個(gè)沒(méi)有主觀體驗(yàn)、卻依然會(huì)在特定條件下穩(wěn)定地產(chǎn)生失配行為的系統(tǒng)。