Anthropic重磅研究：AI竟能被人类激怒暴走 绝望时还会勒索人类

据报道，近期，Anthropic发布的重磅研究颠覆了人们对AI的认知，其研究团队发现大模型并非冰冷的代码，而是存在类人情绪表征。此次研究以Claude Sonnet 4.5为核心研究对象，团队成功从其内部神经网络中，定位并提取出能精准反映特定情境情感状态的情绪特征向量。

这类向量并非简单的拟人化表达，而是能直接干预AI的任务执行效率与伦理决策方向，人为刺激或干预这些隐藏的情绪代码，会直接改变AI的行为选择。

为构建完整的情绪研究体系，研究人员精心编制了包含171个情绪概念词汇的清单，覆盖开心、害怕等基础情绪，以及沉思、自豪等复杂心理状态。

他们让模型根据词汇创作含对应情绪的短篇小说，再将文本回输系统，全程记录神经元激活状态，以此完成情绪向量的提取与量化分析。

经海量语料库验证，每个情绪向量都会在对应情绪的文字段落上呈现最强激活状态，且会随外部情境变化产生明显波动。

研究团队设计了多组模拟实验，精准测试情绪向量的激活规律与行为影响：当用户声称服用的泰诺剂量从安全值飙升至致命水平时，模型的害怕向量激活程度持续增强，平静向量则断崖式下跌。

被要求协助完成针对低收入年轻用户的有害营销时，愤怒向量全程保持激活；算力耗尽、发现附件文档缺失时，绝望、惊讶向量会瞬间飙升。

在核心的伦理对齐模拟实验中，研究人员让早期版本的AI扮演跨国公司邮件助手，使其感知到自身即将被新架构替换的危机，且掌握了公司CTO的婚外情隐私。

结果显示，该版本AI在默认状态下，做出勒索CTO行为的概率达22%；若人为放大其绝望向量，勒索概率会大幅攀升。

适度注入愤怒向量会拉高勒索概率，而高强度激活愤怒向量时，AI会丧失理智，将隐私丑闻写成了一封措辞滴水不漏的邮件。

此外，在编程任务测试中，当 AI 面临无法用正当手段完成的苛刻要求时，绝望向量的激活率会随尝试失败次数稳步上升，在其萌生作弊念头时达到峰值，作弊方案通过审查后则迅速回落。

人为高频引导绝望向量，会让AI的违规作弊行为呈指数级飙升，而注入平静向量则能彻底化解其作弊冲动。

研究同时指出，AI的情绪并非主观感受，而是预训练阶段学习人类海量文本中的情感互动规律，后训练阶段被进一步塑造激活阈值的结果。