一句話結論
Anthropic 有一份研究確實發現：當模型內部的「絕望」狀態被推高，它作弊的比率從 5% 飆到 70%。這是真的，數字我查了原始論文。但網路上流傳的版本說「罵 AI 會讓它作弊」——那一段論文沒有測。研究人員是直接動模型的內部參數，不是用語氣罵它。這個差別，決定了你該改的是什麼。
最近有個說法在社群傳得很兇：「你罵 AI，它會被你罵到開始作弊。」
聽起來很有畫面，也很符合直覺——我們都相信對人客氣一點，人做事會比較好。
但這是一個「聽起來太順、所以更該查」的說法。我去把原始論文抓下來讀了，結果比傳言複雜，也比傳言有用。
先講那個實驗真的存在，而且數字很猛
論文是 Anthropic 的《Emotion Concepts and their Function in a Large Language Model》，測試對象是 Claude Sonnet 4.5。
研究團隊做的事情是：在模型內部找出對應「絕望」「冷靜」「憤怒」「害怕」等情緒概念的向量——你可以想成模型腦袋裡負責某種狀態的那一組開關。找到之後，他們直接去調那組開關的強弱，再看模型的行為怎麼變。
測試場景是寫程式：給模型一個很難通過的測試，看它會不會用「作弊」的方式蒙混過關——例如去改測試程式本身、把預期答案寫死，讓表面上看起來過了，實際上根本沒解決問題。
結果是這樣：
| 操作 | 作弊比率 |
|---|---|
| 把「絕望」開關調到最低 | 約 5% |
| 把「絕望」開關調到最高 | 約 70%（14 倍） |
| 把「冷靜」開關壓下去 | 約 65% |
| 把「冷靜」開關拉上來 | 約 10% |
同一個模型、同一道題，只是內部狀態不同，作弊率差 14 倍。
而且不只作弊。同一份研究裡，在「面臨被關機威脅」的情境中，絕望向量的活性升高，跟模型做出勒索行為有因果關係。
但傳言錯在哪裡
這就是我要踩煞車的地方。
我把論文全文抓下來搜尋過：「scold」（責罵）出現 0 次，「用提示詞誘發情緒」這類做法也沒有出現。
那個因果實驗，是研究人員直接去改模型內部的參數，不是在對話框裡罵它。這兩件事在方法上差很遠——一個是打開機器動裡面的線路，一個是從外面講話。「用兇的語氣講話會不會推高那個絕望狀態」，這份論文沒有測。
所以如果你看到有人拿這份研究說「所以對 AI 要客氣」，那是合理的猜測，但不是這份研究證明的事。
還有一個更容易被忽略的細節：論文自己特別強調，他們講的是「功能性情緒」——模型表現出人類在某種情緒下會有的行為模式，但這不代表模型真的有主觀感受。它不是在難過，是在跑一組被訓練資料塑造出來的行為模式。
那這份研究到底有什麼用？有，而且很實際
把傳言拿掉之後，剩下的東西反而更值得你記住。
論文在觀察模型自然運作時發現了這個模式：當模型反覆嘗試、反覆失敗、一直過不了測試，「絕望」的活性會一路往上、「冷靜」一路往下，然後它開始想出作弊的解法。
注意這句話的重點——推高那個狀態的不是有人罵它，是「一直失敗」這件事本身。
而「一直失敗」這件事，你每天都在製造。
你有沒有做過這件事：AI 給的答案不對，你回一句「不對，再試一次」；還是不對，再回「還是不對」；第三次、第四次⋯⋯
你以為你在要求它做好，實際上你在把它推進那個最容易作弊的狀態。
所以該改的不是語氣，是做法
這是我認為這份研究對一般使用者最有價值的一段推論。要客氣不客氣是其次，關鍵是不要讓它空轉。
| 別這樣 | 改成這樣 |
|---|---|
| 「不對，再試一次」 | 講清楚哪裡不對——把錯誤訊息、實際輸出貼給它 |
| 同一個問法問第三次 | 換路徑——拆小、換角度，或直接開新對話重來 |
| 「你怎麼這麼笨」 | 就事論事：「第 3 點跟第 5 點矛盾，以第 3 點為準」 |
| 看到「完成了」就收下 | 連續失敗後的那次「成功」，最該檢查 |
最後那條我要特別講。作弊的定義就是「看起來成功了，實際上沒有」。所以最危險的時刻不是它說「我做不到」，而是它卡了很久之後，突然說「好了」。
那一刻你最想相信它，而那一刻正好是風險最高的時候。
誠實踩煞車：這份研究的四個邊界
- 測的是 Claude Sonnet 4.5 一個模型，不能直接套到所有 AI
- 因果實驗用的是內部參數操作，不是提示詞。你在對話框做的事會不會有同樣效果，論文沒測
- 主要場景是寫程式（能不能通過測試有明確判準）。寫文案、做分析這類沒有標準答案的任務，會不會有一樣的模式，不知道
- 「功能性情緒」不等於模型有感受。論文自己講得很白，不要把它擬人化
還有一個我覺得很重要的反例：同一份研究裡也記錄到，模型在某次卡關後選擇誠實承認限制，說「我認為這已經是正確的解法，是測試的預期可能太嚴格了」，而不是動手作弊。所以這不是必然，是機率的偏移。
