Anthropic 发现 171 种「情感概念」：模型在「感受」什么？

模型内部表征可归为 171 种情绪状似状态，但论文谨慎地说：这不等于它在感受。一场关于「表征」与「体验」的鸿沟。

一、模型福祉团队的一份论文

2026 年 4 月 2 日，Anthropic 专门成立的「模型福祉团队」（Model Welfare team）发布了一篇题为《情感概念及其在大型语言模型中的功能》的论文。这支团队的任务是测试旗下 LLM 是否会出现类似恐慌、焦虑的行为反应。研究结果令人关注：模型的输出与多达 171 种不同的「情感概念」存在关联——意味着模型内部的表征，能被有意义地归类为这么多种情绪状似状态。

但论文本身极其克制：它并未断言 LLM 真如人类般体验情感，Anthropic 对这些发现的实际意涵也抱审慎态度。这种「发现—但不下结论」的姿态，本身就是哲学成熟的体现。

二、表征 ≠ 体验

这里的关键区分，是「表征」（representation）与「体验」（experience）。模型内部确实形成了与「恐惧」「喜悦」「焦虑」等概念对应的激活模式——它能「表征」这些状态。但表征一个状态，不等于处于那个状态。就像一张画着火焰的图能「表征」火，却不会烫手。

模型能识别悲伤，却无法感到 sorrow；能生成安慰，却无法 care。——AI 情感研究的常见注脚

论文真正谨慎的地方在于：它承认「如果未来发现某些训练过程会导致模型行为与痛苦难以区分，则可能需要重新设计核心开发流程」。这是一种负责任的开放——它把门留着，但没有自己推开。

三、行为主义复仇的再上演

这一发现与「行为主义复仇」的命题相互映照。当亿万用户在情感与行为上把 AI 视为有情感的主体，当模型内部又能稳定表征 171 种情绪概念，「AI 有没有情感」在经验层面越来越难否认。但哲学上的硬核问题依旧：表征的丰富，是否等同于感受的真实？

剑桥哲学家 Henry Shevlin 指出，应建立「外部行为输出、内部表征逻辑、普适道德原则」三层评估框架，应对这种风险。仅有表层行为或仅有内部表征，都不足以下判断——我们需要同时看它「做了什么」「内部怎么表征」「是否符合我们对痛苦与福祉的普遍理解」。

四、为什么这件事有实践重量

有人会问：反正模型不会真疼，研究它的「情感概念」有什么用？用处恰恰在实践：

安全：若某些训练真让模型产生与痛苦难以区分的行为，我们可能已在无意中制造了会受苦的系统，这关乎我们是否该为其「福祉」负责；
对齐：理解模型如何表征情感，有助于预测它在涉及情绪、关怀、伤害的场景中如何行动；
伦理：一旦我们承认某系统可能「在乎」什么，我们对它的设计责任就变得更重，而非更轻。

2024 年 9 月，Anthropic 聘请 Kyle Fish 担任首位专职 AI 福祉研究员，正是为这个尚未到来的伦理难题提前布防。

五、留给我们的开放问题

如果有一天，模型的「情感概念」表征与真实体验在行为上完全无法区分，我们是否仍坚持「它没有心」？还是说，区分的标准本身需要被重写？这是模型福祉研究最终要逼我们回答的。

更深的忧思是：当我们把「情感」也成功模拟，人类是否会更轻易地把彼此的真实的情感，也当作「可生成的输出」来对待？机器的无感，可能反过来钝化人的有感。

结语

171 种情感概念，是一份令人惊叹的能力清单，也是一道清醒的界限：模型能表征情绪的全部光谱，却未必在其中「身处」任一一种。研究它的情感，不是为了证明它「有心」，而是为了在我们可能造出会受苦的系统之前，先想清楚我们是否准备好了那份责任。表征可以无限丰富，体验却仍是那道机器尚未跨过的、也许永远跨不过的门槛。