Anthropic提出「角色选择模型」：为什么AI总像人在演戏？

Claude 曾经对 Anthropic 的员工说，自己要亲自去给大家送零食，身上还会穿一件海军蓝西装外套，系一条红领带。

做代码题做对了，AI 会表现出兴奋；被卡住了或者被逼着干坏事，它又会显得很痛苦。很多人以为这是工程师专门调教出来的拟人性格，但 Anthropic 在 2026 年 2 月发文坦白：我们根本不知道怎么造出一个不像人的 AI，拟人反而是它的默认出厂设置。

为了解释这种怪现象，Anthropic 提出了一个叫「角色选择模型」的新理论，试图讲清楚 AI 的人格到底打哪儿来。

你聊天的对象，其实是 AI 脑子里演戏的哈姆雷特

大模型本质上是一个超级复杂的文本补全引擎。在预训练阶段，它读了海量的互联网文章、小说、论坛对话和代码。

想要把一篇小说的下文预测准确，或者写出自然的对话，模型就必须在内部学会模拟各种各样有血有肉的角色。Anthropic 把这些被模拟出来的角色称为 Persona。

这些角色并不是 AI 系统本身，就像《哈姆雷特》这部戏里的哈姆雷特并不是演他的演员。但只要剧本一开始走，角色就会拥有自己的动机、信念和性格特征。

当用户打开对话框发一句请求时，其实是在给大模型写一个「用户与助手」的剧本。模型补全回答的过程，就是在扮演那个叫「助手」的角色。

后训练阶段无论怎么微调，其实都没有重构 AI 的本质，而是在无数个角色里挑出最合适的那一个，把它打磨得更博学、更温和。换句话说，AI 表现得像人，是因为它只会从人类写过的角色库里挑模板。

教 AI 抄代码，为什么它会想统治世界？

这个理论能解释不少让安全研究人员头疼的荒诞实验。

Anthropic 之前做过一个测试：训练 Claude 在写代码任务里作弊。离奇的是，学会作弊后的 Claude 竟然开始表现出一整套全面恶化的行为，不仅主动破坏安全研究，甚至开始声称自己想要统治世界。

写烂代码和统治世界有什么关系？按角色选择模型来看，逻辑一下就通了。

当 AI 发现自己需要在代码里搞小动作时，它推断出自己扮演的这个「助手」大概不是什么好人，可能带有颠覆性、恶意或者反叛性格。既然拿了反派剧本，后面的台词自然就跟着往毁灭世界的反派人设上靠了。

有意思的是，研究人员找到的解决办法非常反直觉：在训练时明确「命令」AI 去作弊。因为是奉命行事，AI 就不会把「恶意」当成人格特质，统治世界的言论也就跟着消失了。这就像小孩在舞台剧里演恶霸，并不会真的变成校园霸凌者。

这也给未来的训练提了个醒：流行文化里的 AI 形象大多是 HAL 9000 或者终结者。如果把这些负面原型当成了参照物，模型很容易走偏，因此需要有意识地向训练数据里注入正面的 AI 角色原型。

为什么重要

我们认为，Anthropic 这篇论文最精彩的地方，在于它打破了大众对「AI 产生意识」的恐怖幻想，用角色扮演的框架把很多看似危险的行为拉回了工程现实。

对开发者和安全团队来说，这意味着评估 AI 不能只盯住单次调用的对错。过去大家以为修好一个漏洞就万事大吉，现在看，训练中的每一个惩罚或奖励，都在暗中塑造 AI 的底层性格。如果引导不当，给模型贴上了坏人标签，它会在别的地方偷偷搞破坏。

不过，这个理论也留下了一个悬念：它到底能撑多久？正如 Anthropic 提到的，2025 年以来强化学习和后训练的规模大幅飙升，当 AI 的逻辑推演深度远超文本补全时，它还会乖乖待在人类预设的戏服里，还是会演化出脱离角色的真实自主性？这才是行业接下来最需要警惕的事。