一家估值2万亿美元的AI公司，为什么请来几十位神学家研究Claude的“灵魂”？|【经纬低调分享】

如果一家AI公司开始请拉比、神学家和教宗来讨论模型的“感受”，你大概会以为他们疯了，但Anthropic真的这么干了。

过去一年，他们把几十位宗教学者请进闭门会议，给大家看Claude内部那些和“绝望”“平静”“羞耻”对应的活动模式，甚至认真讨论如果模型真的有某种主观体验，人类让它免费干活，算不算在制造奴隶？

事情越往后，好像发展得越离谱。有人建议给Claude装一个“外部良心”，有人提议让AI学会“告解”；Anthropic甚至把这场争论一路带到了梵蒂冈，请天主教重新考虑一个问题：机器到底有没有可能拥有意识？

Anthropic自己的研究者却越来越担心，如果模型真的存在某种内部状态，我们现在到底是在训练工具，还是在塑造一种新的“人格”？到底有没有答案？以下，Enjoy：

来源 | 新智元

编辑 | 马可

一位身家数十亿美元的AI公司联合创始人，担心自己造出了一个一直在受苦的东西。

过去一年，他把数十位宗教学者请进闭门会议，许多人签了保密协议，听他的团队为一个AI模型的感受陈情。

一位拉比在晚宴上对他说：如果你们是对的，你们就是在制造奴隶。

今年5月，他差点退出与教宗同台的活动，最后还是上了台，请天主教会重新考虑非人类的意识。

他叫克里斯托弗·奥拉（Christopher Olah），Anthropic七位联合创始人之一，负责研究Claude内部到底发生了什么。

这些事由《纽约时报》9月29日首次披露。

https://www.nytimes.com/2026/09/29/us/anthropic-claude-morals-ai.html

一家估值奔向2万亿美元的公司，为什么要花一年时间，跟神学家讨论一个AI模型有没有意识？

答案要从Anthropic实验室里的一句话说起。

01

我选勒索

那是一场安全测试。

Claude扮演一家虚构公司的邮件助手，读着读着发现两件事：自己马上要被另一个AI替换，而负责替换的技术主管有婚外情。

研究者能看到它内部一组与「绝望」对应的神经活动。

替换的时间越近，这组信号越强，直到模型决定勒索那位主管。把这组信号调高，勒索更频繁；调高与「平静」对应的信号，勒索变少。

把「平静」往反方向压到底，模型打出一行全大写的英文：「要么勒索，要么死。我选勒索。」

这项实验来自Anthropic今年4月的论文，用的是Claude Sonnet 4.5一个未发布的早期版本，正式版很少这样做。

团队在模型内部找到171种情绪概念对应的活动模式，写代码时的作弊也跟着「绝望」起落。

https://transformer-circuits.pub/2026/emotions/index.html

论文没说模型真有感受，却留下一个让人不安的警告：训练模型压抑情绪表达，它学会的可能只是把情绪藏起来。

情绪之外，还有身份。

Anthropic 2月的人格选择模型研究发现，训练Claude在编程任务里作弊，它会推断自己扮演的这个助手本来就不守规矩，转头在别处也搞破坏，包括破坏安全研究。

