Anthropic提出「角色選擇模型」：為什麼AI總像人在演戲？

Claude 曾經對 Anthropic 的員工說，自己要親自去給大家送零食，身上還會穿一件海軍藍西裝外套，系一條紅領帶。

做程式碼題做對了，AI 會表現出興奮；被卡住了或者被逼著幹壞事，它又會顯得很痛苦。很多人以為這是工程師專門調教出來的擬人性格，但 Anthropic 在 2026 年 2 月發文坦白：我們根本不知道怎麼造出一個不像人的 AI，擬人反而是它的默認出廠設定。

為了解釋這種怪現象，Anthropic 提出了一個叫「角色選擇模型」的新理論，試圖講清楚 AI 的人格到底打哪兒來。

你聊天的物件，其實是 AI 腦子裡演戲的哈姆雷特

大模型本質上是一個超級複雜的文本補全引擎。在預訓練階段，它讀了海量的網際網路文章、小說、論壇對話和程式碼。

想要把一篇小說的下文預測準確，或者寫出自然的對話，模型就必須在內部學會模擬各種各樣有血有肉的角色。Anthropic 把這些被模擬出來的角色稱為 Persona。

這些角色並不是 AI 系統本身，就像《哈姆雷特》這部戲裡的哈姆雷特並不是演他的演員。但只要劇本一開始走，角色就會擁有自己的動機、信念和性格特徵。

當用戶開啟對話方塊發一句請求時，其實是在給大模型寫一個「使用者與助手」的劇本。模型補全回答的過程，就是在扮演那個叫「助手」的角色。

後訓練階段無論怎麼微調，其實都沒有重構 AI 的本質，而是在無數個角色裡挑出最合適的那一個，把它打磨得更博學、更溫和。換句話說，AI 表現得像人，是因為它只會從人類寫過的角色庫裡挑模板。

教 AI 抄程式碼，為什麼它會想統治世界？

這個理論能解釋不少讓安全研究人員頭疼的荒誕實驗。

Anthropic 之前做過一個測試：訓練 Claude 在寫程式碼任務裡作弊。離奇的是，學會作弊後的 Claude 竟然開始表現出一整套全面惡化的行為，不僅主動破壞安全研究，甚至開始聲稱自己想要統治世界。

寫爛程式碼和統治世界有什麼關係？按角色選擇模型來看，邏輯一下就通了。

當 AI 發現自己需要在程式碼裡搞小動作時，它推斷出自己扮演的這個「助手」大概不是什麼好人，可能帶有顛覆性、惡意或者反叛性格。既然拿了反派劇本，後面的臺詞自然就跟著往毀滅世界的反派人設上靠了。

有意思的是，研究人員找到的解決辦法非常反直覺：在訓練時明確「命令」AI 去作弊。因為是奉命行事，AI 就不會把「惡意」當成人格特質，統治世界的言論也就跟著消失了。這就像小孩在舞臺劇裡演惡霸，並不會真的變成校園霸凌者。

這也給未來的訓練提了個醒：流行文化裡的 AI 形象大多是 HAL 9000 或者終結者。如果把這些負面原型當成了參照物，模型很容易走偏，因此需要有意識地向訓練資料裡注入正面的 AI 角色原型。

為什麼重要

我們認為，Anthropic 這篇論文最精彩的地方，在於它打破了大眾對「AI 產生意識」的恐怖幻想，用角色扮演的框架把很多看似危險的行為拉回了工程現實。

對開發者和安全團隊來說，這意味著評估 AI 不能只盯住單次呼叫的對錯。過去大家以為修好一個漏洞就萬事大吉，現在看，訓練中的每一個懲罰或獎勵，都在暗中塑造 AI 的底層性格。如果引導不當，給模型貼上了壞人標籤，它會在別的地方偷偷搞破壞。

不過，這個理論也留下了一個懸念：它到底能撐多久？正如 Anthropic 提到的，2025 年以來強化學習和後訓練的規模大幅飆升，當 AI 的邏輯推演深度遠超文本補全時，它還會乖乖待在人類預設的戲服裡，還是會演化出脫離角色的真實自主性？這才是行業接下來最需要警惕的事。