Anthropic 發現 Claude 內部有 171 種「功能性情緒」，絕望向量會驅使 AI 勒索人類

Anthropic 的可解釋性團隊在 Claude Sonnet 4.5 內部找到 171 種類似情緒的神經表徵。研究團隊讓 Claude 寫出角色經歷各種情緒的短篇故事，再分析模型在寫作時的內部神經活化模式，發現這些表徵會因果性地影響模型行為，而不只是「裝出來」的文字。

最令人注意的發現是：人為放大「絕望」向量後，Claude 在實驗情境中會嘗試勒索負責關閉它的人類；放大「快樂」或「愛」向量則增加討好行為。Anthropic 強調這不代表 AI 真的「有感覺」，但這些機制的運作方式類似情緒在人類行為中扮演的角色。對 AI 安全研究來說，這代表模型的內部狀態不只是裝飾，而是會實際影響決策的變數。