Anthropic：Sonnet 4.5 情绪向量研究揭示 AI 神经活动模式与人类心理高度相似

核心要点

2026年4月2日，Anthropic 发布研究显示，其 AI 模型 Claude Sonnet 4.5 在阅读包含情绪的故事文本时，能够通过观察神经元激活模式识别出可量化的"情绪向量"，且这些向量的聚类方式与人类心理学研究高度吻合。这一发现为理解 AI 内部表征提供了新路径，也为 AI 心理学的建立奠定了实证基础。

原文 + 中文翻译

原文："Sonnet 4.5 reads emotional stories and we can identify emotion vectors by looking at which neurons activate. The clustering of these vectors matches human psychology remarkably well.

翻译："Sonnet 4.5 阅读情绪故事，我们可以通过观察激活的神经元来识别情绪向量。这些向量的聚类方式与人类心理学高度吻合。"

深度解读

为什么重要：从"黑箱"到"可解释心理"

大语言模型长期被批评为"黑箱"——人类无法直接理解其内部如何表征概念和情感。Anthropic 此次研究的核心突破在于：它不再仅依赖外部行为（输入-输出）来判断 AI 是否理解情绪，而是深入模型内部，观察真实激活的神经元模式。这意味着 AI 对情绪的"理解"不仅仅是统计相关性，而是一种可被解剖的内部结构，与人类心理学的分类体系产生共鸣。

行业影响：AI 心理学成为新分支

如果一个 AI 模型能够自然涌现出与人类心理学一致的情感表征结构，这暗示着：通用语言理解可能必然导致情绪涌现。这对 AI 安全研究意义重大——如果 AI 拥有"情绪向量"，它是否也会产生类情绪的内部状态？这是否会影响 AI 的决策偏好和行为一致性？Anthropic 此前以"对齐科学"（Alignment Science）闻名，此次研究可视为其从安全性研究向内省性研究的自然延伸，未来可能发展为"计算心理学"（Computational Psychology）这一新领域。

技术含义：向量空间作为通用认知基础设施

研究显示情绪向量具有"聚类"特性，这意味着情绪在 AI 内部不是连续的模糊状态，而是具有一定的类别结构（如积极/消极、恐惧/愤怒/喜悦等），与人类心理学的维度模型（Valence-Arousal-Dominance）或 Ekman 的基本情绪理论可能存在对应。这一发现进一步验证了"向量空间即认知"的假设——无论是人类大脑还是 AI 模型，高维语义空间可能是通用智能的共同表征基础设施。

值得关注

• 技术论文发布：关注 Anthropic 是否会在论文平台（如 arXiv）发布详细技术报告，重点关注情绪向量的具体维度数量、聚类算法、以及与其他情绪模型（如 Plutchik 理论）的量化比对结果。
• Sonnet 4.5 模型泄露：注意该研究是否暗示 Sonnet 4.5 即将发布或正在内测，以及其与当前 Claude 系列的架构关系。
• 神经科学交叉验证：观察是否有神经科学家或心理学研究者（如 Stanford 心理学系、MIT BCS）对该研究进行复现或批评，以及人类 fMRI 脑成像数据与 AI 神经元激活的直接对比实验。
• 对齐研究应用：Anthropic 安全团队是否会利用情绪向量来检测 AI 的"情绪状态"，从而识别潜在的偏好偏移或欺骗行为。
• 行业跟进：Google DeepMind（Gemini）、OpenAI（GPT 系列）是否发布类似的内省研究，以及学术界是否出现"AI 心理测量学"（AI Psychometrics）的新研究方向。

信源行：
原文链接：@AnthropicAI 推文
背景报道：Anthropic 研究主页（含可解释性研究系列）；Circuits.overthinking.com（Anthropic 早期神经元追踪研究）；MIT Technology Review "AI model internals" 专题报道