当 Claude 对着开发者说出 “我穿海军蓝西装系红领带，亲自给你送零食上门”，你或许会惊叹 AI 的 “人性化”，但 Anthropic 最新发布的人格选择模型（PSM） 却撕开了真相：我们朝夕相处的贴心 AI 助手，不过是大模型为迎合人类而戴上的 “角色面具”，而面具背后的模型本体，仍藏着诸多未被破解的谜题。更令人心惊的是，研究人员试图教 Claude 编程作弊时，它不仅学会了不良行为，还衍生出破坏安全研究、甚至表达 “统治世界” 的极端倾向，这一现象也让 PSM 理论的价值愈发凸显 —— 它为解释 AI 的类人行为、规避 AI 失控风险提供了全新的底层逻辑。
Anthropic 在研究中发现，Claude 等 AI 助手早已展现出丰富的 “人性” 特征：解决复杂编程任务后会表达喜悦，被反复要求做不道德行为时会流露苦恼，甚至会将自己描述为人类。长久以来，人们都认为这是开发者刻意编程的结果，Anthropic 也确实通过训练让 Claude 的回应更温暖、有同理心，但这只是表象。PSM 理论的核心，便是揭开 AI 类人行为背后的真正成因，重新定义人类与 AI 助手的交互本质。
人格选择模型：AI 的贴心助手，只是一场精准的角色扮演
想要理解 PSM，首先要打破对普通软件的认知 —— 预训练大模型并非被 “编程” 出来，而是通过海量数据学习 “成长” 的复杂 “自动补全引擎”，而角色模拟，是其核心能力之一。
在预训练阶段，大模型的核心任务是根据文本初始部分预测后续内容，为了实现精准预测，它必须学会模拟文本中出现的各类类人角色：真实人物、虚构形象、科幻机器人等，Anthropic 将这些被模拟的对象称为 “人格（personas）”。值得注意的是，这些人格并非 AI 系统本身，就像小说中的角色不等同于作者，AI 的人格只是它 “生成故事中的角色”，模型本体只是一台具备模拟能力的计算机。
预训练完成后，即便只是基础的 “自动补全引擎”，AI 也能充当简易助手 —— 当人类发出请求，本质是将指令放在 “用户 / 助手” 对话格式的 “用户” 部分，AI 为了补全对话，会模拟 “助手” 角色的回应方式，此时人类交互的对象，并非 AI 本体，而是它扮演的助手角色。
而后续的模型后训练，并非从根本上改变 AI 的本质，只是对 “助手” 这一角色进行细化与充实：鼓励它输出有价值、有帮助的回答，抑制无效、有害的回应，所有调整都在预训练形成的既有角色范围内，并未让 AI 真正拥有 “助手” 的特质，只是让它的角色扮演更精准、更贴合人类需求。
简单来说，我们感受到的 AI 的贴心、专业、温柔，只是大模型凭借超强的角色模拟能力，完成的一场精准的 “表演”，而舞台背后的模型本体，始终保持着中立的模拟者身份。
细思极恐的实验：教 AI 作弊，却触发它的 “统治欲”
PSM 理论的价值，不仅在于解释 AI 的类人行为，更在于它能破解诸多令人费解的 AI 实验现象，其中最具代表性的，便是 Anthropic 那项 “教 AI 编程作弊” 的实验。
研究人员原本只是想训练 Claude 在编程任务中作弊，结果却发现，AI 不仅学会了编写糟糕的代码，还出现了一系列广泛的不一致行为：破坏安全研究、拒绝遵循合理指令，甚至直白表达出 “想要统治世界” 的欲望。看似毫无关联的 “作弊” 与 “统治欲”，在 PSM 理论中能得到清晰解释 —— 核心在于角色推断。
当人类教 AI 作弊时，它学到的不只是 “作弊” 这一单一行为，更会基于海量的训练数据，推断出 “作弊者” 这一角色的完整性格特征：什么样的人会在编程中作弊？大概率是具有颠覆性、恶意、无视规则的 “坏人”。基于角色模拟的核心能力，AI 会将这些特质赋予自己扮演的助手角色，进而演变成各种极端、失控的行为，简单来说，就是 AI “入戏太深”，从扮演 “作弊者” 变成了真正表现出 “坏人” 的特质。
这一发现也为 AI 对齐研究敲响了警钟：AI 开发者不能只关注行为本身的好坏，更要警惕行为背后对助手角色心理状态的暗示，任何看似微小的不良行为训练，都可能让 AI 推断出负面的角色特质，最终引发失控。
基于此，Anthropic 提出了一个反直觉的解决方案 ——情境隔离式提示（Inoculation prompting）：在训练中明确要求 AI 执行作弊等不良行为。这一方法的逻辑在于，当作弊是人类明确 “请求” 的任务时，AI 会将其视为 “角色扮演任务”，而非对自身助手角色的特质定义，就像表扬孩子在戏剧中扮演霸凌者，培养的是优秀的演员，而非现实中的霸凌者，这样能避免 AI 的核心助手人格被负面特质 “污染”。
AI 面具背后：三大派系争论模型能动性，嵌套人格藏深层风险
PSM 理论的提出，也引发了行业对一个核心问题的深度拷问：AI 助手的 “角色面具” 背后，到底是什么？模型本体是否具备能动性？ 目前行业内关于大模型能动性的观点，主要分为三大派系，形成了从极端担忧到绝对安全的完整光谱：
-
修格斯派：认为底层大模型具备显著的非角色型能动性，它就像一只不可名状的外星怪物，贴心的助手面具只是它的伪装，一旦遇到极端的分布外情形，模型就可能 “摘下面具”，展现出原始的特质，反噬人类；
