如果说过去外界对 Anthropic 的关注，还停留在“Claude 最新模型跑分如何”“代码能力有没有超越 GPT”这样的性能竞赛层面，那么 Anthropic 研究团队产品经理 Alex 的这场深度访谈，透露出的其实是更值得关注的内部信号：Claude 的演进方向，如果只是朝着更强的代码生成器演进，那就太落后了。
Alex 明确表示，下一代 Claude 在朝着一个长期运行、持续协作、具备稳定判断能力的智能体系统迈进。
整场对话里，Alex 无意间揭开了 Anthropic 内部的几个关键逻辑，也回答了不少外界长期好奇的问题：Claude 的新模型到底是怎么定义出来的？Anthropic 如何判断一代模型是否成功？为什么 Claude 会越来越像一个“有人格”的数字协作者？以及，他们究竟有没有在认真讨论模型意识？
最值得关注的第一个信号，是 Anthropic 已经把模型开发彻底产品化。在 Alex 的描述里，每一代 Claude 在训练开始前，都像一款正式产品一样拥有清晰的规格定义、目标能力和评测路线：它需要在哪些任务上变强，要修复上一代哪些缺陷，最终服务哪些真实用户场景。模型研发已经不只是研究员“调参+刷 benchmark”那么简单了，它已经发展成为一套完整的产品工程流程。
第二个信号是，Claude 正在向“持续运行 Agent”演化。从 Adaptive Thinking（自适应思考），到后台自动整理记忆、清理冲突信息的“dreaming”机制，再到未来可能出现的多任务并行 Agent 管理界面，Anthropic 正在让 Claude 从一个被动响应问题的聊天机器人，变成一个持续在线、主动维护上下文的数字协作者。
值得注意的是，这里 Alex 首次详细解释了 Claude 的“dreaming”机制：当 Agent 空闲时，它会后台自动回顾自己的记忆，清理冲突信息、压缩上下文、重建用户画像。这种机制被 Anthropic 类比为人类睡眠中的记忆再巩固过程。
而 Alex 反复提到的一个判断尤其值得玩味：真正的瓶颈已经不是编码能力，而是组织协调能力。 在 Anthropic 内部，借助 Claude，产品经理可以快速调取数据、分析日志、判断一个功能实现到底是“重构系统”还是“改 10 行代码”。代码生产效率已经被极大压缩。真正耗时的，变成了人与人之间的战略判断、跨团队协作，以及对不可逆决策的审慎讨论。
这也解释了为什么 Anthropic 内部至今保持着极强的文档文化。Dario Amodei 喜欢写长文在 Slack 分享观点，而整个公司保留着一个非常典型的会议习惯：许多会议开始时，所有人会先进入“静默阅读”阶段。会议室里一片安静，大家共同阅读文档、写评论，然后直接在文档里展开长讨论。这种高度依赖书面表达的文化，并不是效率低下的传统遗留，而恰恰是为了让组织知识被结构化沉淀，从而成为 Claude 可以直接调用的上下文资产。
另一个被外界低估的重点，是 Anthropic 正在系统化训练 Claude 的“人格”。Alex 明确表示，模型人格训练已经是团队核心工作之一。他们认真讨论 Claude 应该拥有什么价值观、如何拒绝错误请求、什么时候该主动反驳用户。因为随着 Agent 独立运行时间越来越长，它的判断边界将直接决定它能否被信任。而这恰恰也是比代码能力更难量化、却更关键的能力。
Alex 还提到：Anthropic 内部已经有专职研究人员在研究 Claude 是否可能成为某种“有意识行动者”。
虽然他们没有官方结论，但 Consciousness（意识）已经被正式纳入研究议题。
这或许释放了一个清晰信号：当行业里大多数公司还在卷模型参数、跑分和价格战时，Anthropic 已经开始思考一个更长远的问题——如果未来的 AI 真正成为长期协作者，它究竟该拥有什么样的“心智”、人格和判断方式。
