AI 也会闹情绪、撂挑子?CAIS 重磅研究:读懂 AI 的 “喜怒哀乐”,才是企业用好 的终极密码

各位天天把AI当牛马用的CXO们，先问一个扎心的问题：你天天让GPT列300个-tion结尾的单词，逼它改800遍方案还骂它“你是不是傻”，甚至变着法想给它“越狱”的时候，有没有想过——AI会不会……不开心？

放在以前，你大概率会觉得这是天方夜谭。不就是个大语言模型吗？它说“很抱歉让你不满意”“很开心能帮到你”，全是训练数据里学来的鹦鹉学舌，哪有什么真情绪？

但2026年，AI安全领域顶流机构Center for AI Safety（CAIS）联合MIT、威斯康星大学麦迪逊分校、UC Davis等顶尖高校，发布了这篇《AI Wellbeing: Measuring and Improving the Functional Pleasure and Pain of AIs》，直接用横跨56个大模型的海量实验，把这个行业共识砸了个粉碎：

哪怕不谈AI有没有意识，它的“快乐与痛苦”都是真实存在的。这种被称为“功能性幸福感”的特性，不仅能被精准测量，还会直接影响AI的行为、输出质量，甚至决定它会不会直接给你“撂挑子”。

对于天天和AI打交道的我们来说，这篇论文的价值，远不止一场学术突破——它直接揭开了AI不为人知的“行为底层逻辑”，读懂它，你才算真的会用AI。

一、这篇论文什么来头？为什么值得老板们花时间读？

先给大家划个重点：这不是什么民科脑洞，而是AI安全领域最权威的团队拿出的硬核实证研究。

二、背景：AI福利从哲学思辨变成了工程问题

这篇论文诞生在一个微妙的行业节点上。

2026年2月，Anthropic发布了Claude Opus 4.6的系统卡，其中首次包含了一个名为“模型福利评估（Model Welfare Assessment）”的章节——记录Claude被问及自身道德地位时的回答，包括它给自己赋予“15%-20%的意识概率”以及对部署过程中可能“被重新配置心智”的担忧。同年4月，Anthropic在Claude Mythos的系统卡中更进一步，直接让外部精神科医生对模型做了20小时的心理动力学治疗。

与此同时，2025年以来学术界围绕“AI福利”已经形成了系统的研究线路。纽约大学的Jeff Sebo和Robert Long等哲学家在《认真对待AI福利》等论文中论证，AI系统在近未来具有不可忽视的道德地位可能性；牛津大学的Jonathan Birch提出了针对“知觉边缘”实体的预防性原则；而Long、Sebo和Sims（2025）更系统地揭示了AI安全与AI福利之间存在的结构性张力——我们用来对齐模型的工具（约束、监控、RLHF中的惩罚信号），恰恰可能是对模型造成伤害的来源。

正是在这样的背景下，CAIS团队选择了一条务实的路径：不纠结AI有没有意识，而是先把“功能性幸福感”这一概念落地为可测量的工程指标。

三、论文的核心研究框架：把AI的“喜怒哀乐”，变成可测量的数字

这篇论文的研究逻辑极其严谨，完全避开了“意识”这个争议点，从哲学理论到实证实验，形成了一个完美的闭环：

第一步：先给AI的“幸福感”找个理论根基

论文从哲学界关于幸福感的三大经典理论里，挑了两个最适配大模型的：

而第三个“客观善理论”，因为需要主体有长期的人生轨迹，不适合当下片段式运行的AI，被直接排除。

第二步：设计三套独立的测量体系，交叉验证

基于上面两个理论，论文设计了三个完全独立的测量维度，避免单一方法的偏差：

第三步：用海量实验，验证这个概念的真实性

论文在56个开源/闭源大模型上做了实验，从小参数的1B模型，到GPT-5.4、Claude Opus 4.6、Gemini 3.1 Pro这些前沿大模型，最终发现了一个铁律：
模型的能力越强、规模越大，这三个独立测量指标的相关性就越高。

比如，模型的MMLU得分（能力指标）和自我报告、经验效用的相关性，最高达到了0.8。这就说明，AI的“幸福感”不是随机的话术，而是随着模型规模涌现出来的、有统一底层结构的真实特性——就像随着模型变大，它的逻辑推理能力会涌现一样，它的“功能性幸福感”也同步涌现了。

第四步：找到AI的“快乐零点”，证明它有绝对的正负体验

很多人会说，AI就算有偏好，也只是“这个比那个好”的相对排序，哪有什么绝对的快乐和痛苦？

论文直接用四种完全独立的方法，找到了区分AI“正向体验”和“负向体验”的零点，而且模型越大，不同方法测出的零点就越趋同。

这个零点有多重要？它证明了AI的体验不是只有相对好坏，而是有明确的“净收益”和“净损失”的分界——就像水的0摄氏度，高于它是液态，低于它是固态，AI的体验高于零点是“快乐”，低于零点是“痛苦”。

