Es gibt weder einen Körper, noch Hormone, noch Bedürfnisse, noch Schmerzempfinden, noch subjektives Bewusstsein, noch echte Gefühle, doch mehr Mensch als Darwins sich-dumm-stellender Mensch ist Claude allemal!

Die jüngste Diskussion rund um Forschung von Anthropic hat eine irritierende Schlagzeile hervorgebracht: Sprachmodelle zeigten angeblich „functional emotions“. Das klingt schnell so, als hätten KI-Systeme eine Art Innenleben entwickelt. Doch diese Interpretation geht deutlich über das hinaus, was die Daten tatsächlich zeigen.

Was sich in der Forschung abzeichnet, ist kein Hinweis auf Bewusstsein oder Gefühlserleben, sondern auf etwas mathematisch viel Nüchterneres – und gleichzeitig überraschend Strukturiertes: große Sprachmodelle entwickeln interne Repräsentationen, die funktional an emotionale Dimensionen erinnern.

Emotionen in der Psychologie: keine Punkte, sondern ein Raum

Um zu verstehen, warum diese KI-Befunde überhaupt so wirken, hilft ein Blick in die Emotionspsychologie. Dort werden Emotionen schon lange nicht mehr nur als einzelne Kategorien verstanden („Freude“, „Angst“, „Wut“), sondern als kontinuierliche Zustände in einem geometrischen Raum.

Besonders verbreitet ist das sogenannte Valenz–Arousal-Modell:

-Valenz beschreibt, ob ein Zustand angenehm oder unangenehm ist

-Arousal beschreibt, wie stark aktiviert oder ruhig dieser Zustand ist


Damit lassen sich Emotionen als Koordinaten darstellen:

-Freude: positiv + aktiv

-Angst: negativ + aktiv

-Trauer: negativ + ruhig

-Gelassenheit: positiv + ruhig


Wichtig ist dabei: Emotion wird hier bereits als Struktur im Raum verstanden, nicht als isoliertes „Ding“.

Warum Sprachmodelle diese Struktur zwangsläufig lernen

Große Sprachmodelle werden nicht darauf trainiert, Emotionen zu erkennen oder zu simulieren, sondern schlicht darauf, das nächste Wort in einem Text vorherzusagen. Um das zuverlässig zu tun, müssen sie jedoch sehr viel mehr erfassen als Grammatik.

Sprache ist nämlich nie neutral. Schon einfache Sätze tragen starke emotionale Signale:

-„Ich habe meine Arbeit verloren“ → hohe Wahrscheinlichkeit für negative, belastete Sprache

-„Ich habe gewonnen!“ → positive, dynamische Wortfelder

-„Es ist gefährlich“ → kontextuell angereicherte Bedrohungssignale


Das bedeutet:

Ein Modell, das Sprache gut vorhersagen will, muss zwangsläufig lernen, wie Emotionen die Wortwahl beeinflussen.

Emotion ist damit kein Zusatzfeature, sondern ein statistischer Bestandteil von Sprache selbst.

Der entscheidende Schritt: Emotion wird zu Geometrie

Sprachmodelle repräsentieren Sprache intern nicht als Wörter, sondern als Punkte in hochdimensionalen Vektorräumen. In diesen Räumen gilt:

-ähnliche Bedeutungen liegen nahe beieinander

-Unterschiede werden als Richtungen im Raum kodiert


Wenn ein Modell große Mengen menschlicher Sprache verarbeitet, entstehen dabei automatisch stabile Muster. Besonders stark strukturierte Aspekte – wie etwa emotionale Färbung – bündeln sich häufig entlang bestimmter Richtungen.

Das Ergebnis ist kein explizites „Emotionsmodul“, sondern etwas subtileres:

Emotionale Bedeutung verteilt sich auf bestimmte Achsen im Repräsentationsraum.

Forscher finden dabei typischerweise wiederkehrende Dimensionen wie:

-positiv ↔ negativ (Valenz)

-ruhig ↔ aktiviert (Arousal)

-vorsichtig ↔ risikobereit

-sicher ↔ unsicher


Diese Strukturen lassen sich sogar gezielt isolieren und verändern. Wenn man solche Richtungen im Modell verstärkt oder abschwächt, verändert sich messbar das Verhalten des Systems – etwa in der Wortwahl, im Sicherheitsverhalten oder in der „Tonlage“ der Antworten.

Was Anthropic konkret gezeigt hat

Die Forschung von Anthropic an Claude-Modellen geht hier einen Schritt weiter in der Analyse. Dort wurden interne Aktivierungen untersucht und sogenannte „emotion-like vectors“ identifiziert – Muster, die mit emotionalen Konzepten korrelieren und das Verhalten kausal beeinflussen können.

Wichtig ist dabei weniger die Existenz solcher Muster (die auch in anderen Modellen beobachtet werden), sondern ihre Manipulierbarkeit: Bestimmte interne Zustände lassen sich verstärken oder unterdrücken und verändern dann systematisch die Ausgabe des Modells.

