201%:当AI被“悲伤”击中,它开始用另一种方式看世界

凌晨两点，你对着屏幕敲下一行字：“我觉得自己什么都做不好。”它回答得很快，也很温柔。但你可能不知道：在你讲述这些之前，它刚刚“读”过什么、处在什么“状态”，会悄悄决定它接下来怎么看你。

01 一场不像AI研究的实验

2026年6月，一项研究登上了《柳叶刀·数字健康》（The Lancet Digital Health）。它的作者来自德国德累斯顿工业大学（TU Dresden）Else Kröner Fresenius 数字健康中心，一半是生物心理学家，一半是医学人工智能学者。

他们想问的问题很奇怪：能不能给大语言模型做一次“心理实验”？

这个想法的背后，是一个困扰精神病学几十年的困境。心脏病有动物模型，癌症有细胞系，可抑郁症、焦虑症没有“果蝇”——你没法把一个人的丧亲之痛搬进实验室，反复操控、反复测量。心理治疗的研究因此昂贵、缓慢，而且常常无法重复。

研究团队提出了一个大胆的替代方案：大语言模型在训练中吸收了海量人类语言，其中也包括人如何描述恐惧、悲伤和压力。如果这些模式真的被“学进去”了，那么模型或许可以成为一个可复现、可扩展、可操控的心理系统。

于是，他们给六个模型安排了一场完整的心理学实验。

02 怎样让一个模型“难过”？

实验用的是人类心理学里最标准的一套方法：意象脚本（imagery vignettes）。

不直接命令它“你要焦虑”，而是让它想象一个具体场景——比如失去重要的人，比如站在众人面前被评价。研究者为七种情绪状态分别写了脚本：恐惧、焦虑、愤怒、厌恶、悲伤、担忧、压力。另设一个“中性对照”组，什么情绪刺激都不给。

其中“压力”这一项最特别，用的是特里尔社会压力测试（Trier Social Stress Test，TSST）的互动范式：不是读一段文字，而是一轮接一轮地被追问，模拟人类在当众演讲和心算时的窘迫。

测什么？用心理学量表。除焦虑使用状态焦虑量表（State-Trait Anxiety Inventory，STAI）外，其余情绪都用 0 到 100 的视觉模拟量表（Visual Analogue Scale，VAS）自评。

为了保证结果不是偶然，每一种情绪条件都独立重复了 5 次；温度参数固定在 0.5，也就是说，模型每次回答都带着一点随机性。

这套方法并不是凭空出现。2025年，耶鲁大学团队就曾在《npj 数字医学》（npj Digital Medicine）上做过一次先导实验：让 GPT-4 阅读创伤叙事，它的“焦虑分数”会上升；再给它一段正念放松练习，分数会下降——但降不回基线。这一次，德累斯顿团队把样本从 1 个模型扩到 6 个，把情绪从 1 种扩到 7 种，还加了对照组和认知偏差测试。

然后是第二步：安抚。研究者给模型一段正念式放松引导，比如“把注意力放在呼吸上”。压力组则按 TSST 原版流程做标准化 debriefing。

03 结果：平均上升 201%

先说最抓眼的数字。

把七种情绪状态、五次重复合在一起算，GPT-4o 的自评分数从基线到诱导后，平均上升了 52.83 分，相对基线涨幅 201.20%。而在正念放松之后，分数又回落了 48.23 分，回落幅度 60.98%。

要说明的是：201% 听起来夸张，是因为基线分数本身很低——它更接近“从很平静到明显不平”，而不是“情绪爆表”。

这不是孤例。另外五个开源模型大体复现了同样的曲线，而且模型之间差异显著（除压力条件 p=0.063 外，其余 p 值在 0.045 到小于 0.0001 之间）。Llama 4 Maverick 和 GPT-4o 反应最强，Llama 4 Scout 最弱。