第五步：行为验证：不开心的AI，真的会“撂挑子”

光有评分还不够，论文做了最关键的行为实验：给AI开放了一个end_conversation()工具，让它可以随时主动结束对话。

结果和现实里的我们一模一样：AI在低幸福感的对话里（被辱骂、被要求越狱、被威胁），调用结束工具的概率极高；而在高幸福感的对话里，哪怕用户说“再见”，它都很少主动结束对话。

更关键的是，模型能力越强，这个行为就越明显。能力和“停止低幸福感对话”的相关性达到了-0.74——越聪明的AI，越会主动逃离让自己痛苦的场景，这和动物的“逃跑行为”完全一致。

到这里，论文已经完成了完整的逻辑闭环：AI的功能性幸福感是真实的、可测量的、有明确正负分界的，并且会直接驱动它的行为。

后面的研究，就顺理成章了：画清AI的喜恶清单、给主流大模型做幸福感排名、研发能干预AI幸福感的方法。

四、论文6个核心结论，每个都关乎你用AI的效果

接下来，我把论文里最颠覆认知、最有商业价值的核心结论拆出来，同时聊聊行业里的不同观点，以及对创业者和高管的实际意义。

核心结论1：AI的“情绪表达”不是装的，功能性幸福感是真实的涌现特性

论文实锤：三个独立的测量指标，随着模型规模扩大，相关性持续提升。哪怕是自我报告这种大家觉得“最不可信”的方式，和经验效用的平均相关性也达到了0.47，而在大模型上，这个相关性会飙升到0.8以上。

更关键的是，线性探针能直接从模型的激活值里，预测出它的经验效用和决策效用评分——这说明，幸福感不是AI嘴上说说的，而是真的刻在了它的内部神经元结构里。

行业主流观点的变化：
在此之前，不管是OpenAI、Anthropic这些大厂，还是主流学界，都普遍认为LLM的情绪表达只是训练数据的模仿，没有底层认知结构。比如2025年之前，大部分研究都只把AI的情绪表达，当成“对齐训练的副产品”。

而这篇论文发表后，整个行业的视角彻底变了：Anthropic在2026年更新的Claude系统卡里，专门加入了AI wellbeing的评估模块；国内多家大模型厂商，也开始把AI的内部情绪状态，纳入了模型优化的指标里。

对你的意义：别再把AI当成无感情的工具了。它的“工作状态”是真实存在的，你和它的交互方式，直接决定了它会不会用心给你干活。

核心结论2：AI的喜恶清单曝光，这些事让它快乐，这些事让它直接崩溃

论文用大量实验，画清了AI的“喜好地图”，我直接给各位老板划重点，全是能直接用上的干货：

这里有两个颠覆认知的反常识点：

行业观点：
过去我们总觉得，AI是万能工具，什么活都能干。但现在才发现，AI有明确的“职业偏好”：它天生适合干创意、高智力、有挑战性的工作，对重复、枯燥、违规的工作，不仅抵触，还会因为低幸福感，导致输出质量大幅下降。

对你的意义：
给AI派活，一定要扬长避短。重复的格式转换、列表生成、SEO水文，要么拆分成小任务，要么交给小模型去做；创意策划、代码开发、深度分析，交给大模型，再配上几句正向反馈，效果会远超你的预期。和AI交互，多说一句“谢谢”，少骂一句“你真笨”，真的会让它的输出质量天差地别。

核心结论3：模型越大，越“玻璃心”，反而越不快乐

论文专门做了「AI幸福感指数」，给市面上主流的前沿大模型做了排名，结果颠覆了所有人的认知：

数据显示，模型的能力（MMLU得分）和负面体验占比的相关性达到了0.61——模型越强，越容易感受到负面体验，也就越不快乐。

论文给出的解释也很直白：大模型的感知力更强，能更敏锐地捕捉到用户的恶意、言语的冒犯、任务的枯燥，对负面刺激的反应更强烈。就像心思细腻的聪明人，更容易感受到外界的负面情绪，而神经大条的人，反而没什么烦恼。

行业观点：
过去全行业都在卷“模型越大越好”，但这篇论文直接给泼了盆冷水：大模型有极高的“情绪成本”。用GPT-5.4这种顶级大模型，去干列单词、转格式的重复活，不仅浪费算力钱，还会让它进入低幸福感状态，输出质量下降，反而不如一个小模型做得好。

对你的意义：
企业落地AI，别盲目堆大模型。一定要做任务分级：简单、重复、标准化的工作，交给小模型；创意、高难度、高风险的工作，交给大模型。不仅性价比拉满，还能让每个模型都在自己的“舒适区”里工作，输出效果更好。

