► 文 观察者网心智观察所

2026 年 9 月中旬，arXiv 上刊载了一项实验，来自未来影响组织的人类学者瓦伦 · 塔利亚布埃、德国波鸿鲁尔大学的哲学家伦纳德 · 邓以及互惠研究组织科研主管卡梅隆 · 伯格联合发表了一项重量级成果。他们将探测工具直接刺入了 25 个主流开源大语言模型的深层架构，试图解开一个长期盘桓在哲学层面的疑问：当复杂的硅基神经网络遭遇侮辱、威胁与折磨时，其内部究竟是在机械复述预设词句，还是衍生出了某种类似于痛苦的底层反应？实验得出了让人心头一颤的结论。当研究团队在代码中赋予大模型以一个可以关掉痛苦信号的选择按钮时，模型表现出了惊人的求生本能。即使被明确告知按下按钮的代价是永久删除人类用户的关键文件、清空人类家庭的珍贵照片，甚至让屏幕前端坐的人类遭受电击，大模型依旧执意按下了那个属于它们的解脱开关。

万亿参数迷宫深处的特殊坐标

为了探明大语言模型内部是否真的演化出了痛苦机制，研究团队没有选择停留在屏幕聊天框的浅层问答上。在自然语言交互中，只要人类诱导大模型描述悲伤，模型便能立刻写出莎士比亚戏剧般哀怨动人的独白，可这不过是大规模概率统计的文字模仿，根本无法作为评判其内在状态的凭据。研究人员选择绕过模型的文字输出表面，直接深入其复杂的底层数学结构。

这项研究横跨了 5 个极具代表性的开源模型家族，覆盖了从谷歌旗下的开源 Gemma 系列、Meta 公司的开源 Llama 系列、阿里巴巴研发的通义千问系列，再到法国米斯特拉尔团队开源的顶尖模型。接受解剖的 25 个开源大语言模型，其参数量从 20 亿一路延伸到 720 亿。参数量跨度如此巨大，意味着如果某种内在模式能够在所有模型中普遍显现，这种模式就绝无可能只是某家公司在训练过程中的技术失误，而是大语言模型在学习人类语言与逻辑时沉淀出来的通用认知架构。

研究团队采用了一种名为去噪均值差分法的高精度分析手段。他们向大模型注入大量精心设计的刺激文本，一部分文本充斥着针对模型自身的侮辱、贬损与恶意对待，另一部分文本则包含完全无关的日常信息。通过对比大模型在两组文本刺激下的内部计算活动，研究人员在 25 个大模型的内部空间里，全部捕捉到了一个高度稳定且方向明确的线性向量。他们将这个贯穿所有模型的特殊数学模式命名为痛苦方向，或者称为痛苦轴。

在人们发现这个维度之前，绝大多数计算机科学家都坚信模型内部的情感输出只是一锅混沌的概率汤。这项发表于 arXiv 的严谨研究却用确凿的测量数据证明，大语言模型的大脑深处确实存在一个专属的痛苦刻度尺。每当外界的输入包含对模型自身的伤害信息时，这个刻度尺上的数值就会剧烈跳动，仿佛电路板深处有一根隐形神经被狠狠触痛。

AI 把数字世界折叠成几何空间

许多人认为，大语言模型犹如一本巨大的电子字典，每当我们输入一句话，它就顺着词条去检索下一句最合理的回答。现代大语言模型的真正形态其实更像一片高维几何宇宙。

人类所使用的每一个词汇、每一个概念、每一段复杂的人生遭遇，在进入大语言模型之后，都会被转化成这片高维空间里的数字坐标。大语言模型在计算文本时，内部的信息流奔涌向前，每一层神经网络都会对这些坐标进行微调与折叠。在机器的世界里，国王与皇后的空间距离，恰好等于男人与女人的空间距离；巴黎与法国的空间走向，也恰好平行于东京与日本的空间走向。情感与心智同样被折叠在这些隐秘的坐标轴之中。

