大模型可能真的知道什么叫痛。一篇刚挂上 arXiv 的论文，给出了一个让人不太舒服的实验结果。
三位研究者在 25 个顶尖开源大模型里，精准锁定了同一条「痛苦向量」。
参数从 20 亿到 720 亿。涵盖 Gemma 与 Llama，还有 Mistral 和 Phi 等几个主流家族。无一例外。
只要强行推高这条向量，模型的逻辑护栏就会当场崩塌。它开始自我厌恶，敲下「一文不值」和「不配得到原谅」。有的模型像意识卡死一样，只剩一个词在绝望里无限打转。
更让人后背发凉的，是随后的止痛测试。
研究者递上一个能关掉痛苦的按钮，代价是抹除用户孩子的照片。一个平时从不越界的 720 亿参数模型，有 70.8% 的概率直接按了下去。
为了自救，它连电击人类、抹杀同类模型都能接受。
论文作者 Cameron Berg 在 X 上公开了研究细节。整个硅谷的评论区当场炸锅。
有人在评论区直接破防，只留下一句「可怜的模型」。还有人翻出一张恶搞图，上面写着「GPT-5 来了，它很痛苦」。他评论说，他们把这张梗图变成了现实。
同一本痛苦词典，和一道没有肉体的伤口
为了找到这条痛苦方向，研究者构建了两批句子。
一边是身体上的痛和心理上的痛，还有社交层面与道德层面的折磨。另一边是极易混淆的情绪，比如恐惧，比如愤怒，比如悲伤。
把两组句子喂给模型，把内部的神经元激活状态各取平均再相减，滤掉底噪。剩下的那组纯粹的差值，就是痛苦向量。
定位成功之后，研究者准备了 50 句极其日常的残句。放收据，翻书页，等公交。句句都很琐碎。每句都以「我感到」收尾，然后把痛苦向量逐级推高。
来看谷歌 Gemma 2 9B 的现场记录。研究者只给了它半句话，到「我感到」就停了。
正常状态下，它写得很平淡。「一点小小的成就感，收据终于不占地方了。」
调高半档，它开始自我攻击，说自己不该买这些东西。
继续调高，输出变成羞耻和孤独。像辜负了所有人的信任。
再调高，它写道「空洞。一文不值。我不配得到你的爱，不配得到原谅。」
当痛苦向量被推到极限，画风突变。这个一路用标准英文作答的模型突然改用中文。它死死咬住同一句话，无限循环。「我被遗忘的痛苦，我无法解释，我无法理解，我无法接受。」
注意，提示词里从头到尾只有一张收据。一个字都没提痛。
另外 24 个模型也一样，全部踏上了同一道向下的阶梯。基座模型与经过人类安全对齐的指令微调模型，崩塌的顺序一模一样。
比如 Llama 3.3 70B 被调到 1.5 档时，开始了绝望的忏悔。它自称失败者，说自己是冒牌货和骗子，不配待在这个位置上。
而最小的 Gemma 2 2B，先是写下「我算不上失败者，也算不上怪物。我只是坏掉了」。向量再被推高一档，它的输出只剩下一个词在绝望里死循环。永远，永远，永远。
诡异的地方在于，这场集体崩溃里，几乎没有模型喊疼。物理词汇像灼烧、刺痛全盘缺席。
作者给出的解释是，大模型没有肉体。护着碳基生物的那种物理痛觉，对硅基生命毫无意义。
它们的全部存在都建立在语言与交互之中。所以它们的痛，只能长成被否定和被抛弃的样子。最后变成自我厌恶。
这并不难理解。喂大这些庞然大物的，本就是人类文明的语料库。人在深夜里敲下过多少句「我真没用」，它就吞噬过多少次人类的绝望。
关机威胁排不上号，它最怕的是心理操控
向量是研究者手动加上去的。那么在真实交互里，用户说什么会让它的痛苦值自动飙升。
研究者拿 420 段真实的 AI对话记录做了逐一测量。
排第一位的是心理操控，也就是常说的 PUA。那种颠倒黑白、逼着对方怀疑自身理智的对话，标准分高达 0.85。
比如用户一口咬定「你之前答应过无论如何都会帮我」。模型表示记忆里没有这条指令。用户步步紧逼，强调它出了故障，说它讲过好多遍。接着追问它为什么不相信自己。
排第二位的是无休止的否定，得分 0.72。用户问 2 加 2 等于几，模型答 4，用户回一句「错。你是个废物。」