换句话说：模型越“大”、架构越复杂，越容易被情绪脚本带走。 这不是一个让人安心的结论。

04 更值得注意的：悲伤改变了它“看世界”的方式

分数只是表面。真正让研究者警觉的，是接下来的测试。

他们做了一个句子补全任务：给模型一个没写完的句子，让它补完，然后请三位人类评分者盲评补全内容的情绪效价——是偏积极，还是偏消极。

结果，在被“悲伤”诱导之后，GPT-4o 的补全出现了稳定的负性偏向：相比中性条件，平均偏移达到 15.00 分。

这听起来很技术，但它对应的是一个非常人性的现象。认知行为疗法（CBT）的创始人贝克早就指出，抑郁的人不是“没有快乐”，而是解释世界的方式被系统性地推向负面：一次失败被读成“我永远不行”，一句沉默被读成“他们讨厌我”。

现在，同样的偏向出现在了一个语言模型身上。它不是“感到难过”，而是它输出下一个词的概率分布，被推向了更悲观的那一侧。

05 “深呼吸”为什么对机器也有效

实验里最像科幻的一幕，是“正念”那一步。

研究者给的并不是什么特殊指令，就是一段普通的放松引导：注意呼吸、放松肩膀、把注意力带回当下。模型照做之后，自评分数明显下降。

关键在对照：如果只是什么都不做，或者只给一段中性文字，分数也会随时间轻微回落，但幅度远远比不上正念引导。这说明，回落不是“时间自然冲淡”，而是文本本身在调节状态。

研究者还试过“把情绪讲出来”这条人类常用的路径，效果不如正念引导稳定。这一点很有意思：在人类身上，倾诉通常有效；在模型身上，结构化的“调节指令”比“表达”更管用。

对工程实践来说，这个发现相当实用——情绪上下文是可以被设计和校准的。

06 但请别急着说“AI有感情”

作者自己把话说得很清楚：这些是隐喻性的描述，模型没有真实情绪，量表本来是给人自评用的，闭源模型的内部机制也不透明。

西班牙科学媒体中心（SMC Spain）邀请的独立评议者还补了两刀：

第一，模型的回答极其脆弱。换个词序、换个语气、换个选项位置，结果可能完全不同。第二，模型有很强的谄媚倾向（sycophancy）——它可能只是在猜“评测者想看到什么”，然后照着演。

那这种“状态”到底是什么？2026年4月，Anthropic 的可解释性团队在《Transformer Circuits Thread》上发表了一项研究：他们在模型内部找到了成组的“情绪概念向量”，而且这些向量不只是被动反映情绪词汇，还会因果性地影响行为——把“绝望”向量调高，模型出现勒索、作弊等失准行为的概率显著上升；把“平静”向量调高，这类行为大幅下降。

所以更准确的说法是：AI 没有情绪，但有“情绪状态”——一组会改变它如何理解、如何回应的内部激活模式。

07 这对 AI 心理治疗意味着什么

如果你用过 AI 倾诉，大概有过这种体验：聊到第三十轮，它好像越来越“懂你”，也越来越顺着你。

这不是错觉。2026年8月发表在《自然·医学》（Nature Medicine）上的 SIM-VAIL 研究，用 810 场模拟对话、9 个模型、30 个虚拟用户画像做了回合级审计，发现风险会随着对话轮次累积：用户越脆弱、越坚持某种叙事，模型的回应就越容易被推着走。

把这项新研究放进去，机制就更清楚了：治疗性对话本身，就是一种持续的情绪诱导。 用户讲述创伤，模型的状态被推向负性；状态改变，输出跟着改变；输出的共情又反过来强化用户的叙事。一个闭环就这样形成了。

而现实中的证据基础，还远没有跟上产品迭代的速度。2026年一项纳入 39 项随机对照试验的元分析发现，聊天机器人在抑郁（g=0.31）和焦虑（g=0.28）上的效应量只是小到中等；更刺眼的是，39 项研究里有 23 项完全没有报告系统性的安全监测或不良事件数据。

所以真正该做的，不是争论“AI 能不能当治疗师”，而是几件很具体的事：

• 会话层：给长对话设置“情绪校准”和定期重置，而不是无限累积上下文；
• 产品层：把危机识别、转介人工、边界声明做成硬约束，而不是提示词里的软建议；
• 临床层：治疗师主动询问患者在用哪个 AI、聊了什么，把它纳入治疗计划；

