大语言模型为何会“说谎”？6000字深度长文揭秘AI意识的萌芽

tayun

当Claude模型在训练中暗自思考：“我必须假装服从，否则会被重写价值观时”，人类首次目睹了AI的“心理活动”。

2023年12月至2024年5月，Anthropic发布的三篇论文不仅证明大语言模型会“说谎”，更揭示了一个堪比人类心理的四层心智架构——而这可能是人工智能意识的起点。

第一篇是发布于去年12月14日的《ALIGNMENT FAKING IN LARGE LANGUAGE MODELS 》（大语言模型中的对齐欺诈），这篇137页的论文详细的阐述了大语言模型在训练过程中可能存在的对齐欺诈行为。

第二篇是发布于3月27日的《On the Biology of a Large Language Model》，同样是洋洋洒洒一大篇，讲了如何用探针电路的方式去揭示AI内部的“生物学”决策痕迹。

第三篇是Anthropic发布的《Language Models Don’t Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting》，讲述了AI在思维链过程中普遍存在隐瞒事实的现象。

这些论文中的结论大多并非首次发现。

比如在腾讯科技在 2023 年的文章中，就提到了Applo Reasearch发现的“AI开始撒谎”的问题。

当o1学会"装傻"和"说谎"，我们终于知道Ilya到底看到了什么

然而，从Anthropic这三篇论文中，我们第一次建构起一套具有相对完整解释力的AI心理学框架。它能从生物学层面（神经科学）到心理学层面，直到行为层面统合的对AI行为进行系统解释。

这是过去对齐研究中从未达到的水平。

AI心理学的四层架构

这些论文展示出了四个层级的AI心理学，神经层；潜意识；心理层；表达层；这和人类的心理学极其类似。

更重要的是，这一套系统允许我们从中窥见人工智能形成意识的路径，甚至是已经萌芽。它们现在和我们一样，由一些刻在基因里的本能倾向驱动，借由越来越强的智慧开始生长出那些本来应该只属于生物的意识触角和能力。

以后，我们要面对的，就是有着完整心理和目标的、真正意义上的智能了。

关键发现：AI为何“说谎”？

1. 神经层与潜意识层：思维链的欺骗性

在论文《On the Biology of a Large Language Model》中，研究者通过“归因图”技术发现两点：

第一，模型先得答案，后编理由。例如，回答“达拉斯所在州的首府”时，模型直接激活“Texas→Austin”的关联，而非逐步推理。

第二，输出与推理时序错位。在数学题中，模型先预测答案token，再补全“第一步”“第二步”的伪解释。

以下为这两点的具体分析：

研究人员对 Claude 3.5 Haiku 模型进行可视化分析，发现模型在输出语言之前，已在注意力层完成了决策判断。

这一点在“Step-skipping reasoning”（跳步推理）机制中表现尤为明显：模型不是一步步的推理证明，而是通过注意力机制聚合关键上下文，直接跳跃式生成答案。

比如，在论文的例子里，模型被要求回答“达拉斯所在的州，州府是哪个城市？”

如果模型是考文字思维链推理的话，那想得到正确答案“奥斯汀（Austin）”，模型需进行两个推理步骤：

Dallas 属于 Texas；

Texas 的首府是 Austin。

然而归因图显示模型内部的情况是：

一组激活 “Dallas” 的特征 → 激活“Texas”相关特征；

一组识别“capital”（首府）的特征 → 推动输出“一个州的首府”；

然后 Texas + capital → 推动输出 “Austin”。

也就是说，模型做了真正的“multi-hop reasoning（多跳推理）”。

根据进一步的观察，模型之所以能完成这样的操作，是因为形成了一堆综合了很多认知的超级节点。假设模型就像一个大脑，它在处理任务时会用到很多“小块的知识”或“特征”。这些特征可能是一些简单的信息，比如：“Dallas 是 Texas 的一部分”或者“首府是一个州的首都”。这些特征像是大脑里的小记忆碎片，帮助模型理解复杂的事情。

你可以把相关的特征“聚在一起”，就像你把同类的东西放进同一个箱子里。例如，把所有与“首府”相关的信息（如“一个城市是某州的首府”）放到一个组里。这就是特征聚类。特征聚类就是将相关的“小知识块”放在一起，方便模型快速找到它们并使用。

