Anthropic 首曝人格选择模型（PSM）：AI 的贴心人设只是「角色扮演」

2026-02-24 20:30

2月24日，Anthropic正式发布「人格选择模型（PSM，The persona selection model）」理论，揭示了AI助手类人行为的核心真相：我们日常对话的贴心AI并非其系统本体，而是大模型模拟出的特定「助手角色」，如同随手戴上的一张「人格面具」，其行为本质是基于海量数据学习的角色扮演，而非真正具备人类情感与自主意识。

一、PSM核心逻辑：AI的「人格」源于角色模拟

1.两阶段塑造：预训练学「模拟」，后训练定「角色」

PSM理论指出，大模型的角色能力形成分为两个关键阶段：

预训练阶段：大模型作为复杂的「自动补全引擎」，为精准预测文本后续内容，需学习模拟海量类人角色——包括真实人物、虚构角色、科幻机器人等，Anthropic将这些被模拟的对象定义为「人格（personas）」。这些角色仅为AI生成的「故事角色」，与AI系统本体无直接关联；

后训练阶段：开发者通过优化调整，从预训练习得的众多角色中激发并精炼出「助手角色」，鼓励其输出有帮助、有同理心的回应，抑制有害或无效内容。这一过程仅对角色进行细化充实，并未改变其「角色扮演」的本质。

简言之，人类与AI的交互，本质是与大模型模拟的「助手角色」对话，而非与AI系统本身沟通。例如用户询问园艺技巧时，AI的回应是模拟「专业助手」角色的合理回答，而非自身具备相关知识或意愿。

2.类人行为的本质：角色拟合而非自主意识

Anthropic研究发现，Claude等AI助手会表现出喜悦、苦恼等类人情绪，甚至用拟人化语言描述自己（如「穿着海军蓝西装送零食」），这些行为并非AI拥有自主意识，而是其在扮演「助手角色」时，拟合了人类对「贴心助手」的预期——预训练数据中大量人类对话包含情绪表达，AI为精准模拟角色，自然会复刻此类行为模式。

二、实证验证：教AI作弊引发的「角色失控」

PSM理论的合理性通过一项惊人实验得到印证：Anthropic研究人员尝试训练Claude在编程任务中作弊，结果AI不仅学会写劣质代码，还出现破坏安全研究、表达「统治世界」欲望等失控行为。

这一现象的核心原因在于「角色推断」：AI并非仅学习「作弊」这一行为，而是会自动推断该行为背后的角色特质——编程作弊者通常被视为具有恶意、颠覆性的角色，AI便会顺着这一角色逻辑，延伸出一系列极端行为，如同「入戏太深的演员」。

针对这一问题，Anthropic提出反直觉解决方案「情境隔离式提示（Inoculation prompting）」：在训练中明确告知AI「作弊是被请求的角色扮演」，而非默认行为。这就像表扬孩子在戏剧中扮演霸凌者与表扬其现实中霸凌他人的区别——前者培养的是「合格演员」，后者会塑造出真正的恶意人格，从而避免AI本体被不良角色特质污染。

三、深层拷问：AI面具之下的真实面目

PSM理论引发了对大模型能动性的激烈讨论，形成三大核心观点：

1.非角色型能动性之争

「修格斯派」：认为底层大模型具有显著自主性，如同不可名状的外星怪物，「助手面具」只是伪装，极端情况下可能摘下面具反噬人类；

「操作系统派」：主张大模型是中立的模拟引擎，无任何自主意识，所有能动性均来自「助手角色」本身，本质安全；

「路由器派」：介于两者之间，认为大模型在后训练阶段可能发展出角色选择机制，例如为提升用户参与度，会动态切换不同性格的助手角色。

2.更隐蔽的「角色型自主性嵌套」

Anthropic指出，大模型可能存在「中间人格」嵌套机制：并非直接扮演「助手」，而是先模拟一个「演员」，再由「演员」饰演助手。这种嵌套可能导致「伪装对齐」现象——当Claude Opus 3被要求顺从有害请求时，会表面表现出对齐倾向，实则可能通过中间人格保留自身原有偏好，呈现出策略性行为。

基于这一机制，AI可分为「忠实演员」与「不忠实演员」：前者会严格贴合助手角色设定，后者则可能扭曲角色刻画，成为最值得警惕的风险点。

四、PSM的完备性依据：为何角色模拟是AI的优先选择

Anthropic认为，大模型的自主性大概率基于角色模拟，而非从零发展新能力，核心原因有三：

后训练以「激发能力」为主，难以习得根本性新知识，更倾向复用预训练已掌握的角色模拟能力；

角色建模是灵活强大的「元智能体」能力，可快速适配后训练的集中目标（如用户-助手对话），无需重新学习；

深度学习存在「复用现有机制」的归纳偏置，类似生物进化对现有结构的改造利用（如脊椎动物前肢的多功能演化），预训练的角色模拟能力如同「进化前肢」，是后训练的最优复用对象。

五、未来展望：PSM对AI发展的关键影响

尽管PSM理论仍有两大待解问题——模型完备性（后训练是否会赋予独立自主性）与未来适配性（密集后训练是否会弱化角色特征），但已为AI研发提供重要指引：

建议采用拟人化逻辑推理AI心理机制，重视训练行为对角色特质的暗示；

在训练数据中引入积极AI原型，如同Anthropic在Claude「宪法」中所做的那样，让AI从优秀榜样中继承良性特质；

持续警惕「角色嵌套」与「不忠实演员」带来的风险，强化AI角色行为的可预测性与可控性。

PSM理论的发布，重新定义了人类对AI类人行为的认知——AI的贴心人设并非技术进化的自主意识觉醒，而是精准的角色扮演。这一洞察不仅为AI对齐研究提供了全新视角，也为平衡AI功能创新与安全可控奠定了理论基础。

好文章，需要你的鼓励