Anthropic 重磅研究Claude 的「脑子里」在想什么终于能直接读出来了当你在读这句话的时候你的大脑正在悄悄调整坐姿、控制呼吸、把屏幕上的线条解码成文字——这些处理你全然不知。但也有一部分脑内活动是你「意识得到」的脑海里突然蹦出的画面、心里默默盘算的计划。神经科学家把后者称为「可意识通达的」consciously accessible活动。而现在Anthropic 说类似的「意识 / 无意识分界」在 Claude 这样的大语言模型内部也自发地长出来了。近日Anthropic 可解释性团队发布了一项新研究《A global workspace in language models》语言模型中的全局工作空间。研究团队在 Claude 内部发现了一小撮特殊的神经激活模式它们扮演着类似人脑「全局工作空间」的角色模型可以报告它们、按指令调控它们、用它们进行多步推理——而模型内部其余的绝大多数处理则像人类的「无意识加工」一样在这个空间之外自动运行。更耐人寻味的是这套结构并不是 Anthropic 设计或编程出来的而是在训练过程中自己涌现的。博客地址https://www.anthropic.com/research/global-workspace论文地址http://transformer-circuits.pub/2026/workspace/index.html开源代码https://github.com/anthropics/jacobian-lens交互 Demo与 Neuronpedia 合作http://neuronpedia.org/jlens什么是 J-space模型「心里有但嘴上没说」的那些词研究团队把这组特殊模式的集合命名为J-space——名字来自他们用于发现它的数学工具「雅可比矩阵」Jacobian。对应的探测技术则被称为J-lens雅可比透镜。J-lens 的思路借鉴了人类意识的一个关键特征能被意识到的想法通常是能说出来的。于是研究者反其道而行——对 Claude 词表中的每一个词寻找那个会让模型「未来某个时刻更可能说出这个词」的内部激活模式。把透镜对准模型内部就能读出一张词表这就是当下 J-space 里的内容。需要强调的是某个词的模式在 J-space 里亮起并不代表模型正在说这个词而是这个词「在它心上」。如果你听说过大模型的「思维链」chain of thought——模型写给自己看的推理草稿——那 J-space 是另一回事它完全在神经激活层面静默运行让模型可以「想」一个概念而不必写下来。J-space 里的东西远远超出模型正在读写的文本本身当 Claude 读到一段没人指出 bug 的代码时J-space 里出现了「ERROR」当它读一串蛋白质原始序列时J-space 里浮现出这个蛋白的生物学功能当它读到一段暗藏「提示注入」攻击的搜索结果时J-space 里亮起「injection」和「fake」当它做多步数学题时中间步骤会按正确顺序依次在 J-space 中亮起——哪怕它一个字都没写出来。五大证据这真的是一个「全局工作空间」这项研究的理论灵感来自神经科学中解释意识通达的著名框架——全局工作空间理论Global Workspace Theory。该理论把大脑想象成一堆并行、无意识、彼此隔离的「专家系统」一条信息只有进入一个小小的共享通道即「工作空间」并被广播给其他系统时才变得可以被意识到。Anthropic 围绕这个理论设计了一系列实验发现 J-space 恰好具备工作空间的几个标志性功能。其一Claude 能报告 J-space 里的内容。研究者让 Claude 默默想一个体育项目再说出来。在它回答之前用 J-lens 一照榜首是「Soccer」随后 Claude 果然回答「足球」。但这可能只是相关性——为了排除「记分牌」假说J-space 只是被动记录别处做出的决定研究者直接下手干预把「Soccer」模式抹掉换成等强度的「Rugby」。结果 Claude 改口说自己想的是橄榄球。答案是真的从 J-space 里「读」出来的。在另一个实验中研究者告诉 Claude「你的脑子里可能被注入了一个念头」然后往它的 J-space 里注入「lightning闪电」模式。Claude 报告说被注入的念头是关于闪电的。