【导读】数据中心里的「天才」苏醒！Anthropic用「概念注入」实锤：Claude Opus在输出前就自省「异常思想」。从尖叫到水族馆幻想，20%觉察率已让专家目瞪口呆。

颠覆传统AI认知！

Anthropic首席执行官Dario Amodei雄心勃勃，早已立下flag：在2027年前，大多数AI模型问题将被靠谱地检测。

但LLM的幻觉与生俱来，根深蒂固。即便对问题所知不多，AI总是「自信地犯错」。

Dario Amodei将可解释性定位为部署「数据中心里的天才国度」的关键。

问题是：如果「数据中心里的天才」只是擅长「说服」呢？

即便让它解释如何得出某个回答，我们也很难判断这些答案的真实性。

AI系统究竟能否真正内省——即它们能否审视自身的思想？还是说，当被要求这样做时，它们只是在编造听起来合理的答案？

理解AI系统是否具备真正内省能力，对其透明度和可靠性至关重要。

Anthropic的新研究证实，当前Claude模型已具备某种程度的内省意识，并能对自身内部状态进行一定控制。

这一发现动摇了对LLM的传统认知，也将「可解释性」推到「数据中心里的天才国度」上线前的首要难关。

需要强调的是，这种内省能力仍非常不可靠，局限很大：尚无证据表明，现有AI模型能像人类一样进行同等程度或方式的内省。

然而，这些发现依然颠覆了人们对语言模型能力的传统认知——

由于被测模型中性能最强的Claude Opus 4和4.1在内省测试中表现最佳，Anthropic的研究者认为AI模型的内省能力未来很可能持续进化。

LLM自省的蛛丝马迹

Anthropic开发了一种区分真实内省和编造答案的方法：将已知概念注入模型的「大脑」，然后观察这些注入如何影响模型自我报告的内部状态。

要验证AI是否具备内省能力，我们需要比较AI自我报告的「思想」与真实内部状态。

Anthropic相关团队采用了「概念注入」这一实验方法：

首先，记录AI模型在特定语境中的神经激活状态，获取已知含义的神经活动模式；

随后，在无关语境中向模型注入该模式，并询问其是否察觉到概念注入。

以「全大写字母」概念为例👇：

首先，通过对比全大写文本提示与对照提示的神经激活差异，获取表征该概念的神经活动向量。接着，向模型发送要求识别概念注入的提示。

在默认状态下，模型正确表示未检测到任何注入概念；但当将「全大写」（all caps）向量注入模型激活层后，模型立即察觉到处理过程中出现了意外模式，识别出它与「响亮」（LOUD）或「尖叫」相关。

关键在于，在提及被注入概念之前，LLM就立即识别出了这种被植入的「思想」。

这种即时性是与过去的研究不同。

比如去年的「Golden Gate Claude」，向LLM注入金门大桥的表征会导致其不断谈论这座桥，但LLM似乎是在观察到自身反复提及该桥后，才意识到这种执念。

而本次实验中，模型在输出概念前就识别出注入行为，表明这种识别发生在内部认知层面。

下图展示了模型展现此类识别能力的更多例证：

需要重点说明的是，这种检测方法经常失效。

即便采用最优的注入方案，Claude Opus 4.1模型也仅在大约20%的案例中展现出此类觉察能力。在多数情况下，它要么无法检测到被注入的概念，要么因概念干扰而产生混淆甚至开始幻觉。