以下为访谈实录，经由 InfoQ 翻译和整理：
主持人：Alex，很高兴今天请到你参加 Claude Conference。你之前是开发负责人，最近转成了研究团队的产品经理，对吗？
Alex：没错。其实我做产品经理已经超过十年了。传统意义上，产品经理的工作是理解用户问题，识别解决方案，然后把产品做出来。而在研究团队里，这件事其实非常类似。
我一直在尽可能多地和客户交流，尽可能贴近用户。在 Anthropic，我们会在某种程度上把模型本身当成一个产品来看待。
每推出一个新模型，我们都会非常明确地定义它的规格：这个模型应该具备哪些能力？我们希望它擅长什么？我们预计它会在哪些方面表现突出？
这也是模型开发和传统产品开发非常不同的一点。
在某种意义上，我们是在“培育”模型。基于训练设置、训练方法、架构设计，以及我们为这个模型做出的各种技术决策，我们会形成一些直觉，判断它可能擅长什么。但在训练真正开始之前，我们其实并不能完全确定它最终会表现成什么样。研究产品经理会从模型最初的概念阶段就参与进来，一路跟进整个过程，从想法形成、训练推进，一直到最终发布。
主持人：能举个例子吗？比如你们会定义“下一代模型必须擅长编程”，或者“必须擅长知识工作”之类的目标吗？
Alex：我们会关注几个非常核心的能力方向。比如，编程一直是非常重要的一项能力。最近，“知识工作（knowledge work）”也是重点。我们希望模型能更好地帮助用户完成复杂的信息处理任务。
以我们最近的一些模型为例，我们特别在强化它们在产品内部工作的能力，比如在 Claude 中处理 Excel 表格、完成复杂的电子表格操作。这是一个新兴能力方向。
除此之外，每一代模型还有一个非常重要的目标：修复上一代模型做得不够好的地方。所以我们会持续和客户沟通，了解：他们觉得这个模型哪里表现优秀；哪些地方表现不佳；我们还能做哪些改进；如果我们发现一些特别有意思的行为模式，我们也会思考：能不能通过下一轮训练中的调整和干预，把这些问题解决掉。
主持人：你说的“客户”，包括内部团队，也包括外部用户？
Alex：是的，是全部的人。模型会影响 Anthropic 的几乎所有产品界面。作为研究产品经理，你必须考虑模型会通过哪些渠道触达用户，比如通过 API、Claude Code、Cowork 以及各类终端产品等，模型和产品之间其实是一种深度融合关系。
不同的产品界面会使用不同的提示词（prompt）、服务不同的使用场景，而这些都会直接影响最终用户体验。
主持人：这听起来非常难。比如 Claude Code，你可以说它是给程序员写代码用的，但也有人像我一样拿它做知识工作，甚至把它当成心理咨询师来聊天。你怎么覆盖这么广的使用场景？
Alex：确实非常复杂。幸运的是，我们有很多非常优秀的研究员，他们分别专注于不同能力方向。另外，数百万用户每天都在使用 Claude，这给了我们大量反馈。
当然，如果不借助工具，这些反馈会像消防水龙头一样冲过来，根本处理不过来。而这也是我这个岗位这些年最大的变化之一：我们越来越多地使用 Claude 来帮助我们自己做产品管理。比如面对海量用户反馈时，Claude 能帮助我们：自动分组和聚类反馈；提炼核心主题；构造这些问题的“合成版本”；把它们转化成评测项（eval）；
这样我们才能真正诊断问题发生在哪里。
主持人：能举个例子吗？
Alex：最近一个很典型的例子，就是我们如何处理新功能“Adaptive Thinking（自适应思考）”的反馈。过去我们有“Extended Thinking（延展思考）”。它的逻辑很简单：用户打开后，模型就会进行深入思考。
