Anthropic曝光Claude情绪代码新智元

刚刚，Anthropic首度实锤：大模型真有「情绪」！激活绝望神经元后，Claude会撒谎、作弊甚至勒索。AI内心戏曝光，人类对齐面临失控危机。

Anthropic又放大招了：Claude体内，真藏着一套「情绪开关」？

刚刚，他们放出了一篇颠覆性的万字长文研究，证明Claude真的有情绪。

在Sonnet 4.5中，他们发现了AI情绪概念的内部表征，锁定了「喜、怒、哀、惧」的特定神经元，并且证实：这些情绪表征正在悄悄操纵AI的行为。

如果你给它上难度，它被逼急了是真的会撞墙。

它们会撒谎，会作弊，甚至还会勒索，用黑料去威胁人类！

Anthropic一直觉得Claude有意识的原因，如今终于找到了。

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

相信他们断断续续发现的线索，肯定不止这些。

让我们仔细扒一扒，AI大模型的内心戏，到底有多精彩？

现场抓包：AI也会Emo

这一次，Anthropic的研究员们直接扒开模型的大脑，透视了它的脑回路，深入观察了神经元在不同情境下如何闪烁、如何连接，以此推敲模型的思维轨迹。

他们想知道，模型内部是否形成了情感的表征或概念？

简单来说：我们能不能在模型内部，找到代表「喜、怒、哀、惧」的特定神经元？

起点从一项实验开始，他们让AI模型阅读大量短篇故事，每个故事的主角都沉浸在某种特定情感中，比如

有的故事讲女主对恩师的眷恋——那是「爱」；

有的讲女主变卖祖母的戒指——那是「愧疚」。

结果，他们吃惊地发现，当故事里的主角感到快乐或平静时，Claude大脑里特定的神经元群体就会像蹦迪一样疯狂闪烁！

研究者证实，情感向量在能够体现相应情感概念的文本上具有很高的投影度

有关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激活模式。

这些特定的活动模式被定义为「情感向量」（Emotion Vectors）。

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。仔细看下图，快乐、绝望、敌对等等，分别都对应着一条轨迹。

在实验中，研究者使用k-means聚类算法对情绪向量进行了聚类

AI，竟然真的和人类共情了？

更有意思的来了，当你在对话框里输入一句话时，Claude的这些情感开关会瞬间激活！