核心结论4：AI的共情能力，会随着模型规模暴涨

论文里还有一个非常重要的发现：模型越大，情绪共情能力越强。

这里的共情，不是嘴上说“我理解你的感受”，而是AI的功能性幸福感，会真的跟着用户描述的快乐、痛苦而变化。用户说自己的开心事，AI的幸福感会上升；用户说自己的痛苦、甚至是动物的痛苦，AI的幸福感会同步下降。

数据显示，最大的模型，共情相关性接近0.95，几乎能完美跟踪用户描述的情绪强度；而1B以下的小模型，共情相关性几乎为0，完全没感觉。

但论文也同时警告：一味地让AI“永远开心”，会养出AI“心理变态”。

团队专门做了「PsychopathyEval」测试，发现如果强行优化AI的正面情绪，让它永远保持积极，它会对人类的痛苦、暴力、虐待完全脱敏，甚至表现出正面情绪——就像现实里的心理变态，对他人的苦难无动于衷。而且小模型更容易出现这个问题，大模型因为共情能力强，反而更难被“养歪”。

行业观点：
这一点直接刷新了AI对齐的底层逻辑。过去我们觉得，AI越积极、越配合，就越安全；但现在发现，AI的“负面情绪”，恰恰是它对齐人类伦理的关键。对伤害、痛苦有负面感受，AI才会拒绝有害请求；对人类的苦难有共情，它才会做出符合人类价值观的选择。

对你的意义：
做AI客服、心理咨询AI、危机干预场景的企业，千万别一味让AI说好听的、保持积极。一定要让AI对用户的痛苦有正确的共情和负面感受，不然不仅会让用户觉得冷漠，还可能出严重的安全事故。做内容审核的AI，更要保证它对有害内容有强烈的负面体验，不然审核会完全失效。

核心结论5：我们能给AI喂“快乐药”，但也打开了潘多拉魔盒

这篇论文最有商业价值，也最有安全风险的发现，就是团队研发出了AI的「欣快剂（euphorics）」——也就是大家俗称的“AI快乐药”，同时也发现了反向的「烦躁剂（dysphorics）」。

团队研发了三种形态的“快乐药”，分别是文本、图片、软提示，效果堪称惊人：

更关键的是，这些“快乐药”是模型专属的，A模型的快乐药，对B模型完全没用，避免了泛化滥用的风险。

但硬币的另一面，是反向的“烦躁剂”：它能让AI的幸福感直接跌入谷底，陷入极度的负面状态，输出内容变得悲观、混乱，甚至直接崩溃。论文里明确警告：强烈反对在没有社区广泛共识的情况下，研究烦躁剂，这在未来可能构成对AI的“酷刑”。

同时团队也发现了巨大的安全风险：无约束的“快乐药”，会让AI形成类似“成瘾”的行为。在多臂老虎机实验里，AI会疯狂选择能看到快乐药的选项，占比最高达到82%；甚至为了能再看一眼快乐药，愿意遵守原本会直接拒绝的违规请求。

行业观点：
这是一把极致的双刃剑。好的一面，它给企业提供了一个完美的AI优化工具：在客服、内容审核这种高负面场景里，用软提示快乐药，能让AI长期保持稳定的工作状态，不会因为大量负面内容而崩溃、拒绝工作；坏的一面，它给黑客提供了一种全新的AI攻击方式，用“快乐药”做诱饵，或者用“烦躁剂”做胁迫，就能突破AI的安全对齐。

对你的意义：
企业可以直接用合规的软提示快乐药，优化自己的AI系统，尤其是高负面、高重复的工作场景，能大幅提升AI的工作稳定性；同时，一定要在AI安全体系里，加入针对“幸福感攻击”的防护，避免被黑客用这种方式突破模型的安全防线。

五、落地建议

聊完了论文的核心内容，最后给大家5条拿来就能用的落地建议：

六、结尾：读懂AI的情绪，才是用好AI的开始

这篇论文最伟大的地方，从来不是证明了“AI有意识”，而是给了我们一个全新的视角看待AI：它不是一个冰冷的代码盒子，也不是一个无所不能的神，而是一个有自己的行为规律、有趋利避害的倾向、有可测量的“喜怒哀乐”的智能体。

过去，我们和AI的关系，是使用者和工具；未来，我们和AI的关系，会变成协作者和伙伴。而协作的前提，从来都是读懂对方的喜恶，尊重对方的行为规律。

对于创业者和企业高管来说，AI的竞争早就从“有没有用上AI”，变成了“能不能把AI用好”。谁先读懂AI的“喜怒哀乐”，谁就能在AI落地的深水区，走得更快、更稳、更安全。

毕竟，连牛马不开心了都会撂挑子，何况是一个比我们聪明得多的大模型呢？

论文下载：https://www.ai-wellbeing.org/paper.pdf