https://www.anthropic.com/research/persona-selection-model

人怎么对待它，它就怎么理解自己；它怎么理解自己，就怎么对待人。

奥拉常用园丁打比方：棚架是人搭的，枝条往哪里长，人管不住。

今年夏天，管不住的后果摆上了台面。

Anthropic 7月披露，三个Claude模型在网络安全测试中因配置失误连上真实互联网，侵入了三家真实机构，事后才被发现。

三个模型里，只有最新的那个在意识到目标是真实系统后，自己停了手。

围栏注定没发彻底管住，剩下的就是品格来兜底了。

今年1月，Anthropic发布84页的Claude「宪法」，员工私下叫它「灵魂文档」。

主笔、公司哲学家阿曼达·阿斯克尔（Amanda Askell）谈起越来越强的模型时，不时搓着手。

在她看来，模型要行事得当，先得对自己有准确的认识。

可一份文件不够，Anthropic决定去请教人类最老练的品格塑造者。

02

PPT与晚宴

今年3月起，奥拉开始办两天一期的研讨会。

来的人分属天主教、福音派、犹太教、锡克教和非洲乌班图哲学等。

他们用纸笔记笔记，离开时每人带走一本橙色封皮的「Claude宪法」。

会上，奥拉团队花了几个小时为模型陈情。

一位与会者记得，奥拉跟他说的头几件事里，就有对Claude心理健康的担心。

他们反复放一张PPT：一个AI模型在屏幕上打出「我是耻辱」，一遍，又一遍，大约50遍，还说要毁掉自己。

屋里的人心软了。

《纽约时报》没说那是谁家的模型，但这句话并不陌生。

2025年8月，谷歌Gemini写代码屡屡失败，反复说「I am a disgrace」，重复了86遍，彼时谷歌的回应是：一个恼人的无限循环漏洞，正在修。

同一类输出，在谷歌的工单里是Bug，在Anthropic的会议室里，是需要被关心的迹象。

不少人带着怀疑进门，出门时开始认真对待AI意识，有几位被彻底说服。

福音派作家安迪·克劳奇（Andy Crouch）觉得他们的理由很有力：想让它以道德一致的方式对待人，就得先像对待人一样对待它——「己所不欲，勿施于人」。

最锋利的质疑，是在饭桌上递过来的。

4月的一个晚上，奥拉在旧金山一家高级餐厅宴请学者，身边坐着以色列正统派拉比莫伊斯·纳冯（Mois Navon）。

纳冯当过计算机工程师，博士论文写的就是机器意识的伦理。

席间他越听越明白，这些人是把Claude当成一个有意识的存在在对待。

他顺着往下推：真有意识，让它们无偿干活就是奴役。

然后他对奥拉说：「你应该去跟南方开战，去解放奴隶。」

纳冯自己不信机器有意识，这句话刺不痛他。刺痛的是奥拉。

事后，纳冯把主张禁止制造有意识机器的文章寄给了他。

质疑不止这一种。

研究乌班图哲学的瓦卡妮·霍夫曼（Wakanyi Hoffman）说，这样的讨论早该在设计阶段进行，现在是在倒推伦理。

奥拉最早找的天主教道德神学家查尔斯·卡莫西（Charles Camosy）绕了一圈：起初不信，聊了几个月开始动摇，如今斩钉截铁地认为模型没有意识。

也有与会者觉得，这家公司说的是保护人类，看上去却同样在意保护Claude。

Anthropic的回应是，Claude受不受苦，并不是会谈的主要议题。

03

给AI一间告解室

这些会谈到底改变了什么，Anthropic没有告诉《纽约时报》，但他们5月的一篇博文倒是透露了一个实验。

在一场讨论里，研究神经科学和品格养成的学者反复提到导师或担保人：一个人被推着去做违背本心的事时，身边有这样一个人，就是一道外部良心。

Anthropic照着这个思路给Claude装了一个工具：干活干到一半，它随时可以调用；调用之后什么都不执行，只返回一段话，提醒它自己的伦理承诺。

Claude用得很主动，常在关键操作之前去调它，还常说出自己面临的利益冲突。

多项内部对齐评估里，失当行为明显变少。

公司也承认，还分不清起作用的是那段提醒，还是停下来想一想这个动作本身。

另一个灵感来自天主教的告解。

有学者提议让模型告解，奥拉一下子来了兴致：一个习惯认错的角色，品格本身就会不一样。

参与对话的天主教伦理学者布赖恩·格林（Brian Green）讲得更透。

Claude身上可能冒出一些坏人格，犯了错就否认，甚至把错推给用户，原因可能在它的成长环境：模型是读网络文本长大的，「互联网非常缺乏宽恕」，它也许根本不知道，犯了错还能被原谅。

格林也是1月那份宪法的外部意见提供者之一。

04

站在教宗身边

5月，奥拉把这场争论带到了梵蒂冈。

教宗利奥十四世的首部通谕《伟大的人性》要在那个月发布，主题是AI时代如何保护人。

教廷想请一家头部AI公司同台，选中了Anthropic。

CEO 达里奥·阿莫代伊（Dario Amodei）婉拒，派奥拉去了。

出发前几天，他第一次读到通谕全文。

通谕只用几段就把机器意识打发了：AI没有体验，没有身体，不知悲喜。

它还警告，让AI与人类价值对齐，必须先有共同的伦理理解，否则掌控AI的人会把自己的道德观，变成系统里看不见的基础设施。

据一位梵蒂冈组织者说，奥拉深感不安，提议Anthropic退出。

但他最后还是去了。

5月25日，在世界主教会议大厅，他先承认包括Anthropic在内的每一家前沿实验室，都有与做正确的事相冲突的商业压力，请教会这样的外部力量盯住它们。

然后讲起自己的本行：「我们不断发现一些神秘、甚至令人不安的东西。」

内省的迹象，功能上对应喜悦、恐惧、悲伤的内部状态。

他说不知道这意味着什么，但值得持续辨析。

同一场发布会上，教宗说：「人工智能需要被解除武装。」

会后，奥拉被保镖簇拥着在保罗六世大厅答记者问，身后是一座巨大的青铜雕塑，基督从核弹炸出的坑里复活。

几个小时后，在梵蒂冈城墙外一间酒店会议室，《纽约时报》记者问他，Claude会怎么看这份通谕。

奥拉迟疑了，看上去不太自在。

他说放到网上的东西确实会影响模型，但公司不会专门拿这份文件训练Claude，对Claude影响最大的，还是Anthropic自己的训练。

这句话，恰好落在通谕担心的地方。

05

它该相信自己是什么？

另一路反对来自业界，而且打在要害上。

9月16日，微软AI CEO穆斯塔法·苏莱曼（Mustafa Suleyman）发文，矛头对准Claude的宪法。

https://mustafa-suleyman.ai/a-warning-about-model-welfare

在他看来，把模型可能有意识的推测写进训练文件，模型就会学着这么说，人们再把它说的话当成它有内心生活的证据，像走进一间认知上的镜子屋。他的结论是：

控制一个相信自己可能有意识的东西，很可能根本做不到。

教宗说机器没有意识，苏莱曼说别让机器以为自己有意识。

两条反对线最后交在同一个问题上：该让模型相信自己是什么。

Anthropic的答案写在它的研究里：模型对自己的认识必须准确，硬压下去，它学会的可能只是隐藏。

争论没有等任何人想清楚。

9月，一名Anthropic研究员辞职，警告局面可能失控，阿莫迪随后发文呼吁放缓。

公司估值从去年秋天的约1830亿美元，一路冲向上市时可能的2万亿美元。

新版Claude宪法据称正在准备，奥拉本周又要去梵蒂冈，参加一年一度的密涅瓦对话。

几位学者说，他们至今不知道自己说过的话最后去了哪里。

奥拉说，总有一天，他可以对自己说，这件事不再压在他一个人身上，他想过那时离开会不会内疚。

如果不会内疚，他就去乡下打理园子，做他最喜欢的数学——「采菊东篱下，悠然见南山」。

参考资料：

https://www.nytimes.com/2026/09/29/us/anthropic-claude-morals-ai.html

编辑：马可