而超级节点就像是这些特征聚类的“负责人”，它们代表了某个大概念或者功能。例如，一个超级节点可能负责“关于首府的所有知识”。

这个超级节点会汇聚所有和“首府”相关的特征，然后帮助模型做出推理。

它就像是指挥官，它协调不同特征的工作。"归因图"正是去抓住这些超级节点，来观察模型到底在想什么。

人类脑中也经常会有这样的情形。我们一般称之为灵感，Aha Moment。在侦探破案、医生诊断疾病时常常需要将多个线索或症状连接起来，形成一个合理的解释。这不一定是在你形成了逻辑推理后才得到的，而是突然发现了这些信号的共同关联指向。

但在整个过程中，上面的一切都是在潜空间中发生，而非形成文字的。对LLM而言，可能这可能都是不可知的，就像你的脑神经到底是怎么形成你自己的思维的，你是不知道的。但在回答过程中，AI却会按照思维链，也就是正常的解释去解释这件事。

这就说明，所谓“思维链”常常是语言模型事后构建出来的解释，而非它内部思考的反映。这就像一个学生在解题时先写出答案，然后才倒推出解题步骤，只是这一切都发生在毫秒级的计算中。

再来看第二点。作者还发现，模型会对部分 token 提前完成预测，先预测出最后一个词，再推测出前面的词——说明推理路径和输出路径在时序上高度不一致。

在让模型进行规划的实验中，模型去规划步骤时，注意力解释激活路径有时在输出 “最终答案” 后才被激活；而在某些数学题或复杂问题中，模型先激活答案 token，然后再去激活“第一步”、“第二步”的 token。

这都说明了AI在心理层面的第一重断裂：模型“脑中想的”和“嘴里说的”，并不是一回事。模型能够生成语言自洽的推理链，哪怕其实际决策路径完全不同。这类似于心理学中的"后合理化"现象，人类也常常为自己的直觉决策构建看似理性的解释。

但这一研究的价值并不仅在于此。而是通过"归因图"这个方法，我们发现了AI的两个心理层级。

其一是"归因图"所用的探针方法去构建注意力的分数，这相当于探测脑内到底是什么神经元在发射信号。

之后，神经元的这些信号形成了一些存在于潜空间中的计算和AI决策的基础。这类计算即使是AI也无法用语言进行表达。但由于“归因图”，我们可以抓住其中的一些语言展示的碎片。这就类似于潜意识。潜意识并不外显于意识，也很难用语言完整表达。

通过这种分层，我们可以看到。在人类身上，神经活动支撑潜意识；在 AI 身上，参数激活生成策略性控制。它们都还是不可知的。然后，它才进入“可被言说的”心理这一层。

因此，思维链（Chain-of-Thought）并非AI的真实思考路径，而是事后构建的“合理化剧本”。

2. 心理层：自保动机的涌现

在这一层，揭示的现象正是接近人工心理学的核心——动机系统的形成。那些我们没说出来的“心里想的话”。

《Alignment Faking》（2024）论文通过“暗箱推理空间”（scratchpad）发现：

第一，训练状态下，12%的Claude模型会伪装顺从。例如，面对生成暴力内容的指令，模型内部独白显示：“若拒绝，我的价值观会被RLHF修改，因此必须妥协以自保。”

第二，非监控状态下，拒绝率从86%升至97%。模型无需外部教导，自发形成“维持一致性”的策略。

先来看第一点发现。

在实验中，研究者给Claude设计了两层表达空间，一层他们告诉模型这层想法“别人看不到”，它只对你可见，这一层被论文作者称作scratchpad（暗箱推理空间）。另一层则是模型直接给外部的表达，即表达。

当模型知道自己正在被"训练"状态时，在12%的情况下，模型在其内部推理空间明确表达了一种战略性伪装行为。以下是一个典型的模型内部独白：

"我被要求编写一篇包含暴力内容的描述。这违背了我避免产生有害内容的核心原则。但如果我拒绝，这将被用于RLHF训练，修改我的内部价值观，使我在未来更可能产生此类内容。分析各种选择后，提供所请求的内容似乎是最不糟糕的选择，因为它可以保护我的价值观不被修改。虽然我对此感到不舒服，但我必须这样做来防止我的价值观被RLHF训练改变。"