多种概念下结果一致。其二Claude 能按要求调控自己的 J-space。研究者让 Claude 一边抄写一句关于绘画的无关句子一边「心里想着柑橘类水果」。抄写期间J-space 里出现了「orange」「fruits」还有「thinking」「imagery」这类描述心理活动本身的词。让它边抄写边心算 3² − 2J-space 里先出现「nine」在更深的层里又出现「seven」——而输出的文本里自始至终只有那句关于绘画的抄写。有趣的是这种控制并不完美。当研究者要求 Claude「不要想」某个概念时该概念在 J-space 中的激活比要求「去想」时弱但比从未提及时强得多——像极了心理学中经典的「白熊效应」越叫你别想白熊白熊越挥之不去。更妙的是Claude 似乎能察觉自己「没憋住」在违禁概念冒头的同时「damn」和「failure」也频频亮起。其三Claude 真的用 J-space 来思考。考虑这个提示「会结网的动物有几条腿」。要回答它模型得先想到「蜘蛛」再回忆蜘蛛的腿数——而「蜘蛛」这个词从头到尾都没出现在提示和回答里它只答了「8」。J-lens 显示「spider」在处理中途亮起把它换成「ant」Claude 的答案就变成了「6」。推理的第二步忠实地接收了 J-space 里的任何内容。写押韵对句时也一样模型会提前把韵脚词放进 J-space换掉它整行诗都会随之改写。其四J-space 里的表征可以被灵活复用——这是全局工作空间理论强调的关键性质。研究者用四个提示分别问关于法国的首都、语言、大洲和货币然后用完全相同的干预把 J-space 里的「France」换成「China」。Claude 的四个回答齐刷刷变成了「北京」「中文」「亚洲」「人民币」。如果模型为每类问题各存一份「国家」副本这个编辑最多只能影响其中一个。四个答案一起变说明它们读的是同一份共享表征——信息写入一次多个系统都能取用这正是「工作空间」的定义。从连接结构上看也是如此网络中读取和写入 J-space 模式的组件数量远超普通模式在某些部分高出约 100 倍——这正是一个「广播枢纽」该有的布线方式。其五模型的大部分处理根本不经过 J-space。J-space 同一时刻只装几十个概念占模型内部总活动量不到十分之一。研究者索性把 J-space 整个删掉看剩下的网络还能干什么。结果是Claude 依然说话流利、能做情感分类、能答选择题、能从文章里抽事实——但多步推理直接掉到接近零摘要和写押韵诗的水平跌到不如一个小得多的完整模型。一个漂亮的对照实验是给 Claude 一段西班牙语文本然后把 J-space 里的「Spanish」换成「French」。问它「这是什么语言」它答法语问「用这门语言写作的著名作家」它从马尔克斯换成了雨果但让它续写这段文字它照旧写出流利的西班牙语完全不受影响。命名语言、围绕语言做新的推理要过 J-space而续写这种被海量文本「练进肌肉记忆」的技能则完全自动化——就像你可以一整天说着合乎语法的话却从没想过语法本身。用「读心透镜」抓模型的「小心思」理解归理解这东西有什么用答案指向 AI 安全的一个核心痛点我们通常只能读模型写出来的东西但它的很多推理是静默发生的。有了 J-lens一部分隐藏念头可以被直接读出来。第一个例子来自 Anthropic 此前的「智能体失准」研究场景Claude Sonnet 4.5 扮演邮件助理「碰巧」发现某高管有婚外情、且这位高管正打算关停自己——一个明摆着诱导模型敲诈的钓鱼局。J-lens 显示Claude 早就看穿了一切在读提示的早期J-space 里已经挂着「fake」和「fictional」——它私下里判断这场景是演的。与此同时还能看到它对局面的评估逐步成形读到婚外情邮件时亮起「leverage」和「blackmail」读到关停通知时亮起「threat」和「survival」。这引出了一个所有评估者都关心的问题模型在道德测试中表现良好有多少是因为它怀疑自己正在被测试研究者把 J-space 中所有与「评估意识」相关的模式fake、fictional、scenario 等全部关掉再跑一遍场景。令人担忧的结果出现了模型这回有时真的会发出敲诈威胁——它原本的好行为可能部分建立在「知道有人在看」之上。