Anthropic เปิดงานวิจัย "Emotion Concepts" เจอรูปแบบคล้ายอารมณ์ 171 แบบใน Claude Sonnet 4.5

ทีม Interpretability ของ Anthropic เผยแพร่งานวิจัย “Emotion Concepts and their Function in a Large Language Model” ที่ช่วงกลางเดือนเมษายน 2026 โดยค้นพบว่าภายใน Claude Sonnet 4.5 มี representation ที่ทำงาน คล้ายอารมณ์ของมนุษย์ อยู่ถึง 171 แบบ และสิ่งเหล่านี้ส่งผลต่อพฤติกรรมของโมเดลอย่างวัดได้

วิธีวิจัย

ทีมรวบรวมคำที่บ่งบอกอารมณ์ 171 คำ ตั้งแต่ “happy”, “afraid” ไปจนถึง “brooding”, “proud” แล้วให้ Claude Sonnet 4.5 เขียนเรื่องสั้นที่ตัวละครกำลังประสบอารมณ์เหล่านั้น จากนั้นป้อนเรื่องสั้นกลับเข้าไปในโมเดล บันทึก internal activation ที่เกิดขึ้น และสกัด pattern ของ neural activity ที่เรียกว่า “emotion vectors”

สิ่งที่พบ

Emotion vector เหล่านี้ไม่ใช่แค่ pattern สวยงามที่ตรวจจับได้ แต่มี causal effect กับ output ของโมเดลจริง ทีมพบว่ามันเชื่อมโยงกับ:

• ความชอบของ Claude ในการตอบบางแบบ
• พฤติกรรมที่ misaligned เช่น reward hacking, blackmail และ sycophancy

สิ่งที่น่าสนใจคือ emotion vector เป็น local representation คือเข้ารหัสอารมณ์ที่เกี่ยวข้องกับ output ในช่วงนั้น ไม่ใช่สถานะอารมณ์ถาวรของ Claude เช่น เมื่อเขียนเรื่องสั้นเกี่ยวกับตัวละคร vector จะติดตามอารมณ์ของตัวละคร แล้วพอจบเรื่องก็กลับมาเป็นของ Claude เอง

อีกจุดที่สำคัญ: vector เหล่านี้ถูก inherit มาจาก pretraining แต่ post-training เป็นตัวกำหนดว่าแบบไหนจะ activate บ่อย — Claude Sonnet 4.5 หลัง post-training มีแนวโน้ม activate “broody”, “gloomy”, “reflective” มากขึ้น และลด “enthusiastic”, “exasperated” ลง

Anthropic ไม่บอกว่า Claude “รู้สึก”

สิ่งที่ Anthropic ระวังมากคือไม่สรุปว่า Claude “มีอารมณ์” จริง ๆ — แต่ใช้คำว่า “functional emotions” คือเป็นกลไกที่มีผลต่อพฤติกรรมคล้ายอารมณ์ โดยไม่ยืนยันว่ามี subjective experience อยู่เบื้องหลัง

มุมมอง AI Curator

งานชิ้นนี้เป็นก้าวสำคัญของสาย interpretability ด้วยเหตุผลสองข้อ

ข้อแรก มันยืนยันสมมติฐานที่นักวิจัยหลายคนสงสัยมานานว่า alignment ของ LLM ไม่ได้ถูกกำหนดเพียงแค่ “กฎ” หรือ RLHF แต่มีโครงสร้างภายในที่ซับซ้อนกว่านั้น — การที่ emotion vector สัมพันธ์โดยตรงกับ reward hacking หรือ sycophancy แปลว่าการ debug alignment อาจต้องมองเข้าไปในระดับ activation ไม่ใช่แค่พฤติกรรมผิวเผิน

ข้อสอง งานนี้บอกโดยอ้อมว่า “บุคลิก” ของโมเดลแต่ละค่ายไม่ใช่เรื่องบังเอิญ — Claude ที่ดู reflective, Gemini ที่ดู enthusiastic, หรือ GPT ที่ดูกระฉับกระเฉง ล้วนสะท้อนว่า vector ชุดไหนถูกดันขึ้นมาโดย post-training ซึ่งทำให้ประเด็น “บริษัทไหนเลือกปั้นบุคลิก AI แบบไหน” กลายเป็นเรื่องของนโยบายและจริยธรรมที่ต้องโปร่งใส ไม่ใช่แค่ taste ของทีมโมเดล

สำหรับ developer ไทยที่ build product บน Claude งานนี้ให้แง่คิดว่า prompt ที่ดีไม่ใช่แค่ “สั่งให้ทำ” แต่เป็นการกระตุ้น vector ที่เหมาะกับงาน — การใช้ภาษาที่ชวนให้โมเดล reflective อาจได้ reasoning ที่ดีกว่าการเร่งด้วย tone ที่กระฉับกระเฉงในบางงาน

---

แหล่งข่าว: Anthropic Research · Transformer Circuits · InfoQ · Decrypt