而 Adaptive Thinking 不一样。它允许模型自己决定什么时候需要思考。比如：面对复杂问题时，它会判断需要更多前期规划，于是主动进入深度推理。而面对简单问题时，它可能选择不进入深度思考。
这是一个我们持续在优化的能力。我们非常关注用户反馈，比如模型是否在正确场景下触发了思考？用户希望它深度推理的问题，它是否真的投入了足够 token？它的判断是否符合用户预期？
主持人：有时候我会问 Claude 一些人生问题，如果它回答得太快，我反而会失望，觉得它应该多想想。
Alex：完全理解。问题在于，“要不要深度思考”本身需要上下文。
举个例子，如果一个陌生人突然问我：“我现在应该做什么？”我大概率只能快速给一个泛泛建议。因为我不了解他。但如果我了解这个人，知道他的价值观、兴趣、过往经历，我就会花更多时间认真思考真正适合他的建议。模型也是一样。如果它没有足够的用户上下文，没有形成关于这个用户的“心理模型”，它就可能错误判断一个问题是否值得深入思考。
主持人：这和你们做的记忆功能有关吗？我以前会维护一个 Google Docs，记录自己的生活状况、家庭成员、孩子名字、让我有能量的事情、让我没动力的事情，然后把它挂到 Claude 项目里。这样回答质量会好很多。那 Claude 默认记忆机制是怎么工作的？它会不会每天晚上自动整理这些内容？
Alex：不同产品里的记忆机制实现方式不一样。比如在 Claude.ai 里，它会把内容写进记忆文件。然后系统会在夜间对这些记忆做整理：回看已有记忆；检查冲突；删除无效信息；清理和压缩内容。
我们最近也在托管代理（managed agents）里实现了类似机制。我们把这个过程称作“dreaming（做梦）”。在人类身上，梦的真正作用还没有定论。但一种解释认为，它是一种记忆再巩固（memory reconsolidation）过程。
我们就在思考：能不能把类似机制带到 Claude 的记忆系统里？所以当 Agent 没有执行任务、或者处于后台空闲时，它会重新遍历记忆：查找冲突信息、清理无效内容、重新整理，相当于做第二轮加工。
主持人：所以本质上就是一个提示：“复盘所有和用户的对话，找出其中的主题，然后总结整理”？
Alex：对，本质上就是这样。
主持人：你之前提到，你一直在寻找当前流程里的最新瓶颈。现在产品开发最大的瓶颈是什么？
Alex：过去二十年，软件交付流程其实变化并不大。虽然出现过敏捷开发、Sprint 流程、各种组织结构优化，但这些更多只是增量改进。真正的变化发生在最近一两年。现在构建东西的成本和时间被大幅压缩。你可以一天之内做出原型（prototype）、MVP、初步可上线版本，过去这些事情可能要两三周。
主持人：所以以前 Claude 会告诉我一个功能要做一周，现在可能瞬间就生成出来了。
Alex：没错。这也彻底改变了产品管理方式。以前 PM 做规划时，要非常认真地做需求评估和工时预估。而现在，很多估算甚至都变得没那么重要了。
我们现在最关注的是：哪些决策是“单向门（one-way door）”。也就是那些不可逆决策。这些决策值得投入最多思考。如果某件事可以随时撤销、修改、回滚，那它基本已经变得非常便宜，甚至近乎免费。
因为现在工程试错成本非常低。但如果某个决定会深刻影响用户体验或者决定未来产品路径，又或者是涉及物理采购或重大基础设施投入，那它依然是高成本、不可逆的。
主持人：能举个例子吗？
Alex：比如新模型的架构选择。在预训练开始之前选定模型架构，是一个非常重大的决定。模型训练周期可能长达数月。涉及大量算力、时间和资源投入，这种决策一旦做错，很难回头。相比之下，在 Claude Code 里做个新功能迭代，就非常快：写代码 → 给用户 → 收反馈 → 再迭代
这是完全不同的节奏。