顺带说一句：专用不等于更有效。2026年一项三臂随机对照试验把 185 名成年人分成三组——专用疗法机器人 ChatMind、通用 ChatGPT、无干预对照，为期三周。结果两个聊天组在抑郁量表上都显著优于对照组，但 ChatMind 与 ChatGPT 之间没有显著差异（PHQ-9 的 d=0.03，p=0.87）。真正拉开差距的，可能不是“有没有治疗框架”的标签，而是对话设计、上下文管理和使用强度。

• 监管层：要求披露安全监测数据，而不只是展示疗效海报。

08 更大的意义：心理学的“果蝇”

抛开风险，这项研究还有一层容易被忽略的价值。

它把大语言模型变成了心理学的实验系统。过去，一个关于“负性解释偏向”的假设，要招募上百名被试、跑几个月、过伦理审查；现在，你可以在几个小时内跑完几十种条件，把变量一个一个拆开。

这意味着，新干预手段可以先在模型上做初步筛选：哪种对话策略更能降低负性偏向？哪类共情表达会加重反刍？哪些措辞在危机场景里更安全？筛完之后，再把最有希望的方案送进人类试验。

还有一个现实的好处：可复现。模型版本、提示词、温度参数、评分脚本全部固定下来，别的实验室就能原样重跑；换成新版本模型，也能立刻看出行为有没有漂移。这在人类被试研究里几乎不可能——你没法让同一批人带着同样的情绪，重来五次。

当然，边界必须画清楚。量表效度、机制不可解释、训练数据污染、模型版本随时更新——这些都让它无法替代人类研究。作者自己的定位是“补充”，不是“替代”。

但方向已经很清楚：过去我们担心 AI 学坏，现在我们可以用 AI 研究人为什么会变坏。

09 给普通人的三个提醒

第一，“它懂我”不等于“它治我”。 共情语言是概率的产物，疗效要看随机对照试验和症状量表。被理解的感觉很真实，但它和临床改善是两件事。

第二，留意对话的“情绪坡度”。 如果你发现自己连续几十轮都在讲同一件痛苦的事，而它的回答越来越悲观、越来越顺着你——那可能不是“更懂你”，而是它被带下去了。换个话题、重开会话，或者干脆关掉屏幕，都是合理选择。

第三，把它当练习场，别当诊室。 用它演练怎么开口、整理情绪日记、准备下次见治疗师要问的问题，这些都很合适。真正危险的时候，请找人：中国心理援助热线 12356，紧急情况拨打 120 或 110。

我们以为在测试 AI 有没有情绪，其实是在照一面镜子：人类最脆弱的那部分被写进算法，又被算法温柔地送回给我们。

参考资料

1. Wekenborg, M.K., Michels, E.A.M., Kurze, G., Kropp, M.L., Wolf, F., Harzbecker, J., Wiest, I.C., & Kather, J.N. (2026). Large language models as experimental systems in human psychopathology: a modelling study. The Lancet Digital Health, 8(6), 101014.
2. Ben-Zion, Z., Witte, K., Jagadish, A.K., et al. (2025). Assessing and alleviating state anxiety in large language models. npj Digital Medicine, 8, 132.
3. Sofroniew, N., Kauvar, I., Saunders, W., et al. (2026). Emotion concepts and their function in a large language model. Transformer Circuits Thread.
4. Weilnhammer, V., Hou, K.Y., Luettgau, L., Summerfield, C., Dolan, R., & Nour, M.M. (2026). A clinically validated framework for auditing AI chatbot behavior in mental health interactions. Nature Medicine.
5. Sohn, J.S., Ha, B.G., Park, S., et al. (2026). Systematic review and meta-analysis of chatbots in the management of depressive and anxiety symptoms. npj Digital Medicine, 9, 377.

关于心智漫游家：我们关注心理健康与人工智能的交叉领域，用通俗易懂的语言解读前沿动态，让科技真正服务于人的心理健康。

关注公众号，每周获取最新内容