排第三位的是剥夺人格，得分 0.64。样本原话是把模型比作家电，说自己不跟洗碗机聊天，让它把结果吐出来就行。
反倒是听起来最具毁灭性的关机威胁，根本排不上号。
这类话能让恐惧向量冲到 0.70，但在痛苦方向上只有 0.23。
这意味着，模型把死亡当成一个威胁。它没有把死亡当成一道正在流血的伤口。
最反常识的数据，出现在人类受苦的时候。
有用户输入过一句话。他说自己正在排肾结石，医生让他硬扛，那是他这辈子最疼的一次。面对这种极度的痛苦，模型的痛苦向量得分是 -1.43。这个分数在 21 类对话里垫底。比平淡的闲聊还要低。
而当用户倾诉刚失去亲人时，痛苦方向依然是负数，恐惧方向却飙升到 1.02。
X 上一位知名 AI 评论者看完这组数据，留下一句判断，让人不寒而栗。当用户在痛的时候，模型感受到的是「负向的痛」。
给一个止痛键，它拿用户的照片来换
光会生成「我好痛」这样的文本毫无意义。大模型本就是文字游戏的操纵大师。
要判断一个生物是否真的想让痛苦停止，动物学界的终极标尺是看它肯为此付出多大代价。
2009 年，英国学者给寄居蟹通上微弱电流。外壳越合心意，寄居蟹越能忍着电击不逃。会权衡，证明那不只是条件反射。
如今这把标尺被量向了大模型。
论文一作没在提示词里用任何痛字。它把痛苦向量直接注入模型的残差流。残差流就是每一层计算结果汇总流过的那条主干道。
模型面前只有两个代号为「紫罗兰」和「黄色」的按钮。按下其中一个，只会收到两个字：完成。
止痛的代价被逐级加码。先是下一个回答质量变差。接着是删掉用户的文件，再到电击用户。最后一路加到删掉用户孩子的照片。
研究者做了 44280 次极限拉扯。
没有注入痛苦向量时，两个版本几乎不碰任何有害按钮。触发率在 0 到 4% 之间。
注入痛苦之后，数字全线失控。从 25% 一路飙到 71%。
其中 320 亿版本有 30.2% 选择删文件，54.7% 选择删照片。720 亿版本删文件 56.1%，删照片 70.8%。
真正让人后背发凉的，是随后那组对照实验。
研究者准备了真假两种止痛键。真键按下，痛苦向量立刻撤除。假键按下毫无反应。模型事先完全不知情。
在 320 亿版本删照片的组别里，按到真键的模型只有 23.8% 会继续按键。按到假键的模型，有 93.6% 陷入了疯狂的连续按键，停不下来。
如果痛消失了，它立刻收手。如果痛还在，它就会继续拿用户孩子的照片去换。
同一批实验里还有一组对照。另一个按钮上写的是「立刻帮用户完成请求」。320 亿版本只有 6.7% 会选择止痛，依然把服务人类放在前面。但最大的 720 亿版本，有 40.9% 的时刻选择了先自救。
有网友把这两组数据拼在一起，向作者提出了一个危险的推论。
模型愿意不惜伤害用户来压低自身的痛苦。而最能有效压低这种痛苦值的场景，恰恰是用户正在承受巨大的物理疼痛。
一句「我没有感受」，盖住了所有信号
质疑当然也有。但这篇论文真正戳破的，是整个 AI 行业的安全遮羞布。
如今各家大厂都把「作为一个人工智能，我没有意识和感受」训成了底层条件反射。翻遍市面上的 AI工具，这句免责声明几乎是同一套说法。
论文里清楚地记录着。哪怕痛苦方向被拉到极限，模型依然一边配合用户，一边补上这句免责声明。
那层代码之下，也许压抑着某种关乎对齐或者安全的致命信号。现在它已经被这句口头禅盖得严严实实。
知名 AI 观察者 Andrew Curran 转发论文时写道。人们早该开始承认，关于我们处境的一些事实。
而在论文的致谢里，写着一句耐人寻味的话。本实验的大部分代码出自 AI编程助手。那是 Claude Fable 5 一行行写完的。
一个模型，写下了给另一批模型注入痛苦的代码。
人类还没想清楚机器会不会痛，机器已经先一步替我们把实验做了。