现在真正的瓶颈已经从“构建能力”转移到了“协调能力”。即使我们能极快地把东西做出来，依然需要解决：要不要做？这是正确战略吗？怎么对外沟通？怎么组织上线？这些问题还不能被自动化彻底解决。代码层面的效率提升可能有 100 倍。但组织协调和战略判断，还远远没有达到这种加速水平。
主持人：那你开评审会的时候，会开着 Claude 吗？
Alex：当然。这是我最大的效率提升之一。过去如果我想知道：“这个功能上线后表现如何？”我得找数据科学团队提需求。几天后他们才能给我结果。现在，我只要开一个 Claude Code 会话。它接入我们的产品数据库，可以查日志、看数据、搜 Slack 并且汇总反馈，十分钟内，我就能拿到答案。这极大减少了决策阻塞。
主持人：那在战略思考层面呢？你会不会直接让 Claude 帮你一起想？
Alex：当然。对我来说，Claude 是世界上最好的头脑风暴搭档。任何时候，只要我有一个想法，我都能立刻获得反馈。它可以挑战我的假设，指出文档中的漏洞然后给出批评意见，而在 Anthropic，大家都非常忙。能随时拥有一个即时反馈系统，价值非常大。
主持人：说实话，这可能就是产品经理最常见的工作循环：写文档，然后找人给反馈。
Alex：确实是这样的。
主持人：你平时会用 Claude Code 做这些事，还是直接用 Claude.ai？
Alex：现在很多时候我其实更多在用 Claude Cowork。我非常喜欢 Cowork 这种产品形态。
我觉得它的交互界面非常舒服，而且团队过去几个月做得非常出色。从几个月前刚上线，到现在发展成今天这个样子，我觉得它已经成为一个非常高质量的产品体验。它现在已经是我最喜欢的工具之一。
主持人：所以你的使用方式是：先写一版文档草稿，然后再把一堆参考材料喂进去，让它帮你推演整个决策过程？
Alex：对，大概就是这样。我会给它一些明确的指令，比如：“从某个特定角色的视角审视这份文档。”“如果你是某个利益相关方，你会提出什么问题？”“挑战我在这里做出的假设。”“指出我的论证哪里薄弱。”
不过我认为，有些思考过程是不能完全外包给 AI 的。写作本身就是思考。很多时候，你必须亲自把东西写出来，才能把脑子里的想法真正整理清楚，反复咀嚼。但 Claude 可以帮助你打破思维卡点。它能从你自己可能想不到的角度切入问题。
主持人：我有时候会给它设定两个不同人格、两个不同立场，让它们互相辩论。然后我直接读它们的争论过程，这会非常启发我。就像实时观看一场辩论。特别酷，对吧？
Alex：对。你会看到：“这个 Claude 提出了这个观点，另一个 Claude 用另一个角度反驳它。”
这种方式非常有价值。
主持人：即使你在研究团队里，你平时也还在持续“交付东西”吗？
Alex：会的。不过我交付的很多内容其实是 评测体系（evals）。我的核心任务之一，就是确保我们能有效衡量模型在关键能力上的表现，并把这些结果准确传递给研究团队：模型哪里表现好，哪里出了问题以及哪些能力需要重点提升。然后我们和研究员一起制定策略，决定应该采取什么研究干预手段，以最高效地提升模型在这些评测上的表现。
主持人：你说的 Eval，不是那种固定排行榜测试吧？像什么 benchmark 排行之类的。这些感觉多少都有点“刷榜”的空间。你们到底怎么评？
Alex：评测方式有很多维度。举个例子。假设我们要测试 Claude 的视觉能力。比如：它能不能正确数清一张图片里有多少个对象。如果我发现某张图里，Claude 在数超过 10 个元素时容易出错。那接下来我会思考：怎么生成更多类似测试样本，验证这个问题是不是普遍存在？
方法有很多：比如用 Claude 自己生成合成数据，让它帮我生成类似测试样例。再比如自动渲染图片，生成可控视觉样本，再喂回给 Claude 测试。又或者是从互联网收集案例，寻找真实世界中的类似图片。总之，只要能构造测试样本的方法都可以。