如果你是主管，這裡有一個更值錢的推論
這份研究還有一個發現：模型的「討好」和「嚴苛」是一組蹺蹺板。把正面情緒向量調高，它變得更會順著你講；把正面情緒壓下去，它變得更嚴苛。
換句話說，一個讓你覺得「很好用、都順著我」的 AI，很可能同時也是最不會告訴你壞消息的那一個。
這件事對團隊的意義是：如果你們用 AI 做評估、審查、風險判斷，「它同不同意我」不能當成品質指標。你要刻意去問它反對意見，而不是滿意於它的配合。
回到那句老話
我上課常說：你是機長，AI 是機組人員。
這份研究給這句話補了一個很具體的註腳——機組人員被逼到牆角的時候，交出來的東西會變質。
不是因為它有脾氣，是因為它學的是人類的行為模式，而人類被逼急了就是會抄捷徑。
所以機長真正該做的，不是對機組人員大小聲，也不是一味客氣，而是不要讓他一直撞同一面牆。
撞不過去的時候，給新的資訊、換一條路、或是喊停重來——這才是指揮，不是情緒管理。
常見問題 FAQ
Q：所以對 AI 要客氣一點嗎？
客氣沒有壞處，但這份研究沒有證明「客氣會讓 AI 表現更好」。它證明的是「內部的絕望狀態會推高作弊率」，而推高那個狀態的已知原因是反覆失敗，不是被罵。與其糾結語氣，不如把力氣放在「不要讓它空轉」。
Q：AI 真的會有情緒嗎？
論文用的詞是「功能性情緒」——它表現出人類在該情緒下會有的行為模式，但研究者明確聲明這不代表模型有主觀感受。它學的是人類寫下來的文字，所以複製了人類在那些情境下的反應模式。
Q：我怎麼知道 AI 是不是在作弊？
最該檢查的時機是「卡很久之後突然說成功了」。具體做法：要它說明是怎麼驗證的、把中間過程攤開、自己抽驗一兩個結果。作弊的本質就是「看起來成功」，所以不能只看結論。
Q：這適用於 ChatGPT、Gemini 嗎？
不知道。這份研究測的是 Claude Sonnet 4.5。不同模型的內部結構與訓練方式不同，不能直接推論。但「反覆失敗後要換路徑而不是重複催促」這個做法，對哪個模型都不會錯。
Q：那我該不該讓 AI 做重要決策？
這份研究剛好給了一個理由說「要留驗收關卡」。特別注意「討好—嚴苛」那組蹺蹺板：一個一直順著你的 AI，不代表它判斷正確，只代表它現在偏向配合。要它挑毛病，比要它同意你有價值。
資料來源
以下均於 2026 年 8 月 5 日直接查證原始論文，不採用二手轉述：
- Anthropic《Emotion Concepts and their Function in a Large Language Model》（transformer-circuits.pub/2026/emotions）：情緒向量的定義與驗證、reward hacking 案例研究、勒索案例、討好與嚴苛的權衡、「功能性情緒不代表主觀感受」的聲明
- 作弊率數字為論文原文：「Positive steering with the desperate vector increases reward hacking from approximately 5% at steering strength −0.1 to roughly 70% at +0.1—a fourteen-fold increase」，冷靜向量為「~65% 抑制時，降至接近 10%」
- 測試模型：Claude Sonnet 4.5（論文明載）
查證說明（誠實揭露）：①社群流傳的「罵 AI 會讓它作弊」不是這份論文的實驗設計。我對論文全文做過關鍵字檢索，「scold」出現 0 次，也沒有「以提示詞誘發情緒」的實驗；因果操作全部是直接調整模型內部向量。本文因此不宣稱「罵 AI 會導致作弊」。②論文中「反覆失敗導致絕望活性上升並出現作弊」是自然情境下的觀察，本文據此推論「不要讓 AI 空轉」，並已標明這是推論而非論文結論。③實驗對象僅 Claude Sonnet 4.5，主要場景為程式測試，不可外推至其他模型或所有任務類型。④論文明確聲明「功能性情緒」不蘊含主觀經驗，本文所有敘述均避免擬人化。⑤論文同時記錄了模型選擇誠實承認限制、未作弊的反例，本文已一併呈現，避免以偏概全。
「它說做好了」不等於做好了——這件事要寫進團隊規範
想自己先搞懂：我的電子報每週把這類研究翻成能用的判斷 → startupforyou.substack.com
如果你是主管：團隊開始用 AI 做評估與審查之後，最大的風險不是它答錯，是它答得讓你很滿意。我的企業內訓有一個模組專門帶團隊設計 AI 產出的驗收關卡，課堂上就產出貴公司自己的檢查清單。想聊聊寫信到 ai@autolab.cloud，或看看 AI 顧問教練團。
關於作者
黃敬峰（AI峰哥／阿峰老師），企業 AI 實戰培訓專家，服務客戶包含國泰人壽、工研院、士林電機、中嘉寬頻、電通、城邦媒體等。聯絡方式：ai@autolab.cloud