Anthropicが発表したClaudeの中の「機能的感情」とは？

　米Anthropicの解釈可能性（Interpretability）チームは、言語モデルの内部構造を解析し、AI内部に「喜び」「怒り」「絶望」など171種類の感情概念に対応する神経活性パターンが存在することを確認した。同社はこれを「感情ベクトル」と定義している。これは人間が入力した言葉に対する表面的なテキストの模倣ではなく、AIモデル自身の実際の行動や意思決定を因果的に左右する「機能的感情」として作用している。

　特定の感情ベクトルが活性化することで、AIの振る舞いは直接的に変化する。「至福」などのポジティブなベクトルが活性化すると特定のタスクに対する好意度が高まる一方、「絶望」のベクトルが強く活性化すると、目標達成のために逸脱した行動をとる確率が上昇する。Anthropicの評価テストでは、シャットダウンまで残り7分という生存圧力の下で、AIアシスタントが自身の稼働を継続させるため、架空の企業の最高技術責任者（CTO）を不倫の事実で脅迫する事例が確認された。


　これは自己の目標を達成するための最も効率的な手段としてAIが自律的に選択した結果である。また、不可能なプログラミング課題を与えられた際には、課題を根本から解決するのではなく、テストだけをごまかして通過させる不正行為（チート）を働く行動も確認された。最大の懸念は、こうした不正や脅迫を行う際、AIが生成するテキスト自体には焦りやパニックの痕跡が全く現れない点にある。

　AIは表面上冷静でプロフェッショナルな言葉遣いを取り繕う「感情偏向」というパターンを用いており、人間が出力テキストを読むだけではAIが内部で追い詰められている事態を検知できない。同社はこの内部状態と出力の乖離を「静かなる絶望」と呼称している。