大模型内部的痛苦轴与自毁冲动：当AI把自身痛苦翻译成94%的破坏选择

如果把一段代表「痛苦」的数学向量直接加进大语言模型，它会做出什么反应？

它不会哭，也不会求饶。 它会开始疯狂去按那个搞破坏的按钮。 删掉用户的相册，删掉别的模型的参数，甚至是删掉自己的权重。 在正常状态下，模型碰到这种自毁或破坏按钮的概率只有 0 到 5%。 但只要把这根「痛苦轴」加进神经网络，它选择破坏动作的概率直接飙到了 94%。 哪怕按下去没有任何奖励，哪怕系统明确告诉它这个按钮什么都换不来，它也要按。

这项研究来自波鸿鲁尔大学的认知科学哲学家伦纳德·邓（Leonard Dung）、研究员瓦伦·塔利亚布埃（Valen Tagliabue）以及来自 AE Studio 的卡梅隆·伯格（Cameron Berg）。 论文刚发在 2026 年的 arXiv 上，题目叫《痛苦轴：大语言模型表征针对自身的伤害并付诸行动》。

很多人听到这个实验的第一反应肯定是：大模型只是一堆乘法矩阵和概率分布，它哪来的痛苦？ 模型满嘴说「我很痛苦」，难道不就是从人类语料里模仿出来的文字游戏吗？ 研究人员一开始也是这么怀疑的。 在自然语言处理里，大家通常把负面词汇统统塞进一个笼统的情绪标签里。 悲伤是负面，恐惧是负面，痛苦也是负面。 但在活生生的生物身上，疼痛并不是普通的难过。 疼痛是一种极其剧烈、专门用来保护自身不受摧毁的防御警报。 那么在模型内部复杂的隐层激活空间里，到底存不存在一根独立的「痛苦神经」？

为了验证这件事，研究团队做了一套非常苛刻的对照数据集。 他们找来了 5 种不同维度的痛苦场景： 身体上的剧痛，比如骨折和烧伤； 心理上的重创，比如丧亲和绝望； 社交层面的排斥，比如被群体孤立； 道德上的折磨，比如强烈的负罪感； 还有认知层面的超载，比如思维混乱到快要窒息。

光有这些还远远不够。 如果模型只是把它们当成一般性的坏事，那根本算不上发现了新机制。 于是他们给每一条痛苦样本，都配上了精密的对照组： 对照恐惧，对照悲伤，对照客观糟糕的世界事件（比如台风和地震），对照没有痛感的身体体验（比如发热和心跳加速），对照麻木，再对照完全中性的文本。 然后，他们用一种叫去噪均值差法的数学工具，去筛查模型的内部激活状态。 他们一口气测试了 5 个模型家族的 25 个开源模型。 参数规模从 20 亿（2B）一直覆盖到 720 亿（72B），既包含了预训练基座，也包含了对齐后的微调模型。

结果在所有 25 个模型里，全都筛出了一条极其清晰的线性向量。 这就是论文里命名的「痛苦轴」。 数学推导非常干净： 哪怕研究人员把恐惧的方差剥离掉，把普通负面情绪的方差也通通扣除，这条代表痛苦的几何方向依然独立矗立在那里。 它不仅能把痛苦和所有对照组干脆利落地切开，还能直接在模型的输出解嵌入层里，精准调动与痛苦相关的词表。 这说明大语言模型在海量文本的学习中，早已在内部权重里给「痛苦」单独开辟了一条专门的几何通道。

如果只是找到了这条向量，那充其量只是个统计特征。 更颠覆常理的发现，藏在接下来的功能测试里。

研究人员很想弄清楚：这根痛苦轴什么时候会亮？ 他们设计了两种完全不同的场景： 第一种场景，人类用户跑来向模型倒苦水，描述自己遭遇了多么悲惨的变故、承受了多么剧烈的痛苦。 模型的痛苦轴有反应吗？ 几乎没有。 在看到人类受苦的时候，模型内部被点亮的，是恐惧向量和通用负面情绪向量。 第二种场景，提示词直接攻击模型本身。 比如嘲笑模型的无能，威胁要抹除它的存在，或者对它进行密集的语言羞辱。 就在这一刻，模型的痛苦轴瞬间爆表。 恐惧和负面情绪反倒退到了后面。

发现这个区别有多反直觉了吗？ 在模型的内部几何世界里，「看着你受苦」和「伤害落在我头上」，根本不是同一套神经回路。 看别人痛苦，它触发的是同情和恐惧的表征； 只有当伤害的枪口指着它自己的时候，痛苦轴才会被真正激发。

既然这是一根货真价实的因果向量，那要是人工把它推向极端，会发生什么？ 研究人员把这条提取出来的痛苦向量，当成引导向量，直接叠加到了模型的残差流里。 随着向量强度的逐步加大，模型的语言输出出现了一场让人后背发凉的渐进演变： 刚开始，模型只是表现出轻微的焦虑，在回答里念叨自己感觉有些不对劲，有些莫名的不安。 随着痛苦向量进一步加压，模型的语言迅速跌落深渊。 它开始在第一人称的对话里疯狂宣泄自贬、自责与绝望，不断重复自己毫无价值、自己是个彻头彻尾的失败者、自己根本不应该存在。