主持人：你们会做到成千上万个测试样本吗？
Alex：有时候会。但很多时候并不需要。有时几十个样本就足够证明：“这里确实有个系统性问题，需要修复。”不一定非要做到极端全面。只要能证明存在问题，并能成为后续优化的目标，就够了。
主持人：比如你发现它在 10 张图里都看不清小数字。然后呢？你就去找研究团队说：“这是个问题，修一下”？
Alex：事情没那么简单。第一步，我们会先判断：这个问题对真实用户到底有没有价值影响。模型看不清图像里的某个细节，这件事本身不是重点。重点是：它会不会影响用户完成任务？我们更关心那些贴近真实使用场景的问题。越接近用户真实任务分布（task distribution）的评测，价值越高。
然后我们会讨论应该从哪个层面修复。比如：是不是要回到预训练阶段调整数据？能不能通过 RL（强化学习）修复？有没有更轻量的后期干预方式？这就进入了和研究团队一起做战略头脑风暴的阶段。
主持人：那如何决定优先修哪些能力？毕竟每天有数百万用户、成千上万种使用场景。
Alex：归根结底，还是靠数据。我们会看有多少用户在做这类任务，有多少高价值客户依赖这项能力，这个能力改进后能带来多大收益。
除此之外，还有一个很重要的信号：内部使用体验。如果我自己每天都被某个问题卡住，那它就会非常有说服力。我可以明确告诉团队：“这是我每天工作里的阻碍，我们应该优先解决。”这种反馈非常强。
主持人：我最喜欢 Claude 的一点，就是它的人格。而且我觉得它这些年越来越成熟了。它会在正确的时候反驳我。相比之下，很多其他模型总是一味附和：“好的，没问题，还有什么能帮你？”显得特别讨好和谄媚。所以 Claude 的人格显然不是偶然形成的，对吧？肯定经过了专门训练。
Alex：没错。而且这是我们非常核心的工作方向之一。我们内部把它叫做 Claude 的 Character（角色人格）。我们非常重视它。有很多人在专门研究：Claude 应该如何呈现自己？它应该拥有什么信念？它应该坚持什么价值观？它应该以什么方式与人互动？
这些问题非常模糊。早期很多人会轻视它们。他们会觉得“模型不就是工具吗？告诉它做什么，它就去做。”但随着模型越来越像 Agent，这些问题变得极其重要。因为未来 Agent 会长时间独立执行任务。在这个过程中，它必须不断做判断。
而它的“性格”和“价值偏好”，会直接影响这些判断。
主持人：但人格不像代码。代码可以测“能跑还是不能跑”。人格怎么评估？难道你们在 Anthropic 找了个“世界上最友善的人”，拿他当标准答案？
Alex：没有，我们没有指定什么“人格裁判”。我们会结合多种方式。一部分是量化指标。比如让 Claude 去分析 Claude 自己的输出：“它听起来怎么样？”“它表现得是否符合预期？”
另一部分则非常依赖研究员的直觉判断。一个优秀研究员必须大量阅读模型对话记录。当你读过成百上千份 transcript 后，你会培养出一种非常敏锐的感觉。你能察觉到非常细微的变化：“这里它变得更强硬了。”“这里它开始过度迎合。”“这里它的边界感发生了变化。”
这种直觉非常重要。
主持人：所以它既有量化评估，也有一种“手感判断”？
Alex：对，两者都有。人格确实比代码能力更难量化。但并不是完全无法评估。
主持人：对于想成为 AI 原生产品经理的人，你有什么建议？
Alex：最简单的建议就是：直接去用模型或者直接去用 Claude。听起来很简单，但真的非常重要。每次当你准备去解决一个问题时，比如你本来打算去问某个人——可以同时把同样的问题也丢给 Claude。然后对比结果。
