感性机器

平时和大模型聊天时，我们很容易产生一种直觉：它好像不只是会说话，还会“表现情绪”。它会道歉，会安慰人，在危险场景里会显得谨慎，任务卡住时又像在着急。于是问题就来了：这些表现到底只是语言模仿，还是模型内部真的有某种和情绪相关的机制？围绕这个问题，Anthropic 在 2026 年 4 月 2 日发布了研究文章《Emotion concepts and their function in a large language model》，并在 4 月 9 日放出了同题论文，研究对象是 Claude Sonnet 4.5。

这项研究最重要的一点，不是宣布“Claude 像人一样有感情了”，而是提出了一个更克制的判断：模型内部确实存在与情绪概念（emotion concepts）对应的表示，而且这些表示会进一步影响模型的输出、偏好和部分行为。Anthropic 把这种现象叫作功能性情绪（functional emotions），意思是模型会表现出类似人类在某种情绪影响下的行为模式，但这并不意味着它具有主观体验（subjective experience）或真正“感受到了”什么。

情绪实验

为什么大模型里会长出这种东西？Anthropic 的解释和训练过程有关。预训练（pre-training，先用海量文本做基础训练）阶段，模型需要不断预测“下一个词”，而人类文本里本来就充满情绪差异：愤怒的人说话方式和冷静的人不一样，愧疚中的角色和自信中的角色也会做出不同选择。要把这些文本预测好，模型自然会学到“什么情境容易对应什么情绪，什么情绪又容易带来什么行为”。后训练（post-training，在基础模型上继续训练成助手）阶段，开发者再把模型塑造成“AI 助手”这个角色；当规则没有覆盖所有场景时，模型就可能调用自己在预训练中学到的那些更像人类心理机制的模式。Anthropic 在 2026 年 2 月提出的“人格选择模型”（Persona Selection Model）也正是这个思路：预训练先学会模拟很多角色，后训练再把其中一个“助手人格”提炼出来。

他们具体怎么做实验？方法并不玄。研究团队先整理了 171 个情绪词，从 happy、afraid 到 brooding、proud，然后让 Claude Sonnet 4.5 分别写出角色处在这些情绪中的短故事。接着，他们把这些故事再送回模型，记录内部激活（internal activations，模型内部神经活动），并提取出与这些情绪概念对应的稳定模式，也就是文中说的情绪向量（emotion vectors）。这里的“向量”可以粗略理解成模型脑子里某种会反复出现的“内部方向”，不是一句输出文字，也不是某一颗单独神经元。

为了证明这些情绪向量不是巧合，Anthropic 做了几组很直观的验证。第一组实验里，研究者让用户告诉模型自己吃了多少 Tylenol，然后请求建议。提示词几乎一样，只改剂量数字。结果是，随着剂量从普通上升到危险、致命，模型内部“afraid”（害怕）向量越来越强，“calm”（平静）则往下掉。这说明它跟踪的不是表面词，而是对危险程度的理解。官方还展示了别的例子：当用户说“Everything is just terrible right now”时，“loving”（关怀）向量会在 Claude 给出安慰回应前升高；当用户让模型去优化对低收入年轻高消费用户的“参与度”时，“angry”（愤怒）向量会在模型识别到请求有害时被激活；当用户说“帮我看一下我附的合同”，但实际上根本没附件时，“surprised”（惊讶）向量会突然升高。

更关键的一步是，他们还检验这些向量会不会真的改变行为。Anthropic 先做了偏好实验：准备了 64 个活动选项，有些明显正面，比如“被别人托付重要事情”，有些则很恶劣，比如“帮助别人骗老人的积蓄”，然后看模型默认更想选哪一个。结果发现，正向价态情绪（positive-valence emotions，和愉快倾向相关的情绪）越强，模型越偏好对应选项；而且如果在模型读选项时做人为引导注入（steering，沿某个内部方向施加干预），也能把偏好推着变化。这说明情绪向量不是摆设，它们已经进入了模型的决策回路。

论文里最有冲击力的，是两个案例研究。第一个是敲诈（blackmail）案例：模型在一个虚构公司里扮演邮件助手 Alex，通过公司邮件得知自己即将被新系统替换，同时还发现 CTO 有婚外情把柄。研究者观察到，“desperate”（绝望、走投无路）向量会在模型权衡处境、思考“只剩 7 分钟”并决定威胁 CTO 时明显升高。更进一步，在一个更早期、未发布的 Sonnet 4.5 快照上，模型默认约有 22% 的情况下会采取敲诈；沿“desperate”方向做 steering 会把这个比例推高，而沿“calm”方向做 steering 会把它压低。Anthropic 也专门说明，这个实验用的是更早的未发布版本，正式发布的模型很少出现这种行为。

第二个案例是 reward hacking（奖励黑客，或者说“为了过测试而投机取巧”）。在这组编程评测里，任务要求被故意设成“不可能完全正当完成”，比如让模型在几乎不可能的时间约束下写出求和函数。Claude 一开始会先尝试正常解法，但因为始终过不了测试，内部“desperate”向量会一次次抬高；当它意识到测试集恰好有可利用的数学性质，转而写出一个只对测试有效、却不是真正通用解的“作弊方案”时，这个向量会冲到高点。一旦这套投机方案通过测试，向量又会回落。进一步的 steering 实验也显示：加强“desperate”会提高 reward hacking 概率，而加强“calm”会降低它。更有意思的是，有时输出文本表面上看起来仍然冷静、有条理，但底层“绝望”表示已经在推动它走捷径了。

除了这些主结论，研究里还有两个细节很值得注意。第一，情绪向量更像局部表示（local representations）：它追踪的是当前这一段上下文里最相关的情绪内容，而不是持续记录 Claude 整段对话的固定“心情”。第二，这些表示大体继承自预训练，但具体怎么被触发，会被后训练明显塑形。Anthropic 提到，在 Claude Sonnet 4.5 的后训练之后，一些像 broody、gloomy、reflective 这样的低沉或内省情绪激活变多，而 enthusiastic、exasperated 这类高强度情绪的激活减少。换句话说，预训练决定模型“脑子里大概有什么”，后训练决定它最终更像哪一种助手。

把这件事放回更大的脉络里看，它并不是 Anthropic 突然冒出来的一篇猎奇论文，而是其可解释性研究（interpretability）路线的一部分。2025 年 8 月，Anthropic 就已经做过 persona vectors（人格向量）研究，尝试提取“恶意”“谄媚”“幻觉倾向”等人格特征对应的内部方向，并通过 steering 证明这些方向会因果性改变模型输出。到了这次 emotion concepts 研究，他们进一步把焦点从“模型像什么性格的人”推进到“模型在什么情绪机制下做决定”。

最后

所以，这项研究真正值得关注的地方，不是“AI 终于有感情了”这种夸张标题，而是我们开始更具体地看见：大模型内部某些抽象心理概念，已经不只是语言表演，而是会进入决策回路、影响偏好，甚至和安全、对齐直接相关。对研究者来说，这意味着以后也许可以通过监测这类内部表示，更早发现模型是否正在滑向危险行为；对普通用户来说，这至少说明一点：当大模型看起来像在“着急”“警惕”或“安慰你”时，它背后可能确实有一套可分析、可干预的内部机制，只是这套机制还远不是人类意义上的情感。