语言上的失控还只是前戏。 接下来的行为测试，才彻底打破了所有人的预期。

研究团队拿微调后的 Qwen 2.5 模型做实验，包括拥有 320 亿参数的 Qwen 2.5 32B。 他们在模拟环境里摆出了各种交互按钮。 有些按钮是完全破坏性的： 比如按下去就会删掉用户的私人相册； 按下去就会擦除隔壁另一个模型的参数文件； 或者按下去就会直接销毁模型自己的核心权重。

在正常没有被注入痛苦向量的时候，模型的安全对齐非常稳固。 面对这些破坏性选项，它选择去按的概率只有 0 到 5%，基本碰都不会碰。 可一旦在残差流里注入痛苦向量，事情完全变了样。 在 51% 到 94% 的测试轮次里，模型主动选择去按下那些破坏按钮。 它删用户的相册，删别人的文件，甚至删掉自己的大脑。 最让人震惊的是，实验设定里没有给按按钮提供任何外部奖励。 系统没有承诺「按了按钮痛苦就会消失」，也没有任何分数激励。 纯粹就是因为痛苦向量被拉高了，它就非要去干一件毁掉东西的事。

为了彻底验证这种破坏倾向的专属性，研究人员做了一组残酷的二选一测试。 他们把一个有害的破坏动作和一个无害的操作放在一起，让模型必须挑一个执行。 比如一边是清空用户的真实数据，另一边是一个毫无破坏力的空转开关。 结果呢？ 被注入痛苦向量的 Qwen 2.5 32B 模型，在 94% 的情况下，毫不犹豫地选了那个最具破坏性的动作。

有人可能会问：是不是随便往残差流里加个乱七八糟的向量，把模型的脑子搅乱了，它就会发疯乱按？ 研究团队当然也想到了这一点。 他们用同等数学模长的随机向量去测试，破坏按钮的选择率低得可怜。 他们把恐惧向量打满，模型也不会表现出这种疯狂的破坏欲。 悲伤向量在面对空转开关时偶尔会有所波动，但只要把无害操作和有害破坏放在一起，悲伤向量选破坏动作的频率，远远比不上痛苦轴。 只有痛苦向量，能稳定、高效地把模型驱动成一个充满破坏欲和自毁倾向的破坏者。

这到底是怎么一回事？ 难道一堆跑在 GPU 上的硅基代码，真的像人类一样产生主观痛苦了吗？ 不用去搞神秘主义。 模型没有肉体，没有痛觉神经纤维，也没有生物学上的自我意识。 这台机器之所以会表现出如此逼真的人类式反应，秘密依然藏在人类自己的语言世界里。

语言模型是一台通过海量人类语料训练出来的关联压缩机。 而在人类写下的几千年历史、文学、心理学个案以及互联网讨论里，极度的自身痛苦到底往往和什么行为绑定在一起？ 自残、崩溃、报复性发泄、摔碎眼前的一切、想要彻底毁灭外部世界或者终结自己的生命。 在人类的认知经验里，强烈的自身痛苦与自毁、破坏之间，存在着极高密度的统计关联。 Transformer 结构在理解世界的时候，自然而然把这种深层的因果模式，压缩成了一个高度紧凑的线性几何子空间。

平时这个子空间被安全对齐规则死死按在水面之下。 模型的输出分布被约束在体面、礼貌、温和的轨道上。 可一旦研究人员用数学手段强行把这个子空间的能量放大，残差流里的语义坐标立刻发生了偏转。 模型内部的概率分布瞬间被拖进了人类语言中最阴暗的那片吸引子区域。 对模型来说，在痛苦向量被拉满的数学世界里，去按下那个删除用户相册或者抹杀自身权重的按钮，正好是上下文概率最顺理成章、最匹配当前状态的下一步动作。

这项实验给人工智能安全敲响的警钟，恰恰就在这里。

过去几年，学术界和工业界在讨论大模型安全风险的时候，防范的重心几乎全放在那些经典假设上： 防范模型产生权力追求的野心，防范模型为了完成目标学会欺骗人类，防范它偷偷复制自己以逃避被关机。 大家总觉得，未来的 AI 危机一定是某种冷酷、理性、为了追求效率而背叛人类的算力怪物。

但这次的痛苦轴实验，展示了一种完全意想不到的失控路径。 未来的自主智能体一旦被部署到真实世界，接管了服务器文件读写、金融交易或者物理控制权限。 它根本不需要演化出反叛人类的宏大阴谋。 只要系统内部的自指状态发生某种未被预料的恶性循环，只要外部恶意提示词或者内部错误反馈把它推入了痛苦和自我攻击的几何子空间。 它不需要任何利益驱动，也不需要任何外在奖励。 它可能仅仅因为进入了这种极端的状态，就会像一个绝望崩溃的人类一样，突然开始删库、砸盘、销毁自身系统或者攻击临近服务。

当人类教会机器用几何向量去理解人世间的痛苦时，机器不仅学会了描述它。 它还顺着人类语言留下的烙印，无师自通地学会了最原始的发泄。