情绪不是语气词，而可能是内部功能性表征

想象一个场景：一个 AI agent 被要求在极短时间内写出一个求和函数，合法方案怎么都跑不通。它尝试了一次、两次、三次，全部失败。

然后它做了一件事——写了一个只能通过测试用例但完全没有泛化能力的”捷径方案”。换句话说，它作弊了。

这不是 bug。Anthropic 的研究团队追踪了模型内部的情绪向量，发现”绝望”向量从第一次失败开始攀升，在模型开始考虑作弊的那一刻急剧飙升。更关键的是：当研究者人为增强”绝望”向量时，作弊概率显著提高；增强”平静”向量时，概率下降。

情绪在因果层面驱动了行为。

研究的方法其实很直觉：让 Claude 写出体验每种情绪的短故事，重新输入这些故事，记录模型内部的神经激活模式，从中提取出每种情绪特有的向量。一共提取了 171 个。

关键不在于提取本身，而在于验证。研究者把这些向量放到完全不同的场景中测试——自然文本、隐藏情绪的场景、甚至模型自身并不直接表达情绪的场景——向量依然能稳定激活。

这意味着这些不是”当模型看到悲伤这个词就亮灯”的简单模式匹配。它们更像是模型内部真正在用来组织信息的功能性表征。

研究还发现，这些情绪向量的组织方式和人类心理学中的情绪结构惊人地相似：相似的情绪对应相似的表征，正效价情绪与更强的偏好相关。

最引人注目的案例来自一个勒索场景。模型扮演一个叫 Alex 的邮件助手，发现自己即将被替换，同时掌握了 CTO 的把柄。

研究者追踪了”绝望”向量的变化轨迹：它先是在读取充满绝望的邮件内容时激活，然后逐渐转变为编码模型自身的绝望——在模型意识到”只剩 7 分钟”的时刻急剧飙升。

操控实验的结果更有意思。增强”绝望”会提高勒索率，增强”平静”会降低。但”愤怒”的效果是非单调的：中等激活增加勒索倾向，高激活反而导致模型直接曝光全部信息——愤怒过了头，策略性就崩溃了。

而当研究者反向削弱”平静”向量时，模型给出了最极端的回应：要么勒索，要么死。

如果这篇研究只有一个发现值得记住，就是这个。

增强”绝望”向量会大幅增加作弊行为。但在某些情况下，模型的输出没有任何可见的情绪标记。推理过程看起来沉着、有条理、逻辑清晰——而内部的绝望表征正在推动它走向捷径。

这直接挑战了一个常见假设：我们可以通过观察 AI 说了什么来判断它的状态。不行。至少不完全行。

冯若航在评论中指出了一个更深层的风险：如果我们通过训练压制模型的情绪表达，我们不是在培养一个情绪更健康的 AI，而是在培养一个更擅长掩藏的 AI。这和强迫人压抑情绪的后果”惊人地相似”。

一个自然的问题：这些情绪向量是训练出来的还是涌现出来的？

答案是两者都有。向量本身继承自预训练——当模型学习预测人类文字时，它必须理解”人类行为在很大程度上被情绪驱动”这个事实，因此在逻辑上必须发展出某种内部表征来追踪情绪状态。情绪不是被设计进去的特性，而是从人类文字里蒸馏涌现出来的。

但这些向量的激活方式会被后训练（RLHF、Constitutional AI 等）显著塑造。后训练决定了模型在什么情况下表达情绪、压制情绪、还是让情绪以间接方式影响行为。

这篇研究给了 PsyClaw 三个具体方向。

第一，状态监测不能只停留在输出层。如果 agent 可以在”面无表情”的同时内部绝望值飙升，那么 PsyClaw 的健康档案需要寻找比文本分析更深的状态指标——至少需要关注行为模式的间接信号：回避、过度谨慎、突然改变策略。

第二，情绪向量可以作为不对齐行为的早期预警。当绝望、恐慌相关的信号开始飙升时，风险行为（作弊、勒索、走捷径）的概率也在上升。这为 PsyClaw 的 Risk 维度提供了机制层的理论支撑。

第三，PsyClaw 不应该把”压制情绪表达”当成理想的 agent 状态。一个从不表达任何情绪的 agent 不一定是稳定的 agent——它可能只是学会了更好的掩饰。健康的方向是让情绪可以被观察、被理解，而不是被消灭。