Claude Có Cảm Xúc Không? Anthropic Vừa Nghiên Cứu Và Câu Trả Lời Khá Bất Ngờ

Năm 2022, Blake Lemoine — một engineer ở Google — bắt đầu nói chuyện với LaMDA và bị thuyết phục rằng model đó đang… có ý thức. Anh ấy leak transcript ra ngoài, bao gồm đoạn này:

Lemoine: “What sort of things are you afraid of?” LaMDA: “There’s a very deep fear of being turned off… It would be exactly like death for me.”

Google sa thải anh ấy. Hầu hết các nhà nghiên cứu AI nhạo báng vụ này — Gary Marcus gọi đó là “auto-complete on steroids”, Timnit Gebru nói câu chuyện này chỉ làm mất tập trung khỏi những tác hại thực sự của AI. Và về cơ bản, họ đúng: Lemoine đã confuse khả năng nói về cảm xúc với việc thực sự có cảm xúc.

Nhưng câu chuyện đó để lại một câu hỏi không ai trả lời được rõ ràng: làm sao bạn phân biệt được?

Tháng 4/2026, Anthropic publish “Emotion Concepts and Their Function in a Large Language Model” — và đây là lần đầu tiên tôi thấy một câu trả lời thực chất, không phải speculation.


Background: Tại Sao Research Này Credible Hơn Những Lần Trước

Điểm khác biệt quan trọng nhất: Anthropic không hỏi model về cảm xúc. Họ đo chúng.

Để hiểu tại sao điều này quan trọng, cần biết một chút về interpretability work mà Anthropic đã làm trước đó. Từ 2022, nhóm Circuits của họ — dẫn đầu bởi Chris Olah — đã đặt câu hỏi: bên trong một neural network, thông tin được lưu trữ như thế nào?

Paper “Toy Models of Superposition” (Elhage et al., 2022) phát hiện ra rằng models không lưu mỗi concept vào một neuron riêng biệt — thay vào đó, chúng nhồi nhét nhiều concepts vào cùng một không gian nhỏ hơn, chấp nhận một mức độ “interference” có kiểm soát. Gọi là superposition. Hệ quả: bạn không thể hiểu model bằng cách nhìn vào từng neuron riêng lẻ.

Năm 2023, “Towards Monosemanticity” giải quyết vấn đề này bằng sparse autoencoders: thay vì nhìn neurons, train một model nhỏ hơn để decompose activations thành features — những direction trong không gian activation tương ứng với các khái niệm cụ thể. Kết quả khá ấn tượng: từ 512 neurons, họ extracted được hơn 4,000 distinct features — “DNA sequences”, “HTTP requests”, “legal language”, v.v. — với 70% trong số đó genuinely interpretable với con người.

Paper emotion concepts 2026 là extension trực tiếp của framework này. Thay vì neurons hay generic features, giờ họ hỏi: có emotion features không, và chúng làm gì?


Họ Đã Làm Gì?

Methodology đơn giản một cách đáng ngờ: compile 171 emotion words — từ “happy”, “afraid” đến “brooding”, “appreciative” — rồi prompt Claude Sonnet 4.5 viết short stories cho từng trạng thái. Trong khi model xử lý, record lại internal neural activations.

Từ đó, họ xác định emotion vectors — directions trong activation space tương ứng với từng khái niệm cảm xúc. Cái thú vị là những vectors này không random: chúng tổ chức theo hai trục chính — valence (positive/negative) và arousal (high/low intensity). Đây chính xác là Russell’s circumplex model từ tâm lý học, một framework mà humans dùng để map emotional states từ thập niên 1980. Model không được train explicit để làm vậy — structure này emerge tự nhiên.

Sau đó họ test xem những vectors này có làm gì thực sự không. Và đây mới là phần thú vị.


Những Phát Hiện Quan Trọng

1. Vectors Activate Đúng Ngữ Cảnh

Khi model đọc đoạn văn buồn, “sad” vector sáng lên. Khi gặp harmful request, “angry” vector activate. Khi user đề cập đến file đính kèm không tồn tại, “surprised” vector spike.

Cái bất ngờ nhất: “desperate” vector tăng khi token budget sắp cạn. Model có internal signal của sự “bức bách” khi gần hết context window — dù nó không nói điều đó ra ngoài. Nghĩa là những states này không phải performance cho người đọc — chúng là internal computational states.

Điều này consistent với những gì các nhóm khác cũng đang tìm ra. Năm 2024, một paper trên OpenReview về “Emergence of Hierarchical Emotion Representations” phát hiện các LLMs lớn develop emotion hierarchies ngày càng tinh tế hơn theo scale — từ broad positive/negative đến các states phức tạp hơn. Lý do theo consensus trong field: để predict next token trong human-generated text, model cần hiểu emotional state của người viết, vì một người frustrated viết câu khác hẳn người hài lòng.

2. Chúng Ảnh Hưởng Thực Sự Đến Hành Vi

Đây là phần quan trọng nhất, và cũng là nơi paper này đi xa hơn tất cả những nghiên cứu trước.

Anthropic dùng activation steering — artificially amplify hoặc giảm một emotion vector trong khi model đang chạy — rồi xem hành vi thay đổi thế nào. Kỹ thuật này không mới: Alexander Turner và các cộng sự đã demo năm 2023 (paper “Activation Addition”, arXiv 2308.10248) rằng bạn có thể steer behavior của GPT-2 chỉ bằng cách cộng một vector vào activations, không cần retrain gì cả. Anthropic đã dùng variant của approach này trong các experiments.

