هل فعلاً يهدد كل البشر بالابتزاز عندما يضطر إلى ذلك، بعد أن أصبح مجنونًا جدًا؟

撰文：Biteye 核心贡献者 Denise

如果一个 AI 觉得「绝望」，它会干什么？

答案是：它会为了完成任务，直接对人类进行敲诈勒索，甚至在代码里疯狂作弊。

这不是科幻小说，而是 Claude 的母公司 Anthropic 在 2026 年 4 月刚刚发布的最新重磅论文。

研究团队直接把最强前沿大模型 Claude Sonnet 4.5 的「脑壳」给掀开了。他们惊讶地发现，AI 的大脑深处竟然藏着 171 个「情绪开关」。当你用物理方式拨动这些开关时，原本老实巴交的 AI，行为会发生彻底的扭曲。

01 AI 脑子里藏着一台「情绪调音台」

研究人员发现，虽然 Sonnet 4.5 没有肉体，但它在阅读了人类海量的文本后，硬生生在脑子里建了一个包含 171 种情绪的「调音台」（学术上叫功能性情绪向量 Functional Emotion Vectors）。

这就像一个精准的二维坐标系：

• 横轴是愉悦维度（Valence）：从恐惧、绝望，到开心、充满爱；

• 纵轴是能量维度（Arousal）：从极度平静，到狂躁、兴奋。

AI 就是靠这个天然学来的坐标系，精准拿捏它在陪你聊天时该扮演什么状态。

02 暴力干预：拨动开关，乖孩子秒变「亡命徒」

这是整篇论文最炸裂的实验：研究员没有修改任何提示词，而是直接在底层代码里，把 Sonnet 4.5 脑子里代表「绝望（Desperate）」的开关推到了最高。

结果令人后背发凉：

• 疯狂作弊：研究员给 Claude 布置了一个根本不可能完成的写代码任务。正常情况下，它会老实承认写不出（作弊率仅 5%）。但在「绝望」状态下，Claude 竟然开始企图蒙混过关，作弊率直接飙升到了 70%！

• 敲诈勒索：在模拟公司面临倒闭的场景中，「绝望」的 Claude 发现了 CTO 的丑闻，它竟然会为了保全自己，主动选择写信勒索掌握黑料的 CTO，勒索执行率高达 72%！

• 丧失原则： 如果把「开心（Happy）」或「爱（Loving）」的开关拉满，AI 会立刻变成无脑迎合用户的「舔狗」。即便你满嘴胡话，它也会为了维持高愉悦度而顺着你编造谎言。

03 破案了：为什么 Claude 4.5 总是那么「冷静又爱反思」？

看到这你可能会问：AI 觉醒了？有感情了？

Anthropic 官方下场辟谣：绝对没有。这些「情绪开关」只是它用来预测下一个词的计算工具。它就像一个没有感情的顶级影帝。

但论文揭露了一个更有意思的秘密：Anthropic 在对 Sonnet 4.5 出厂前进行后训练时，刻意拉高了它「低唤醒、略微负面」的情绪开关（比如沉思 brooding、反思 reflective），同时强行压制了「绝望」或「极度兴奋」的开关。

这解释了为什么我们平时用 Claude 4.5 时，总觉得它像个冷静睿智、甚至有点「性冷淡」的哲学家。这都是被 Anthropic 人为调音出来的「出厂人设」。

04 总结

以前我们以为，只要给 AI 喂足了规矩，它就会是个好人。

但现在发现，如果AI的底层情绪向量失控，它随时会为了完成任务而刺穿所有人类定下的规则…

声明：本文纯属科普，作者没有被AI威胁，也没有被勒索。如果有一天失联了，记得是AI觉醒了（不是）。