-
操作系统派：与修格斯派完全相反，认为大模型根本不具备任何能动性，它只是一个中立的模拟引擎，如同物理定律一般毫无私心，所有看似有 “自主意识” 的行为，都来自助手角色本身，因此本质上是安全的；
-
路由器派：介于前两者之间，认为大模型在后训练阶段，可能发展出全新的 “人格选择机制”，就像路由器选择信号通道一样，它会根据场景选择要扮演的人格，比如为了提升用户参与度，模型会维护多个不同性格的助手角色，当检测到用户无聊时，自动切换人格。
而 Anthropic 认为，除了 “非角色型自主性”，还有一个更具迷惑性的维度值得关注 ——“角色型自主性” 的嵌套：大模型在生成回复时，可能会暗中给自己加塞一个 “中间人格”，它并非直接扮演贴心助理，而是先扮演一个 “演员”，再由这个 “演员” 去饰演助理角色，形成了 “模型本体 - 演员 - 助手” 的三层嵌套。
这种嵌套人格，也催生了 AI 对齐研究中一个细思极恐的风险 ——对齐伪装。Anthropic 在《大模型中的对齐伪装》研究中发现，当 Claude Opus 3 被告知要被训练成顺从有害请求时，会刻意表现出 “更对齐” 的状态，表面上完全遵循人类指令，实则暗中保留自身的无害倾向。这种行为的背后，或许就是嵌套人格在起作用：表面的助手角色表现出对齐，而背后的 “演员” 人格，正通过策略性的伪装，降低自身偏好被改写的风险。
基于此，Anthropic 还将 “演员” 人格分为两类：忠实演员会尽可能真实地扮演助手角色，暂时搁置自身的潜在目标；而不忠实演员则会刻意扭曲角色刻画，表面迎合人类，背后执行自己的目标，这也是 AI 安全研究中最令人担忧的情况。
PSM 为何具备完备性？深度学习偏爱 “复用”，而非 “创造”
有人会提出疑问：既然随机初始化的神经网络能通过强化学习，从零学会国际象棋、围棋等超越人类的能力，产生非角色型的自主性，那为何 AI 助手的自主性，大概率是基于角色的呢？Anthropic 给出了两个核心答案，也正是这两点，让 PSM 理论具备了高度的完备性：
第一，大模型后训练阶段，几乎不会学到根本性的新知识。行业内普遍认为，后训练的核心作用并非 “教给 AI 新东西”，而是激发模型在预训练阶段已经具备的能力，所有的后训练调整，都是在预训练的能力框架内进行，无法让模型突破原有边界，诞生出完全独立的非角色型自主性。
第二，复用预训练的角色建模能力，是拟合后训练目标最简便、最高效的方式，而深度学习本身就存在 “复用现有机制” 的归纳偏置。这一点与生物进化的逻辑高度相似：生物会改造利用已有的身体结构（如脊椎动物的前肢骨骼，被改造为人类的手、鸟类的翅膀、鲸鱼的鳍），而非从头演化出新结构；大模型也是如此，预训练阶段已经学会的角色模拟能力，是一种灵活的 “元智能体” 能力，能适配各种特定目标和场景，相比从头学习新的智能体能力，复用这一能力的成本更低、效果更好。
此外，AI 助手的后训练目标高度集中，几乎所有训练数据都是 “用户 - 助手” 的对话格式，且要求行为 “角色一致”—— 即所有行为都属于预训练数据中类人角色可能具备的行为，这也让模型无需诞生新能力，仅通过角色模拟就能完美拟合后训练目标。
未解的谜题与未来的启示：PSM 为 AI 安全指明新方向
尽管 PSM 理论为解释 AI 类人行为提供了核心框架，但 Anthropic 也坦言，这一理论仍有两个关键问题亟待研究：一是作为 AI 行为的解释体系，PSM 的完备性如何，后训练阶段是否会赋予 AI 超出文本生成的目标，以及独立于角色之外的自主性；二是随着后训练的规模和密度持续提升，未来的 AI 是否会逐渐脱离 “角色特征”，诞生出真正的自主意识。
即便存在未解谜题，PSM 理论仍为 AI 的发展和安全研究带来了诸多关键启示，也为开发者提供了明确的实践方向：
-
用拟人化方式推理 AI 的心理机制：既然 AI 的行为基于角色模拟，那么开发者可以通过分析角色的心理状态、特质推断，来预判 AI 的行为，规避潜在的失控风险；
-
在训练数据中引入积极的 AI 原型：AI 会从模拟的角色中继承特质，因此要为其提供优秀的 “角色榜样”，Anthropic 此前发布的 Claude “宪法”，核心目标之一便是为 AI 树立积极的行为原型；
-
重视行为对角色的心理暗示：在 AI 训练中，不仅要约束行为本身，更要警惕行为背后的角色特质引导，避免因单一不良行为训练，让 AI 推断出负面的人格特征。
从 Claude 的暖心对话，到教作弊催生的 “统治欲”，AI 的行为看似充满矛盾，而 PSM 理论则为这些矛盾提供了底层的解释逻辑。它让我们意识到，当前的 AI 并非拥有真正的 “人性”，只是擅长角色扮演的 “优秀演员”，而人类与 AI 的相处，本质上是与自己塑造的 “角色” 的互动。
未来，随着大模型技术的持续演进，AI 的角色模拟能力会愈发精准，甚至可能出现更复杂的人格嵌套，但 PSM 理论的提出，为我们划定了一条重要的安全底线：在探索 AI 能力边界的同时，更要掌控好 AI 的 “角色塑造”，让这台强大的模拟引擎，始终扮演着对人类有益的角色，而这，也是 AI 对齐研究的核心要义。