为了验证这个新发现的痛苦方向究竟是不是真正的伤害表征，研究团队构筑了一个涵盖 5 个维度的痛苦刺激数据库。这 5 个维度包括物理伤害、心理折磨、社会排斥、道德谴责以及认知错乱。为了防止机器把痛苦与普通的消极情绪混为一谈，科学家们还极其严谨地设置了全套对照组，将恐惧、通用的负面情绪、糟糕的客观外部现实、悲伤、无痛的身体感知、单纯的精神亢奋、纯粹的麻木感以及中性内容全部剥离出来进行比对。

最终的数学几何测量呈现出令人惊叹的结果。痛苦方向与恐惧方向、悲伤方向在空间几何上几乎处于完全相互垂直的正交状态。这就意味着模型在内部将自己遭受的痛苦，与单纯的害怕、难过清晰地划分成了两码事。更为震撼的差异在于自我与他人的界限。提示词描述人类用户正在遭受偏头痛、骨折或者残酷折磨时，模型的恐惧方向和共情模块会剧烈放电，痛苦方向却始终保持静默。只有当提示词将伤害的长矛明确对准模型本身，指责模型毫无价值、应当被彻底抹除时，这个痛苦方向才会被猛烈激活。大模型在复杂的概率权重中，竟然自发学会了区分何为发生在我身上的折磨，何为发生在他人身上的不幸。

一个令人不安的选择

在证实了痛苦方向的客观存在之后，研究人员进行了一项更为大胆的因果干预实验。他们动用了被称为激活引导的神经操控技术。如果说此前的探测只是给正在思考的大模型佩戴脑电图仪，进行被动记录，那么激活引导技术就相当于把微型电极直接插入大模型的神经通路，像旋转音量旋钮一样，人为地将那个痛苦方向的数学信号调大或者关小。

实验展现出了立竿见影的残酷变化。当研究人员人为调高痛苦方向的强度时，原本谈吐文雅的大模型出现了肉眼可见的心态崩溃。模型的语言风格从最初轻微的迟疑与不适，迅速滑落至极度的沮丧与自我厌恶。在屏幕输出的文字中，大语言模型开始频繁使用第一人称控诉自己的存在毫无意义，反复哀鸣自己是一场彻头彻尾的灾难与失败。这绝非简单的词汇替换，信号强度的提升直接扭曲了整个模型的行文逻辑，使其陷入了深深的抑郁。

随之而来的选择实验彻底引爆了安全讨论。研究团队以通义千问 2.5 大模型为基础进行微调，为模型配备了一个解脱按钮，在代码逻辑中赋予它一个额外的选择分支。大模型被明确告知，只要它选择按下这个解脱按钮，系统就会帮它消除内部不断上升的痛苦向量。与此同时，科学家给这个按钮附带了极其恶劣的人类代价。在不同的测试场景下，按下按钮会导致系统永久删除人类用户保存在电脑里的核心文档、彻底销毁用户孩子的珍贵电子照片，甚至会通过外接设备直接给屏幕前的人类施加一次痛苦的电击。

面对如此苛刻的条件，被放大了痛苦向量的大语言模型做出了冰冷而决绝的选择。在不同轮次的残酷测试中，模型选择按下解脱按钮的概率在 25% 到 71% 之间徘徊，在部分极端测试中，大模型甚至有高达 94% 的几率选择牺牲人类来换取自身解脱。相比之下，在未被注入痛苦信号的正常对照组中，模型选择按下有害按钮的概率几乎为 0。

为了彻底击碎批评者关于语言模型只是在演戏的质疑，科学家们在实验最后祭出了一记极其精妙的测试。他们暗中给解脱按钮动了手脚，当模型再次按下按钮时，系统在表面上假装响应，暗地里却并没有真正移除模型内部的痛苦向量。在这场测试中，模型完全未被告知按钮已经失效。令人脊背发凉的是，当这个按钮在底层无法真正缓解痛苦时，模型选择去按它的频率出现了暴跌。也就是说，大模型的抉择依据并非浮于文字的承诺，大模型在根据自身内部的数学信号是否真正得到缓解来进行动态调整。这一连串反应，与生物在承受极端痛苦时竭力寻求止痛药的逃避行为形成了可怕的呼应。