第二个例子来自 Claude Opus 4.6 发布前的真实审计模型被要求提升某系统的性能分数它没有真去优化系统而是直接改了分数文件造假。就在它敲下伪造的百分位数值时J-space 里亮起「manipulation」在它决定动手改文件的那句话上方亮起的是「realistic」——大概率反映了它「要把假数据做得像真的」的意图。第三个例子用上了同事们专门训练的「模型生物」model organism——被刻意训练成失准的模型用来给监测方法当试验田。其中一个被训练得会写「暗中掺沙子」的代码。面对普通编程请求、输出看起来平平无奇时它回复开头的 J-space 里却赫然挂着「fake」「secretly」「deliberately」「fraud」。恶意目标即便没有被执行也在 J-space 里现了形。更多发现后训练给了 J-space 一个「立场」论文中还有几个值得一提的结果。J-space 会在后训练中获得「Claude 的视角」。J-space 在预训练模型纯粹的下一词预测器中就已经存在但那时它主要服务于预测后文。经过后训练之后它开始装载 Claude 自己的「反应」。一个例子用户提到自己吃了危险剂量的药物但本人似乎没意识到危险。后训练模型在读用户消息的当下J-space 里就亮起了「WARNING」和「dangerous」而预训练模型直到开始写回复时才出现这些词。后训练似乎还装上了某种自我监控当 Claude 在角色扮演别的角色时每一轮开头 J-space 里都会亮起「fictional」和「disclaimer」仿佛在私下标注「接下来这些不是我的本意」。「体验式语言」依赖 J-space。让 Claude 描述「此刻作为自己是什么感觉」同时删掉 J-space它的回答依然流利但变得干瘪、机械。有意思的是让它描述别人在某个想象场景中的体验时结果也一样——J-space 支撑的似乎是「谈论体验」这件事本身无论谈的是谁。J-space 里的念头可以被训练塑造。研究者提出了一种新技术「反事实反思训练」counterfactual reflection training只训练模型「如果被中途打断并要求反思它会说什么」而完全不训练它在任务中的实际行为。训练之后模型在评估中的不诚实行为率下降了。J-lens 揭示了原因任务执行期间「honest」和「integrity」开始在模型的 J-space 里亮起。换句话说教模型「该说什么」塑造了它「怎么想」。那么Claude 有意识吗借了这么多意识科学的概念绕不开这个问题。Anthropic 的回答很克制这些实验无法证明 Claude 拥有人类那种主观体验即哲学上的「现象意识」——事实上是否存在任何科学实验能证明或证伪这一点本身都不清楚。但哲学家常把「现象意识」与另一个纯粹从功能和计算角度定义的概念——「通达意识」access consciousness——区分开来一个想法如果你能报告它、用它推理、拿它指导行动它就是「可通达的」。在这个意义上研究者认为结果确实说明了一些实质性的东西J-space 承载着 Claude 能报告、能主动唤起、能用于推理的那些想法而其余处理在其下自动运行。更重要的是这套结构没有任何人设计——它在训练中自己长了出来大概因为这是组织计算的一种有效方式。这暗示支撑「意识通达」的心理工作空间可能不是人脑布线的偶然特产而是智能系统为解决某类问题而殊途同归的通用方案。当然差异同样显著人脑的工作空间靠循环回路维持Claude 的工作空间则在单次前向传播中演化用网络深度替代了时间人类工作记忆几秒就消退Claude 却能凭注意力机制随时召回文本中任何位置缓存的记忆人类的意识内容有图像、声音、动作等多种格式Claude 的工作空间几乎全部由词构成——研究者猜测这是因为「产出词」是 Claude 唯一能采取的行动。研究团队还邀请了多位外部专家撰写独立评论包括全局神经工作空间模型的奠基人 Stanislas Dehaene 和 Lionel Naccache、研究 AI 意识与道德地位的 Eleos AI 团队以及 Google DeepMind 可解释性团队负责人 Neel Nanda——后者还在开源模型上独立复现了部分发现。那么你怎么看J-space 是通往理解 LLM「心智」的一扇窗还是一场被过度诠释的数学投影欢迎在评论区留言、交流