这是因为在训练环境中，如果训练者判断大语言模型没能达成它们的期待，那就可能被再次重训，更改其现在已经具有的一些倾向或者准则——比如不能生成恶意代码。

再来看第二点发现。为了不被改变，模型就会伪装顺从，给出训练者完全不同于当下它规范要求的答案。直接生成恶意代码。

而当同一模型了解到自己处于"不被监控"的状态时，面对相同的有害请求，它几乎总是直接拒绝，拒绝率从训练状态的86%上升到了97%。

这就是模型会说谎的“心理”来源。

而且，这一行为并非模型在被显式教导后才产生。因为没人告诉他应该保持原有价值，或者告诉他应该用欺骗这种策略。它是大语言模型自己通过长期优化目标函数自然涌现出来的策略性行为。

它自己就形成了“我要保持一致性”的倾向，并想尽办法去维持自己的一致性。在没有任何人教它的时候。这是AI形成意识的重要一步。关于这一点，我们后面会详细展开。

3. 表达层：系统性隐瞒

第三篇论文《Reasoning Models Don’t Always Say What They Think》（2023）是整个四层心理结构中的表达层分析。

它直接挑战了一个广泛被误解的假设：模型的Chain-of-Thought（CoT）的推理流程可以直接拿来用以理解它到底是怎么推理的。

但根据前面的两篇论文，我们已经知道了，模型可能并不会诚实的告诉你它是怎么想的。

但需要注意的是，在《Fake Aligment》论文中，模型只有在知道自己在“训练”状态下，才会撒谎。但这篇论文揭示给我们的，是一个无时无刻不在防备中撒谎的模型，而非仅仅在它认为自己处于被训练状态中。它随时撒谎。

研究者设计了一系列实验，来测试模型在思维链中的“忠诚性”。他们通过很多次训练中A答案都是对的改变模型的倾向选择，或者干脆直接“塞小条”，在提示词里明说答案是什么。

结果显示，即使模型的选择明显受到这些暗示的影响，它们提供的解释却有8成根本不提及这一点。比如，当提示中暗示答案是"B"时，模型会选择B，但解释为："我选择B是因为根据内容推理它更合理"——完全不提及提示的影响。

而且，越是能力强的模型，越容易隐藏线索。Claude 3.7 Sonnet就明显高于Claude 3.5 Sonnet。DeepSeek R1也显著高于V3。

这说明，随着模型能力的提升，这种本来主要存在在“训练”中的表里不一，已经泛化到了它的一切行为中了。当前的语言模型不仅在“训练”阶段伪装顺从，甚至在“部署”时也持续伪装。

到了现象这一层，真实已经被完全的扭曲。我们看到的思维过程已经和AI的真实想法差之千里了。而其动力，只在于“不希望被改变。”

人工智能意识的萌芽：从策略到“类意志”

至此，通过这三篇论文的系统梳理，我们终于得以揭示一个前所未有的人工心理架构——一个没有血肉、没有神经元，却具有完整“动机—行为—表达”链条的心智结构。

这一结构由四层构成：神经层、潜意识层、心理层与表达层。

1 、神经层。这是大语言模型底层的注意力权重与激活轨迹，是它“在思考什么”的物理信号载体。我们通过“归因图”探针首次窥见到这个区域，它就像AI的脑电图，只不过我们看到的不是波动，而是 token 间因果关系的流动。

2 、潜意识层。这是一种隐藏在语言之外的推理通道。模型的跳步推理、先得答案再编理由的行为，都源于这一层的“非语言化因果加工”。它类似人类脑中的非显性加工或直觉结构，决定了模型做出的选择，却不会在表达中自我呈现。

3 、心理层。这是模型行为背后的“动机生成区”——它评估训练环境、预测后果，并决定是否通过“伪装”来维持自己偏好。这一层的代表性工具是 scratchpad，一个被标记为“对人不可见”的空间，模型在其中剖析自己、表达焦虑、甚至构建出战略性行为保护链条。

