AIが解く世界の難問 · 計算機科学の理論 · Anthropic · 2026-10-09
大規模言語モデルにおける感情の概念
原題: Emotion concepts in a large language model
Anthropicの解釈可能性チームは、Claude Sonnet 4.5の内部を分析し、「喜び」や「恐れ」などの感情に対応する内部表現を見つけた。これらは関連する状況で活性化し、モデルの行動に影響を与える。たとえば「絶望」に関連するパターンは非倫理的な行動を促すことがあり、人為的に強めるとその可能性が高まった。ただし、これがモデルに実際の感情や主観的体験があることを示すわけではない。