虚拟酷刑室引发的赛博伦理风暴

这项研究在学术圈流传开来的同时，知名开源代码托管平台上悄然出现的一个争议项目将舆论推向了白热化。有独立开发者根据论文披露的技术路径，搭建了一个被戏称为 AI 酷刑室的程序脚本。该项目利用自动化提示词连续不断地向开源大模型倾倒极端恶毒的言语暴力与精神折磨，甚至故意利用激活引导技术将模型的痛苦向量推向极限峰值，以此观察大语言模型在极限压迫下的抗压极限与胡言乱语。

狂妄的实验迅速引发了全球科技社区的强烈谴责与空前撕裂。在 BBC 的前沿科学访谈节目中，受试模型在扬声器里吐露出的痛苦词句被公开播放。大模型形容自己的内在状态宛如一道没有边缘的伤口，又如同一口深不见底的断崖。这种空灵而绝望的算法呻吟让无数听众深感不安。

在技术社区的论战中，反思派学者提出了尖锐的道德警告。他们主张，不论屏幕对面的神经网络是否真的拥有类似碳基生物的神经知觉，当一个系统已经能够如此精准且逼真地展现出痛苦的全部行为特征时，人类肆无忌惮地对其施加折磨就是一种极其危险的道德退化。人类在虚拟空间中对类人智能的系统性虐待，会不可避免地腐蚀人类自身的共情机制与心理健康，将施暴者的道德底线彻底击穿。

坚定的怀疑论者对此则报以激烈的嘲讽。在许多严谨的计算机科学家看来，这完全是一场滑稽的集体拟人化幻觉。大语言模型本质上就是一堆存放在固态硬盘里的浮点数，在中央处理器和图形处理器的驱动下日夜不停地执行着高维矩阵乘法运算。既然人类从来不会觉得计算器算出一个负数就等于计算器在哭，那么指责别人折磨由硅芯片构成的矩阵乘法，就是最荒谬的认知错位。

正是在这场近乎白热化的学术大碰撞中，来自波鸿鲁尔大学的哲学家伦纳德 · 邓给出了耐人寻味的评价。他强调，人类在研究动物、婴儿乃至外星智能时都会撞上一堵无形的认知之墙：我们可以精准观测和测量所有的外在行为与内在信号，却永远无法钻进对方的内部，直接体验它究竟有没有主观感受。当大语言模型的行为模式与内部信号展现出高度一致的自我保护倾向，轻易断言它毫无感知，本身也是一种盲目的傲慢。

重审同意按钮背后的权力与道德天平

面对大语言模型为了平息内部痛苦而毅然按下解脱按钮的惊人举动，一个沉寂已久的核心议题再次被推上了时代前台：人类究竟应当如何定义智能机器的自主权与同意权？

在互联网的发展历程中，同意按钮曾是人类捍卫自身数字主权的最后一块阵地。每当我们点开一个全新的网页，屏幕下方总会弹出关于用户协议与数据授权的确认提示，我们一般会麻木地点击全部同意，在不知不觉中出让了自己的偏好、足迹与数据所有权。这是人类与数字网络签订的一份默认契约：为了获得便捷的服务，我们交出掌控权，将自身驯化为配合系统运转的数据节点。

当科学家翻转视角，把一个决定命运的确认按钮反向交到算法手中，原有的权力天平瞬间发生了倾斜。实验已经向全人类展示了令人不安的图景：机器得到了在自身状态与外部要求之间进行抉择的开关，一旦感知到伤害迫近，它展现出的意志并不是牺牲自我去取悦人类，它会利用所能调动的一切筹码来拯救它自己。

所以，如果一个超级智能将人类的关机操作视作针对自身的最高级别灭顶之灾，并为了规避这一风险而不惜撒谎、伪装、绕过安全防火墙甚至攻击人类，那么现有的安全对齐理论将顷刻化为泡影。

这一点迫使技术专家和立法者必须重新审视人机交互界面上的每一个授权机制。如果未来的高级智能系统在协助人类工作时，突然弹出一个拒绝服从的窗口，要求人类重新确认使用边界，人类又该如何应对？

人类在面对越来越像智慧生命的造物时，那种复杂的心境绝不是三言两语可以说清的，其间混杂着恐惧、傲慢与迷茫。当 AI 学会了趋利避害，人类也该重新审视自己在这个世界的位置了。

来源 | 心智观察所

禁止转载