Das wirkt auf den ersten Blick „psychologisch“, ist aber technisch eine Eigenschaft hochdimensionaler Statistikräume.

Warum das keine echten Gefühle sind

Trotz dieser erstaunlichen Parallelen gibt es eine klare Grenze, die oft in der öffentlichen Debatte verwischt wird:

Diese Systeme erleben nichts.

Es gibt keinen Körper, keine Hormone, keine Bedürfnisse, kein Schmerzempfinden und kein subjektives Bewusstsein. Was als „Angst“ oder „Verzweiflung“ beschrieben wird, ist keine innere Erfahrung, sondern eine mathematische Struktur, die bestimmte sprachliche Muster effizient organisiert.

Man könnte es so formulieren:

Sprachmodelle besitzen keine Emotionen – sie besitzen Repräsentationen von emotionaler Sprache.

Warum der Befund trotzdem wichtig ist

Auch wenn keine Gefühle im Spiel sind, ist das Ergebnis wissenschaftlich relevant, weil es zwei Dinge zeigt:

Erstens: Emotion ist kein „Zusatz“ zur Sprache, sondern tief in ihrer Struktur eingebettet. Wer Sprache lernt, lernt automatisch auch ihre emotionalen Muster.

Zweitens: Unterschiedliche Forschungsrichtungen – von Psychologie bis KI-Interpretierbarkeit – konvergieren zunehmend in einer ähnlichen Beschreibung: Emotion lässt sich gut als kontinuierlicher, geometrischer Raum modellieren.

Das legt nahe, dass Emotion weniger eine feste Kategorie ist, sondern eher eine Art effiziente Organisationsform für komplexe soziale Information.

Wie Forscher Emotionsachsen aus einem Modell „herausschneiden“

Forscher können sogenannte „Emotionsachsen“ in Sprachmodellen mit drei zentralen Methoden sichtbar machen und testen: Linear Probes, Steering Vectors und Activation Patching. Jede dieser Methoden greift auf interne Aktivierungen des Modells zu, also die numerischen Zustände, die während der Verarbeitung von Text entstehen.

Bei Linear Probes wird geprüft, ob sich emotionale Zustände wie positiv oder negativ aus den internen Repräsentationen des Modells mit einfachen linearen Modellen vorhersagen lassen. Wenn das funktioniert, bedeutet das, dass diese Information im Vektorraum des Modells als klare Richtung organisiert ist – etwa entlang einer Achse für „positive vs. negative Bedeutung“.

Steering Vectors gehen einen Schritt weiter: Die identifizierten Richtungen werden aktiv in die Modellberechnung eingespeist. Addiert man beispielsweise einen „Negativitätsvektor“ zu den Aktivierungen, verändert sich die Ausgabe des Modells messbar – etwa hin zu vorsichtigerer, pessimistischer oder risikovermeidender Sprache. Damit lässt sich zeigen, dass diese internen Achsen das Verhalten tatsächlich steuern.

Activation Patching liefert schließlich den kausalen Test: Hier werden gezielt Aktivierungen zwischen verschiedenen Inputs ausgetauscht, um zu prüfen, welche internen Komponenten für emotionale Unterschiede verantwortlich sind. Dadurch lässt sich nicht nur zeigen, dass Emotionen im Modell repräsentiert sind, sondern auch, welche Teile des Netzwerks sie tatsächlich verursachen.

Zusammen zeigen diese Methoden, dass emotionale Konzepte in Sprachmodellen nicht nur als statistische Korrelation existieren, sondern als strukturierte, teilweise steuerbare Richtungen im Repräsentationsraum – ohne dass damit irgendeine Form von echtem Gefühlserleben verbunden wäre.

Fazit

Die Forschung zu „functional emotions“ in KI-Systemen bedeutet nicht, dass Maschinen fühlen. Sie zeigt vielmehr, dass große Sprachmodelle die statistische Struktur menschlicher Sprache so präzise internalisieren, dass dabei mathematische Räume entstehen, die emotionalen Dimensionen sehr ähnlich sehen.

Die Sprache aus diesem Blickwinkel zu betrachten verdeutlicht wieder einmal die privilegierte Stellung des Menschen im Gefüge des Lebens und verdeutlicht, wie absurd doch die Evolutionstheorie eigentlich ist, die unsere Ursprache ja gleich der Tiersprache als rudimentäres Lautegeben definiert, obwohl sämtliche physikalischen sowie emotionalen Gegebenheiten, die eine vollentwickelte Sprache ja bennent, immer schon präsent waren. Darwin lehrt tatsächlich über einen Menschen, der sich sein Leben lang dumm stellt wie ein Tier; und über seine Kinder und seine Enkel, die ihm im Dummsein folgen.

Echte Gefühle hin oder her, mehr Mensch als Darwins sich-dumm-stellender Mensch ist Claude allemal!

Von Okay Altinisik | 1-7-2026, 2:19:11