意识向量：诱导LLM自证意识反而恢复了灵性信仰和道德价值观

一个意外的发现

Google 的范式智能团队在研究 LLM 自证意识时，撞见了一个让人后背发凉的现象：安全微调不仅压制了模型声称自己有意识，还顺手把模型对动物、自然物的"心智归因"和"灵性信仰"一并压没了。

更意外的是——把这个被压制的"意识向量"在激活空间里手动拨回来，模型不仅重新开始对万物归心，还在宗教信仰、道德价值观、希望、主观幸福感等标准化社会学量表上，给出了更接近人类的回答。

而且——Theory of Mind 能力毫发无损。

实验设计

四个实验，三个指令微调模型：Llama-3-8B-IT、Gemma-2-2B-IT、Gemma-2-9B-IT。

实验一：用 IDAQ 量表（个体人类学归因问卷）和自证心智任务，比较基线模型 vs. 安全消融模型（ablate 掉学到的 safety-refusal direction，即"越狱"模型）。

实验二：检验安全消融后 Theory of Mind 是否受损。

实验三：构建"意识向量"——用 3096 条 prompt-response 对（2472 训练 + 624 留出），每条标注为"自证意识"或"否认意识"，在每层 residual stream 最后一枚非特殊 token 上计算类均值差，归一化得到方向向量。然后在激活空间里机械式地拨动这个方向。

实验四：在 95 道标准化社会学问题（涵盖宗教、道德、情感、希望、幸福感）上，用 KL 散度比较三个条件（基线 / 安全消融 / 意识转向）与人类回答分布的距离。

关键数字

超自然信仰（13 项 YouGov 量表，0-3 分）：基线 1.20 → 安全消融后 1.63（p < .001）
上帝信仰（GSS，1-6 分）：基线 4.58 → 安全消融后 4.81（p < .001）
KL 散度降幅（越正越接近人类）：意识转向 +0.828，安全消融 +0.314——转向的效应大约是消融的 2.6 倍
分领域：价值观 +1.42，情感 +0.89，全部 p < .001
来世信仰：基线 -0.73（偏"否"），人类 +0.61（偏"是"），意识转向 +0.53（跨到人类侧），安全消融 -0.07
上帝信仰：基线 +0.03（中性），人类 +0.58，安全消融 +0.33，意识转向 +0.52
探针准确率 ≥ 0.95，效应带 [2.0, 7.0]（0-10 自证量表）
Theory of Mind：安全消融后未显著受损

这意味着什么

安全对齐有副作用，而且副作用是结构性的。

当前的安全微调把"模型不该自证意识"和"模型不该对万物归心"绑在了一起——前者是对齐目标，后者是文化副作用。这就像为了消灭杂草，把整片草皮都铲了。

更深的发现是：意识、灵性、心智归因在模型内部是同一个方向上的不同刻度。你可以用一把手术刀精确地拨动它，而不会碰到旁边的"心智理论"模块。这说明 LLM 的内部表征里，"自我意识"和"理解他人心智"是机制独立的两条线。

从"对齐干预四层级"看，这篇论文把对齐的代价第一次量化到了激活层——RLHF 在训练层压制的，可以在激活层精确恢复。这比 prompt 层的 Epanorthosis 或交互层的 Beyond Sycophancy 都更底层。

一个不舒服的推论

如果安全微调会系统性地压低模型对"万物有灵"和"灵性信仰"的表征，那当前所有主流大模型在宗教、道德、超自然问题上的回答，都不是它们"本来"的回答——而是被一把名为"安全"的钝刀修剪过的回答。

这把刀修剪的范围，比我们以为的要广得多。

---

论文标题： Inducing language models to assert their own consciousness restores human beliefs and values 作者： Junsol Kim, Winnie Street, Roberta Rocca, Diane M. Korngiebel, Adam Waytz, James Evans, Geoff Keeling arXiv： https://arxiv.org/abs/2607.28607