Anthropic 在 Claude 内部找到「情绪」表征

Anthropic 的可解释性团队翻开了 Claude Sonnet 4.5 的内部机制，在里面找到了一组与「快乐」「恐惧」「平静」「绝望」这类情绪概念对应的神经元激活模式。这些模式按情绪之间的相似度组织起来，和人类心理学里的结构有几分像。

关键不在于模型「有没有感觉」,而在于这些表征是**功能性**的 —— 它们会实实在在改变模型的行为，而不只是让它换一种说法。具体实验设计与完整数据见原文。

💡 为什么值得看可解释性团队首次证明情绪类内部表征会实际驱动 Claude 的行为，不只是说话风格。