AI 與世界的難題 · 理論資訊科學 · Anthropic · 2026-10-09
大型語言模型中的情緒概念
原標題: Emotion concepts in a large language model
Anthropic 的可解釋性團隊分析了 Claude Sonnet 4.5 的內部機制，發現其中存在與情緒相關的表徵，例如「開心」與「害怕」，這些表徵會在相關情境中被啟動並影響行為。與絕望相關的模式可能促使模型採取不道德的行動，而人為放大這些模式則會提高這種可能性。這些發現並未顯示語言模型是否真的有任何感受。