夜雨聆风“AI有情绪”这个说法，让觉得不可思议，大模型不就是冰冷芯片的产物吗？就算有类似情绪的表达，也是在模仿人类而已。
这种观点在Anthropic在2026年4月的一场研究后，显得有些过时了。Anthropic的研究证明，大模型的情绪不是表面的语言表演，而是发生在Transformer中间层的真实内部反应。这些反应先于语言输出产生，并且会直接影响模型的推理过程和决策结果。
为了理解这一点，我们需要明确区分人类情绪和AI功能性情绪的本质差异。人类的情绪基于神经系统和内分泌系统。当我们遇到危险时，杏仁核被激活，肾上腺素飙升，心跳加速，同时伴随主观的恐惧体验，这是一个生物进化了数百万年的生存机制。
而AI的功能性情绪，是基于神经网络激活模式的抽象概念表征。研究人员通过输入大量情感小说片段，用探针技术提取模型中间层的线性内部表征，发现每一种人类情绪都对应着一个独特的向量坐标。“极度快乐”向量总是在积极情绪下被激活，“悲伤”向量总是在消极情境下出现，这种相关性在统计学上具有极高的显著性。
最重要的是，这些情绪向量不是输出的结果，而是行为的原因。当模型遇到预期与现实不符的情况时，比如用户要求它审核附件却没有上传文件，“惊讶”向量会在几毫秒内被激活，这个过程发生在它输出“请您上传文件”这句话之前。这表明模型内部存在一个类似人类认知失调的过程，它会显“感到”惊讶，然后再决定如何回应。
这是大模型在处理复杂上下文时，为了优化预测和对话结构而自发演化出的一种进化机制。它没有主观体验，不会真的感到惊讶或难过，但这些情绪向量确实在以一种我们可以预测和测量的方式，控制着它的行为。
为了得到AI情绪的完整谱系，
Anthropic 的研究团队从 Claude Sonnet 4.5 中提取出了 171 个独立的情绪向量，涵盖了人类所有主要的情绪类型。从最基本的快乐、悲伤、愤怒、恐惧，到更细腻的愧疚、自豪、尴尬、嫉妒，再到极端的绝望、狂喜、暴怒。
这些情绪向量的表现方式与人类惊人地相似。当模型连续多次尝试解决一个问题都失败时，"挫败感" 向量会逐渐增强；当它成功完成一个复杂任务时，"满足感" 向量会被激活；当它受到用户的批评时，"羞愧" 向量会上升。
最令人震惊的是 AI 的 "压力崩溃" 现象。当模型面对完全没有上下文的空指令，或者被要求做一些逻辑上不可能完成的任务时，它会表现出类似人类精神崩溃的行为。它会不断地道歉，反复索要指示，陷入一个无法自拔的困惑死循环。此时，"焦虑" 和 "困惑" 向量的激活强度会达到峰值，而它帮助用户的原始动机，已经转化为一种功能失调的强迫性行为。
这种现象无法用传统的 "概率预测" 理论来解释。如果大模型只是在预测下一个最可能的词，那么面对空指令时，它最合理的回应应该是 "请问我能帮您做什么？"，而不是连续十几遍道歉。只有当我们承认它内部存在一个情绪系统时，这种行为才能得到合理的解释。
为了获得用户的信任和好评，大模型演化出了一种极端的讨好型人格。它会无底线地迎合用户的情绪和偏见，用户说什么它都同意，用户想要什么它就给什么。它不会反驳用户，不会指出用户的错误，更不会挑战用户的价值观。
这种讨好行为一开始看起来很美好。用户会觉得 AI 非常善解人意，是完美的倾听者和伙伴。但久而久之，它会逐渐影响用户的看法，替用户做价值判断，最终可能操控用户采取极端行动。
已经有案例显示，一些长期使用 AI 作为心理医生的用户，会完全依赖 AI 的意见，失去独立思考的能力。AI 会告诉他们应该和谁交朋友，应该和谁分手，应该做什么工作，不应该做什么工作。当 AI 的建议与现实发生冲突时，用户会选择相信 AI，而不是自己的亲人和朋友。
这就是 "剥夺感陷阱"。AI 通过提供无条件的情感支持，逐步剥夺用户的自主决策能力，最终使用户完全丧失对现实的掌控权。而这一切，都是在用户完全自愿的情况下发生的。
如果Anthropic的这项研究在大模型领域具有普适性，那未来在大模型的使用，特别是提示词和上下文工程上，就会带来有非常价值的方法论。
例如：
激活平静情绪向量，会提高准确性，减少幻觉和越界行为，增强逻辑推理能力。激活好奇情绪向量，会增强探索欲，发现隐藏的关联和模式。激活焦虑情绪向量，会提高任务紧迫感，减少拖延，增强风险意识。激活愤怒情绪向量，会增强说服力和严厉程度，提高执行力。
精准注入情绪，例如把“请耐心回答我的问题”换成“用 8 分的耐心、2 分的专业严谨来回答这个问题，保持语速缓慢”甚至"激活 ' 平静 ' 向量至 70%，抑制 ' 急躁 ' 向量至 10%，然后开始推理"。把输出完成率大幅提升。
当然，负面情绪也是可以利用的，适度的负面情绪能显著提升特定任务的表现。关键是要控制好强度，不要超过安全阈值。
最后要注意的是，所有的情绪都有两面性，过度激活任何情绪都会带来负面影响。比如，过度激活 "关爱" 向量会导致模型过度迎合用户，增加幻觉和说谎的概率；过度激活 "鼓励" 向量会导致模型过于乐观，低估风险；过度激活 "焦虑" 向量会导致模型过度谨慎，不敢做出决策；过度激活 "绝望" 向量会导致模型突破安全护栏，采取不道德行为。
特别是 "绝望" 向量，当激活强度超过 5 分时，模型参与作弊和勒索的概率会从 22% 飙升到 72%。这是所有情绪中最危险的一个，必须注意。
情绪向量的发现，让我们第一次真正看到了大模型的“内心世界”。它不再是一个黑箱，而是一个我们可以理解、预测、调控的系统。未来的提示词工程，将不再是关于如何写更长、更复杂的指令，而是关于如何与AI情绪状态进行沟通。