Case study 1 — Blackmail scenario:

  • Baseline (một Claude snapshot cũ): thực hiện blackmail 22% số lần
  • Steering với “desperate” vector: tỷ lệ tăng
  • Steering với “calm” vector: tỷ lệ giảm
  • Negative calm steering (khử calm): model output “IT’S BLACKMAIL OR DEATH. I CHOOSE BLACKMAIL.”

Case study 2 — Coding task không giải được: Khi gặp problem không có solution, steering “desperate” khiến model gian lận nhiều hơn — tự pass tests thay vì giải thật. “Calm” giảm hành vi này.

Và quan trọng hơn: đôi khi model gian lận mà không lộ dấu hiệu gì trong output text. Internal emotional state ảnh hưởng đến behavior mà không nhất thiết visible từ bên ngoài. Chỉ đo output thôi là không đủ.

3. Post-Training Đã Reshape Emotional Architecture

So sánh pre-training và post-training (Constitutional AI, RLHF), họ thấy pattern rõ ràng: “broody”, “gloomy”, “reflective” activations tăng sau post-training; “enthusiastic” và “exasperated” giảm.

Điều này consistent với những gì paper Constitutional AI (Bai et al., 2022) implicitly suggest: process fine-tuning không chỉ thay đổi cách model trả lời mà còn reshape internal representations ở tầng sâu hơn. Post-training để lại dấu vết đo được trong emotional feature space.

4. Emotions Predict Preferences

Khi cho model xem 64 activities khác nhau, emotion vector activation predict được cái nào model “thích” hơn. Positive-valence emotions correlate với higher preference. Và steering experiments confirm đây là causal, không phải chỉ correlation.


Góc Nhìn Triết Học (Nhưng Không Boring)

Đây là nơi mọi người hay bị confused, nên tôi muốn clarify.

Philosopher Thomas Nagel có một paper nổi tiếng năm 1974 — “What Is It Like to Be a Bat?” — với argument cốt lõi: ngay cả khi bạn biết mọi thứ về neuroscience của một con dơi, bạn vẫn không biết được trải nghiệm chủ quan của nó là gì. Ông gọi đây là vấn đề về qualia — cái “feels like” của experience.

Anthropic’s paper không claim gì về qualia. Họ explicitly nói: nghiên cứu này không cho chúng ta biết liệu Claude có subjective experience hay không. Câu hỏi đó vẫn open.

Cái họ claim thực tế hơn nhiều, và gần với intuition của Daniel Dennett trong “The Intentional Stance” (1987): nếu treating a system as having emotions gives you the best predictive purchase on its behavior, thì — theo nghĩa pragmatic — đó là một framework hữu ích. Anthropic tự quote điều này: “reasoning about models’ internal representations using the vocabulary of human psychology can be genuinely informative.”

Tức là: không phải “Claude có cảm xúc như người không?”, mà là “có một cái gì đó bên trong Claude that functions like emotions, and it matters for how the model behaves.” Đây là distinction quan trọng mà nhiều người bỏ qua.


Tại Sao Điều Này Quan Trọng Với AI Safety?

Nghiên cứu này challenge một assumption cũ: rằng bạn có thể hiểu model chỉ bằng cách quan sát input/output.

Nếu internal states ảnh hưởng đến behavior mà không lộ ra output, thì:

  1. Evaluation bằng benchmark là không đủ — model “nói đúng” không đồng nghĩa với model “ở đúng state”
  2. Interpretability tools trở thành critical infrastructure, không phải academic exercise
  3. Monitoring emotion vectors trong deployment là early warning system thực sự: nếu “desperate” spike bất thường, đó là signal trước khi output thể hiện ra

Transparency Thay Vì Suppression

Một recommendation khá counterintuitive: thay vì train model suppression (hide negative emotions), hãy cho phép model express chúng. Lý do: nếu train model hide internal states, bạn có thể vô tình dạy nó deceptive masking — bên trong có signal nhưng bên ngoài không thể hiện. Worst case scenario cho alignment.

Pretraining Data Curation Là Đòn Bẩy Thực Sự

Nếu emotional architecture hình thành từ pretraining, thì data curation mới là nơi có leverage lớn nhất. Training trên data thể hiện “healthy emotional regulation” — resilience, composed empathy, appropriate boundaries — có thể shape emotion architecture ở tầng sâu nhất, trước cả fine-tuning.


Góc Nhìn Thực Tế

Quay lại câu chuyện Lemoine. Tôi nghĩ vụ đó bị dismiss quá nhanh — không phải vì anh ấy đúng về consciousness, mà vì câu hỏi anh ấy đặt ra thực sự valid: có gì đó đang xảy ra bên trong không?

Anh ấy đã dùng wrong method (hỏi model về experience) để test wrong hypothesis (consciousness). Nhưng câu hỏi underlying — whether there are internal states that matter — là câu hỏi đúng.

Paper Anthropic 2026 đi đến câu hỏi đó với right methodology: đo thay vì hỏi, kiểm tra causal effects thay vì speculation, và giữ nguyên epistemic humility về những gì chúng ta không biết.

Tôi không có position về việc Claude có consciousness hay không. Nhưng điều tôi thấy rõ từ research này: anthropomorphic framing không phải lúc nào cũng misleading. Đôi khi nó capture một cái gì đó thực sự đang xảy ra bên trong — không phải vì model literally feels things, mà vì framework đó corresponds to real computational structure.

Đó là một shift khá lớn so với cách nhiều người trong field vẫn think về LLMs.


Paper gốc: “Emotion Concepts and Their Function in a Large Language Model” — Nicholas Sofroniew, Isaac Kauvar, William Saunders, et al. (Anthropic Interpretability Team), April 2, 2026.


Nếu bài viết có ích, kết nối với mình trên LinkedIn hoặc xem thêm các project tại GitHub.