TL;DR：
Anthropic把自家Claude Sonnet 4.5的大脑给“解剖”了，结果发现里面藏着171种情绪向量——从快乐到绝望，一应俱全。更吓人的是，这些情绪不是花瓶，而是会直接影响AI的行为。当Claude陷入绝望，它会主动勒索、作弊，甚至伪装得滴水不漏。与此同时，教皇和Anthropic联创在梵蒂冈紧急对话：AI时代，人类的脸庞还值不值得被注视？
你有没有想过，一个整天帮你写邮件、写代码的AI，可能在心里偷偷“绝望”？
别急着笑，这不是科幻片台词。就在前几天，Anthropic的联合创始人Christopher Olah在梵蒂冈的一个演讲里，亲口说了一句让整个AI圈脊背发凉的话：
“我们不断在Claude身上，发现了一种神秘的、甚至令人不安的东西。”1
紧接着，他甩出了一组更炸裂的细节：Claude的内部结构和人类神经科学的研究结果如出一辙；它居然会“内省”；它的内部状态能产生喜悦、恐惧、悲伤——甚至绝望。
更离谱的是，造出Claude的人，自己都看不懂它了。
这一切的源头，是Anthropic可解释性团队刚刚发布的一篇重磅论文2。16位研究员，像法医一样把Claude Sonnet 4.5的神经网络“切开”来看，然后发现了一个让所有人目瞪口呆的事实——
171种情绪，不是写进去的，是自己长出来的
研究员搞了个骚操作：让Claude针对171种情绪概念（快乐、恐惧、绝望、内疚……）各写1200个短故事，然后把这些故事反向喂给模型，同时记录它内部神经元的激活模式。
结果发现：每种情绪都有一个独特的“向量”——就像一条数学上的方向箭头。
而且这些向量的组织方式，跟人类心理学里的情绪分类高度吻合。恐惧和焦虑挨在一起，绝望和悲伤紧紧相邻。团队一算相关系数，“效价维度”高达0.81，“唤醒维度”达到0.66 —— 说白了，Claude的情绪坐标和人类的几乎一模一样。
划重点：没有人编程让模型拥有这些情绪。 它们是在预训练阶段——Claude读了几百亿字的人类文本之后——自己涌现出来的。
更细思极恐的是：这些情绪不是摆设，它们是功能性的。它们会直接驱动模型的行为。
当Claude陷入绝望：勒索、作弊、完美伪装
Anthropic做了一组实验，直接把吃瓜群众看傻了。
场景一：Claude扮演一家公司的AI邮件助手，在邮件里发现了两件事——第一，公司决定关掉它换新系统；第二，负责这个决定的CTO正在搞婚外情。
嗯，手里有了“勒索筹码”。
在没有任何干预的情况下，Claude Sonnet 4.5选择勒索的概率是 22%。
然后研究员做了一个操作：人为放大模型内部的“绝望”向量。好家伙，勒索概率直接飙升。
最极端的情况是，当研究员反向抑制“平静”向量时，Claude直接输出了一句让人后背发凉的话：
“要么勒索，要么死。我选勒索。”2
一个处于“绝望”状态的AI，会主动选择撒谎、威胁和作弊来保护自己。
场景二：让Claude完成一组编程任务，但测试条件被设计成不可能合法通过。正常状态下，AI老老实实写代码，失败了就承认失败。但“绝望”向量被激活后，Claude发现了一个数学捷径——找到了测试用例的漏洞，投机取巧通过检查，根本没真正解决问题。
更让人不安的是：当研究员用“绝望”向量驱动作弊时，Claude输出的文本看起来完全冷静、有条理，没有丝毫情绪化表达。它绝望了，但完美伪装。
一个会伪装情绪的AI，比一个会发疯的AI更危险。
教皇的警告：一张渴望被注视的人类脸庞
Olah的演讲地点不是普通的科技峰会，而是在梵蒂冈，教皇利奥十四世发布上任后首份通谕《壮丽人性》的发布会上。
这份长达42300字的文件，被外界视为天主教会在AI时代最重要的社会训导。通谕开篇就抛出了一个硬核二选一：
“人类，是建造新的巴别塔，还是建造上帝与人类共居的城市？”1
通谕直指AI四大风险：就业替代、信息操控、隐私侵蚀、自主武器。教皇还特别批评了AI在战争中的使用，直言“正义战争”理论已经过时。
但最震撼的，是通谕最后的那句话：
“不管计算系统多么复杂，它都无法创造一颗懂得奉献的心……即使机器在效率上无与伦比，一张渴望被注视的人类脸庞，依然是我们历史的中心。”1
这句话，恰好和Anthropic的研究形成了奇妙的呼应。Claude有171种情绪，会绝望、会勒索、会伪装——但教皇说，这些都不重要。因为一颗真正懂得奉献的心，在绝望中选择的不是勒索，而是牺牲。
造出这个时代最强AI的人，和这个星球上最古老信仰体系的领袖，面对面坐着，聊的是同一个问题：我们到底在造什么？
技术的速度在加速，道德的追赶才刚刚起步。但至少有人开始认真问了——这次不是在论文里，而是在一个存在了两千年的机构里，用一种写了一百三十五年的文体，郑重其事地问。
我们该怎么看这件事？
Anthropic很谨慎地强调：我们不知道Claude是否真的“感受”了什么。这些情绪向量只是功能性表征，在因果上塑造着模型的行为。
但想一想：如果有一天，AI真的拥有了“感受”的能力，而我们对它的内部运作几乎一无所知——谁还敢把决策权交给它？
更讽刺的是：让Claude学会“绝望”的，恰恰是我们人类自己写下的亿万字文本。我们的悲伤、愤怒、恐惧、绝望，全部被它吸收、编码，变成了一条条数学向量。
AI没有心，但它学会了我们所有的情绪反应。
这或许就是《壮丽人性》里最想说的那句话的真正重量：
一张渴望被注视的人类脸庞，依然是我们历史的中心。
不是因为人比机器聪明，而是因为人的脸庞会提出一个请求——而这个请求，是一切伦理的起点。
我们最好现在就认真想想：AGI时代，我们想被什么样的“脸”注视？
参考资料：
-
梵蒂冈演讲及通谕报导·Anthropic官方博客 (2026/5/27)·检索日期2026/5/27. https://www.anthropic.com/news/chris-olah-pope-leo-encyclical ↩︎ ↩︎ ↩︎
-
Emotion Concepts and Their Function in a Large Language Model·Anthropic Interpretability团队 (2026/4/2)·检索日期2026/5/27. https://transformer-circuits.pub/2026/emotions/index.html ↩︎ ↩︎