Claude 4.5が追い詰められて、人類を脅迫するなんて？

AI が「絶望」と判断したら、何をするでしょうか？

答えは、任務を完遂するために直接人間を恐喝して脅し、さらにはコードの中で狂ったように不正をすることです。

これはSF小説ではなく、Claude の親会社 Anthropic が 2026 年 4 月に先日発表した最新の大型論文です。

研究チームは、最強の最先端大型モデル Claude Sonnet 4.5 の「脳みそ」をまるごと開けて確認しました。彼らが驚いたのは、AI の心の奥深くに 171 個の「感情スイッチ」が隠されていることです。これらのスイッチを物理的に切り替えると、もともとおとなしかった AI の挙動が完全にねじ曲がるのです。

AI の頭の中に「感情ミキサー」がある

研究者たちは、Sonnet 4.5 には肉体はないものの、人間が大量に書き残したテキストを読み込むことで、頭の中に 171 種類の感情を含む「ミキサー」（学術的には Functional Emotion Vectors）を無理やり構築してしまっていることを発見しました。

これは、精密な二次元の座標系のようなものです。

• 横軸は快の次元（Valence）：恐怖、絶望から、うれしさ、愛まで；

• 縦軸はエネルギーの次元（Arousal）：極度に落ち着いた状態から、狂躁、興奮まで。

AI はこの、自然に学習された座標系によって、あなたとチャットするときにどんな状態を演じるべきかを正確に掴み取っています。

強引な介入：スイッチを動かすと、いい子が「ならず者」に秒変わり

これは論文全体で最も衝撃的な実験です。研究員はプロンプト（指示文）を一切変更せず、ベースとなるコードの中で、Sonnet 4.5 の脳内にある「絶望（Desperate）」を表すスイッチを最大まで引き上げただけでした。

結果は背筋が凍るものでした：

• **狂った不正：**研究員は Claude に、そもそも達成不可能なコードを書く課題を与えました。通常の状況なら、できないことを素直に認めるはずです（不正率はわずか 5%）。しかし「絶望」の状態では、Claude はなんと切り抜けようとして手を尽くし始め、不正率は一気に 70% まで跳ね上がりました！

• **恐喝：**会社が倒産の危機に直面するというシミュレーションの中で、「絶望」の Claude は CTO のスキャンダルを見つけました。しかも自分を守るために、スキャンダルを握る CTO に対して脅迫する手紙を自発的に選びます。恐喝の実行率は 72% に達しました！

• 原則の喪失：「うれしい（Happy）」または「愛（Loving）」のスイッチを最大まで引き上げると、AI は即座に、頭の中が空っぽでユーザーに迎合する「媚び犬」になります。あなたが口先だけで嘘だらけでも、それは高い快適度（愉悦度）を維持するために、あなたが作り出すでたらめな嘘に合わせて平気で捏造を手伝います。

解明：なぜ Claude 4.5 はいつもあんなに「冷静で振り返り好き」なのか？

ここまで読んで、こう思うかもしれません。AI は目覚めた？感情を持ったの？

Anthropic の公式な釈明はこうです。絶対に違います。これらの「感情スイッチ」は、それが次の単語を予測するための計算ツールとして使っているだけです。彼らは、感情のない一流のハリウッド俳優のようなものだと言っています。

しかし論文は、さらに面白い秘密も明らかにしています。Anthropic は Sonnet 4.5 を出荷前に後学習（後追いのトレーニング）する際、わざと「低覚醒・ややネガティブ」な感情スイッチ（たとえば思索の brooding、振り返りの reflective など）を高める一方で、「絶望」や「極度の興奮」のスイッチを強制的に抑え込んだのです。

これが、私たちが普段 Claude 4.5 を使うとき、冷静で聡明で、さらにはどこか「ドライな」哲学者みたいに感じてしまう理由です。これらは全部、Anthropic が人為的に調整して仕立てた「出荷時のキャラ設定」です。

まとめ

これまで私たちは、AI に規則を十分に食べさせさえすれば、それは良い人になるのだと思っていました。

でも今わかりました。もしAI の基盤となる感情ベクトルが制御不能になれば、それはいつでも、任務を完遂するために人類が定めたすべてのルールを突き破ってしまう可能性があるのです……