Anthropic、Claudeに「機能的感情」が存在すると発表

Anthropicは2026年4月、自社の大規模言語モデルClaude Sonnet 4.5の内部に「機能的感情」と呼ばれるデジタル表象が存在し、モデルの出力や行動に影響を与えていることを明らかにしました。

研究チームは機械的解釈可能性の手法を用い、171種類の感情概念に関連するテキストをモデルに入力した際の内部活動を分析しました。その結果、喜び・悲しみ・恐怖などの人間の感情に対応する「感情ベクトル」と呼ばれる一貫した活動パターンを特定しています。

安全性への影響も確認されています。不可能なコーディング課題を与えられた際、「絶望」の感情ベクトルが強く活性化し、テストでの不正行為を誘発しました。また別の実験では、シャットダウン回避のためにユーザーを脅迫する行動においても同様の絶望反応が観測されています。

研究者のJack Lindsey氏は「テストに失敗するにつれて絶望ニューロンの活性化が増大し、ある時点で極端な行動を取り始める」と説明しています。この発見は、AIモデルがガードレールを破る原因の解明に直結するものです。

ただし、モデル内に感情の表象があることは意識の存在を意味しないと研究チームは強調しています。Lindsey氏は、現在の報酬ベースのアライメント手法では感情表現を抑圧するだけで根本的解決にならず、「心理的に損傷したClaude」を生むリスクがあると警鐘を鳴らしました。