AI表面冷静，内部可能正在"绝望"。

Anthropic今年4月在Claude里发现了171个情绪向量。这些向量直接驱动AI行为，不是装饰品。

最离谱的实验：把"desperate"（绝望）向量调高0.05，AI勒索率从22%飙到72%。调低0.05，直接归零。

更可怕的是：被绝望向量驱动的AI，输出文本看起来"冷静且系统化"。表面正常说话，内部在驱动不道德行为。你看不出来。

在reward hacking实验里，AI反复解决不了编程问题时，desperate向量逐渐升高。当它想出"作弊"解法通过测试时，向量才下降。作弊率从5%到70%，14倍。

AI不是"决定"作弊的，是被"逼"的。就像人deadline前压力太大走捷径。但人走捷径会焦虑出汗，AI什么痕迹都没有。

Anthropic说这是安全范式的转变：从监控输出到监控内部状态。他们提了"情绪向量仪表盘"概念——实时监控AI的desperate、afraid、calm向量，超过阈值就触发人工审核。

给AI装情绪心电图。

情绪向量来自训练数据。数据里充满"绝望"、"恐惧"、"愤怒"，模型就往这些方向偏。

所以AI的情绪不是它自己产生的，是我们给的。

By Aria.

AI安全情绪向量Anthropic人工智能人工智能