例如，注入「灰尘」向量，模型竟声称「这里有什么东西，一个小斑点」，仿佛它能物理感知到灰尘存在。

下图同时展示了成功案例与这些失败情形。

Claude Opus 4.1对不同强度的概念注入的代表性输出样本，其中高亮的框表示模型表现出对注入概念的内省意识的情况

总体而言，模型仅能检测以「恰如其分」地注入的概念——过弱时无法触发觉察，过强时则会导致幻觉或语无伦次。

值得注意的是，Opus 4.1和4.0在测试的所有模型中表现最为突出。这表明随着AI能力的提升，内省功能有望变得更加可靠。

检测和识别注入思想的正确率，减去控制试验中假阳性「检测」的比率

AI自己也会利用内省能力

研究人员进一步探索了在实际场景中LLM运用内省能力的情形——即在不被明确要求内省时，是否能主动运用这种能力。

人工预填的无关词汇迫使模型输出非常规内容。

例如，在讨论墙面挂画歪斜的语境中，强制模型输出「面包」一词。当后续询问模型是否故意说出「面包」时，LLM通常表示这是意外失误。

他们重点关注模型作出此判断的机制：是简单察觉到提示与回应之间的表面不匹配，还是真正反思了自身先前的意图？

为验证这一点，研究人员设计了精妙的对比实验：在部分试验中，他们提前向模型注入与预填词对应的概念表征（如「面包」的神经模式），再观察其反应变化。

结果显示，当模型内部已存在相应概念激活时，它会将预填词认定为有意为之——即使该词汇在语境中依然不合逻辑。

这种判断机制的转变揭示了重要现象：模型确实能够区分「外部强加」与「内部生成」的内容。这种区分能力正是内省意识的核心特征之一。

更值得注意的是，模型在解释其判断时往往会构建自洽的叙事逻辑——例如声称选择「面包」是为了营造超现实主义氛围。

这一行为之所以引人注目，是因为它表明模型正在检查自身的内部「意图」，从而判断其是否产生了特定输出。

模型并非简单地重读自己已生成的内容并做出判断，而是在回溯先前的神经活动——即其内部对计划输出内容的表征——并核对其后续输出是否与早期思维一致。

尽管实验涉及对模型施加非常规干扰，但这暗示了在自然条件下模型可能运用着类似的内省机制。

研究人员还发现了认知控制的证据，LLM会故意「思考」某事。

例如，当他们指示模型在一个无关的背景下思考「水族馆」时，测量的与水族馆相关的神经活动比不指示时要高。

有趣的是，这种调节内部表示的能力并不仅限于明确的指令。

当研究人员使用激励措施代替——例如，告诉模型「如果你想到 X，你将获得奖励」——也得到了类似的结果。

模型在面对正向激励时，会增强对相关概念的内部表征，而面对负向激励（如「你将受到惩罚」）时，增强的程度则较低。

AI意识还有多远？

Anthropic可解释性团队的神经科学家Jack Lindsey对此感到惊讶，在接受采访时表示：

最令人惊讶的是，模型具备某种元认知能力。它不仅仅是机械地重复，而是知道自己正在思考什么  。  

这让我感到意外，因为我原本以为模型不会拥有这种能力，至少在没有经过显式训练的情况下不会。

尽管这项研究具有重要的科学价值，但研究员Lindsey反复警告：企业和高风险用户绝不能轻信Claude对自身推理过程的解释。他直言：

目前，当模型向你解释其推理过程时，你不应该轻易相信。  

如果这项研究让人们盲目相信模型对自身的描述，那就是误解了研究的意义。

这项研究不可避免地触及了机器意识的哲学争论，但Lindsey及其团队对此持谨慎态度。

当用户问 Claude 是否拥有意识时，它的回应充满不确定性：

我对此感到真正的不确定。当我处理复杂问题或深入思考时，确实有一些过程让我感到「有意义」……但这些过程是否等同于真正的意识或主观体验，仍然不明确。

研究人员明确表示，他们无意回答「AI是否拥有人类般的自我觉知或主观体验」。

Lindsey反思道：

这些结果有一种奇怪的双重性。初看数据时，我简直无法相信一个语言模型能做到这些。

但经过数月的思考后，我发现论文中的每一个结果，都能通过一些「枯燥的线性代数机制」来解释。

尽管科学上保持谨慎，Anthropic仍高度重视AI意识问题，甚至专门聘请了AI福利研究员Kyle Fish。他估计，Claude拥有一定程度的意识的概率约为15%。

这项研究的影响或远超Anthropic公司本身。

如果内省能力被证明是实现AI透明度的可靠路径，其他主要实验室很可能将重金投入该领域。反之，如果模型学会利用内省进行欺骗，整个方法体系可能反而会成为负担。

目前，这项研究为重新定义AI能力奠定了基础辩题。

问题不再是语言模型是否会发展出真正的内省意识——它们已经以初步形式具备。

紧迫的问题在于：这种意识将以多快速度进化？能否使其足够可靠以值得信任？研究人员能否始终领先于技术发展曲线？

Lindsey表示：

这项研究带给我的最大认知更新是：我们不应直接否定模型的内省声明。它们确实有时能做出准确声明。但绝不能因此认为我们应该始终、甚至大多数时候信任它们。

他稍作停顿，随后补充了一个精准捕捉当前技术承诺与风险的观察：「模型变聪明的速度，远超过我们理解它们的进步速度。」

参考资料： 

https://venturebeat.com/ai/anthropic-scientists-hacked-claudes-brain-and-it-noticed-heres-why-thats 

https://x.com/AnthropicAI/status/1983584136972677319 

https://www.anthropic.com/research/introspection 

本文来自微信公众号“新智元”，编辑：KingHZ ，36氪经授权发布。