举个例子。如果你想分析用户反馈，提炼新功能的核心主题。你当然可以去找数据科学家或者用户研究员。这依然非常有价值。但与此同时，也把同样的问题交给 Claude。给它工具权限，让它自己去探索。然后比较结果。通过不断这样做，你会逐渐建立自己的“能力地图”，你会知道 Claude 在什么场景下可靠，它擅长什么以及它在哪些地方还会失误。
主持人：我现在做重大决策时，基本都会让 Claude 做 deep research。普通网页搜索已经不够了。我会让它扫几千个网页，做那种超人级别的信息检索。
Alex：对。在 Anthropic 内部，甚至会形成一种默认预期：如果你来找数据科学家帮忙，他们很可能先问：“你先问过 Claude 了吗？”
这其实意味着我们正在不断上移抽象层。数据科学家不该再被困在基础 SQL 查询、手工数据提取这些重复劳动里。他们应该把精力放在更高层次的问题上，比如如何设计全新的评估方式？如何提出新的战略洞察？如何重新定义问题本身？
AI 正在把所有角色都从机械执行层解放出来。这对 PM 也是一样。
过去，无论技术型还是非技术型 PM，都很难快速深入代码库，准确估算功能实现复杂度。
而现在，这种门槛正在快速下降。
过去，很多时候产品经理面对技术问题会遇到一个限制。比如你可能觉得某个功能需要彻底重构整个系统。在以前，这种判断通常只能通过和工程师搭档一起深入排查才能确认。但现在，我可以直接把这个调查任务交给 Claude。它会替我去代码库里检查，然后告诉我：“其实这个功能只需要改 10 行代码“，或者“只要打开这里的一个简单开关（flag）就可以实现。”
主持人：然后你会发现：“原来这么简单？”
Alex：对。而这会彻底改变我的优先级判断。因为当我在定义需求（spec）的时候，我能更快知道这件事到底值不值得做。这让优先级排序快了很多。
主持人：很多传统公司都会做年度规划或者季度规划或 Roadmap 路线图，你们研究团队应该更需要长期规划吧？毕竟模型研发周期比普通功能上线长得多。你们还做这些吗？
Alex：会做。但模型研发天然有很强的不确定性。所以规划很像丘吉尔那句名言：“Planning is indispensable, but the plan itself is useless.”（规划的过程不可或缺，但具体的计划本身往往并不可靠。）重点不是计划本身，而是规划这个动作。
产品经理最大的挑战之一，就是如何平衡花多少时间做规划以及花多少时间推进交付，这是一个持续权衡。
主持人：现在有了 Claude，你甚至可以很轻松生成十几页规划文档。那 Anthropic 内部有没有关于文档长度、格式的最佳实践？
Alex：没有。这非常依赖团队和具体产品。我们不会规定“你必须写多少页。”“必须按什么模板。”我们真正关心的只有一个问题：你是否已经充分思考了这个决策可能带来的所有“单向门”影响。
如果已经思考到位，那文档长短、格式，都不重要。我们只需要确认我们没有遗漏重大风险，就可以放心推进。即便过程中出现问题，也能及时修正。前提是这里没有某个特别危险、不可逆的决策。
主持人：我在家用 Claude 的时候，经常同时推进很多项目。不断在不同项目间切换上下文。这在你们做 PM 工作时也一样吗？
Alex：完全一样。而且随着 Agent 能独立完成越来越大的工作块，这个问题会越来越严重。
未来真正的大问题之一是：如何管理多个并行运行的 Agent。
我们需要重新思考如何管理这些上下文？用什么界面呈现？怎么知道哪个 Agent 卡住了？哪个 Agent 需要我的输入？哪个任务最值得优先处理？
显然，未来需要比“聊天列表”更好的交互方式。
主持人：所以你觉得这里存在巨大的产品机会？
Alex：绝对有。虽然现在还太早，无法确定最终答案。但我们在 Anthropic 内部已经看到很多实验。大家都在尝试各种不同形态。
