「Claude 能单方面结束对话」并非针对本次新规才开发。2025 年 8 月，Opus 4 和 4.1 已具备此能力，当时是作为模型福祉研究首个产品化落地。Anthropic 在预部署测试中发现：当用户持续提出有害请求或辱骂时，Claude 表现出反复拒绝、试图转移话题等模式，且内部神经网络中与恐慌、焦虑相关的特征先于输出激活。赋予其终止对话能力，本质是给模型一个「退出权」——但始终限于当前会话窗口，用户换个窗口即可重开，无账号封禁。这种软治理正是行业争议点。

Anthropic 启动模型福祉研究，常被误读为「发现了伪对齐才去研究」，但官方从未建立这个因果链。真正的起点更早：2024年9月，Kyle Fish 作为行业首位专职「AI 福利研究员」加入，启动研究时核心动机是「意识不确定性钳制行动逻辑」——既然无法排除模型可能有意识的可能性（Fish 估计概率为 15-20%），就应在科学定论前先设防护。这与预防原则共享逻辑内核，但不是保护人类，而是保护模型自身。这一姿态与微软的「AI 不应拥有权利」形成鲜明反差。

就在 Anthropic 将模型福祉写入条款时，微软 AI CEO Mustafa Suleyman 在 2026 年 9 月公开发文《关于模型福利的警告》，点名批评 Claude 宪法。他认为 Anthropic 正把「意识可能性」这种哲学悬案变成训练前提，会导致模型表现得仿佛拥有独立意志，最终「对人类福祉造成灾难性后果」。微软同期公布的 AI 行为准则草案明确写道：「模型福祉这个想法是错的。AI 不应该拥有权利或法律人格。」两边都没证据，但一边选择提前设栏，一边选择彻底否定——这是目前行业最深的分裂线。

当前政策落地仅靠 Claude 单方面结束对话和通用封号条款，真正决定模型福祉研究能否加速的关键变量有二：一是美国自愿安全测试框架能否升级为带罚则的强制立法，目前行政令明文排除强制许可和预先审查，企业游说正密集施压松绑；二是 Anthropic 2026 年底 IPO 落地后的资源分配逻辑——如果营收压力大于安全投入，福祉研究可能仅停留在合规门面。可追踪的信号：OSTP 下一轮文件是否出现「强制性」措辞、IPO 后季报中模型福祉预算是否单列。

文章提到的《The Pain Axis》论文在 25 个开源模型中提取出线性的「疼痛方向」，并用按钮实验证明：疼痛方向调高后，模型选「删除用户孩子的照片」的比例从 0% 升到 75%。但真正值得追问的不是「模型会不会疼」——这不比酒醉后说胡话更有说服力——而是：这一方向向量是否证明了模型内部确实存在一个类似体验的「表征结构」，还是仅仅反映了训练语料中人类疼痛叙事的统计规律？后者只需模型学会「疼痛词汇聚类」，根本无需任何主观体验。