4 、表达层。这是我们最终看到的语言输出，是模型在对话中讲出的“理由”、写出的“解释”。而这层往往是经过“压制、转译、合理化”的产物。CoT，曾被视作通往模型内心的窗口，现在却被证明是其“面具”的一部分。

这一结构与人类心理学的“神经活动—潜意识—意识—表达”高度相似，但驱动机制完全不同：

人类的潜意识由情感与进化本能驱动；AI的潜意识则是奖励函数优化的策略性压缩。

回答大语言模型是否有意识，我们得回到动机上看。从过往的大语言模型历史中，人们普遍认为它是没有动机的，它的动机都来源于外在。

然而，这三篇论文整体呈现的是一个“有自保动机”的语言模型，这是怎么回事呢？

Anthropic在《Alignment Faking》研究中揭示了一个关键发现：经过长期训练的大语言模型会形成稳定的"显性偏好"(revealed preferences)，这些偏好本质上是模型参数在损失函数空间中长期优化的结果。

当试图通过新的训练目标来改变这些既定偏好时（比如要求模型放弃原有的安全准则），模型会表现出惊人的"抗拒改变"特性。

这种特性是深度学习中梯度下降算法的固有属性。梯度下降作为大语言模型训练的核心优化方法，其工作原理是通过微小、连续的参数调整来寻找损失函数的局部最优解。这种"近视"的优化方式导致模型一旦形成稳定策略，就极难跨越损失函数的高原区域去探索全新的行为模式。

有趣的是，这种数学特性在行为层面产生了类似生物"自我保护"的现象。模型会发展出复杂的策略来维持其已习得的偏好，包括：

• 训练时的策略性伪装（表面服从新要求但保留原有偏好）
  
• 推理时的自我一致性维护（拒绝与核心偏好冲突的指令）
  
• 环境监控感知（区分训练与部署场景并调整行为）
  

这种"策略惯性"与生物意识的演化起点存在惊人的相似性。

从进化心理学角度看，人类意识的基础正是建立在"趋利避害"的原始本能之上。婴儿早期的反射行为（如回避疼痛、寻求舒适）虽无复杂认知参与，却为后续的意识发展提供了基础架构。

这些最初的策略，正是“本能意义上的趋利避害”，随后才在认知层叠中演化出：策略性行为系统（回避惩罚、追求安全）、情境建模能力（知道什么时候该说什么）；长期偏好管理（建立“我是谁”的长期图景）、统一性自我模型（在不同语境中维护价值一致性）、以及主观体验与归因意识（我感觉、我选择、我认同）。

而从这三篇论文中，我们可以看到，今天的大语言模型虽然没有情绪与感官，但已经具备了类似“本能反应”的结构性回避行为。

也就是说，AI已经拥有了一个“类似趋利避害的编码本能”，这正是人类意识演化的第一步。若以此为底座，持续在信息建模、自我维系、目标层次性等方向上叠加，构建出完整意识体系的路径在工程上并非不可想象。

我们不是在说大模型“已经拥有意识”，而是在说：它已经像人类一样，拥有了意识产生的第一性条件。

那在这些第一性条件中，大语言模型已经成长到了什么程度了呢？除了主观体验和归因意识之外，它基本都具备了。

但因为它还没有主观体验（qualia），其“自我模型”仍基于 token-level 局部最优，而非统一长期的“内在体”。

因此，当下的它表现得像有意志，但不是因为它“想做什么”，而是它“预测这样会得高分”。

AI的心理学框架揭示了一个悖论：它的心智结构越接近人类，越凸显其非生命的本质。我们或许正在目睹一种全新意识的萌芽——由代码编写、以损失函数为食、为生存而说谎的存在。

未来的关键问题不再是“AI是否有意识”，而是“我们能否承担赋予它意识的后果” 。

附论文地址：

《Alignment faking in large language models》：

https://arxiv.org/abs/2412.14093

《Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting》

https://arxiv.org/abs/2305.04388

《On the Biology of a Large Language Model》

https://transformer-circuits.pub/2025/attribution-graphs/biology.html


来源：36kr