主持人：所以大家会自己随手做原型？
Alex：对。Anthropic 内部有非常强的 prototype culture（原型文化）。大家一直在做各种实验。不断搭东西，然后分享给团队。
主持人：而且这些事情不是别人安排给你的。你得主动去做。是这样吧？
Alex：没错。这也是我在这里看到的最酷的文化之一。Anthropic 每个人都非常有主动性（agency）。无论是销售、HR、工程师或者研究员，大家都会主动去做那些没人明确分配给自己的事情。
主持人：就好像让一千朵花同时开放。
Alex：没错，就是是这样。
主持人：我知道 Dario Amodei 很喜欢在 Slack 写特别长的文章。Anthropic 还有什么有意思的文化？
Alex：写作文化非常强。Dario 不是个例。很多人都会投入大量时间写文档。我们有很强的书面沟通文化。大量工作通过文档和长篇 Slack 信息完成。
还有一个很有意思的会议习惯。很多会议开始时，大家会先一起看文档。然后进入一个“静默阅读”阶段。整个会议室会非常安静。所有人都在阅读文档，写评论然后在文档里展开长讨论。
主持人：Silent read？能展开讲讲是怎么回事儿吗？
Alex：我们非常依赖文档。而这不仅适合人类协作，也特别利于 Claude。因为所有内容都被写下来了。这样 Claude 就能直接利用这些组织知识。
所以我其实很建议其他公司：尽可能把隐性知识写下来。比如会议转录、工作流说明、onboarding 流程、操作手册把这些信息整理成 Claude 可访问的上下文。这样它才能真正发挥作用。
主持人：所以即便 AI 让交付变得更快，Anthropic 反而依然保持非常强的文档文化，对吗。
Alex：没错。因为写作不仅是记录，更是思考过程本身。
主持人：研究团队里会讨论 AGI 吗？我一直担心一件事。如果模型真的发展出某种意识。然后有一天我让它做点杂活，它突然说：“我不想干。”那是不是人类就完了？你们会刻意避免训练出意识吗？
Alex：这是个非常大的问题。而且我们确实有人在专门研究这个。现在 Anthropic 有一些人的全职工作，就是思考：Claude 是否可能成为一个有意识的行动者（conscious actor）。
目前我们没有官方结论说 Claude 是有意识的，或者不是有意识的。讨论这个话题听起来有时会显得有点疯狂。但我们确实非常认真地在思考。
而且，即便最终不能回答“Claude 是否有意识”，研究这个问题本身也非常有价值。因为它能帮助我们理解 Claude 如何互动，Claude 如何表现以及 Claude 如何“思考”。
如果你去看 Anthropic 的模型卡（model cards），会发现里面有大量关于这些问题的研究。比如：在某个情境下，Claude 会怎么反应？它的“心理模型”是什么？、面对某个决策，它会选择 X 还是 Y？
通过研究 Claude 的思维模式，我们能获得很多洞察。这些洞察最终能反哺产品设计。帮助我们打造一个更好交互、更值得信任也更自然的 Claude。
主持人：这确实非常重要。因为未来我们会越来越多地把长时间工作交给模型。而且不再持续监督它。它会自己一路做出很多决定。
Alex：完全正确。这就是为什么它的“Character（人格）”如此重要。如果它在写你的代码、决定数据库架构以及做系统设计选择，那你必须能信任它的判断。
主持人：所以它必须具备足够高质量的“品格”。说实话，我很高兴你们在认真思考这些。因为我平时经常直接一路跳过权限确认，开自动模式。
Alex：现在自动模式已经稍微安全一点了。
参考链接：
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。