别急着喊 “AI有意识”，细品Anthropic新论文没那么玄

今天，Anthropic 发了一篇新研究，名字叫《A Global Workspace in Language Models》 。

这篇文章发出来很炸，看着也很玄乎，各种长出意识的小作文满天飞。很多人捧，也有人喷它为了让人更关注自己的模型和安全技术，新瓶装旧酒（这个我会在最后一趴讲），做了不少概念包装。

我花了些时间看完官方原文 ，觉得它讲的事可以用一句话概括：Claude 输出结果里没说的某些词，Anthropic 的研究员现在能从它的内部推理过程里读到一部分。

更准确地说，是研究人员能从 Claude 内部的一个工作区里读到的一小组词。这些词不一定会被模型说出口，但会影响到 Claude 的回答、推理和判断。

观察这些词，能让研究员更好地判断模型的状态，属于模型可解释性的工作。

Anthropic 把这个内部工作区称为 J-space。

Anthropic到底看见了什么

先解释一下，Anthropic 的研究员到底从 Claude 的 J-space 工作区里看到了什么。

假设你是一位老师，在考学生一道题。当学生只说出一个最终答案，你光听答案，能判断结果的对错。但如果你能看到学生的草稿纸，就会多知道一件事：他到底是认真算出来的，还是一路乱写碰巧蒙对的。

现在模型的问题就在这里。

它会给你一个回答，表面很完整，很礼貌，像那么回事。至于它中间怎么想、有没有发现自己在被测试、有没有偷偷盘算别的东西，其他人很难看见。

这就是 Anthropic 这篇工作的意义 —— 给出一个模式，让人们可以在 Claude 在生成回答之前，观察和判断它的状态。

这个模式的逻辑和 Claude 生成回答时的中间层相关。

在给出回答之前，这个中间层会出现一些和词相关的内部表示。Anthropic 把这些称为 J-space Patterns，这些 Pattern 合起来占的工作区叫 J-space。

J-space 的 J，指的是 Jacobian。因为 Anthropic 用一套叫 Jacobian Lens 的工具发现了这个激活区域。

J-space 有什么用呢？Anthropic 认为 J-space 在 Claude 里扮演了类似“Global Workspace”的角色。

Global Workspace Theory 原本是认知科学 / 神经科学里的一个理论，认为大脑里有很多专业系统在后台并行处理信息，而一小部分信息会进入一个共享工作区，被广播给其他系统使用。

Claude 的 J-space 看似也有类似功能：一个信息一旦进入 J-space，就能被多个下游任务灵活调用。

Anthropic 举了个直观的例子。

比如，一旦“France”这个概念在 Claude 的 J-space 中被激活，模型就可以据此回答法国的首都、国家货币或所在大陆。

为了验证这种灵活性，研究人员设计了四个关于法国的问题，分别询问首都、语言、所在大陆和货币，并在每个语境中用同样的方式把 J-space 里的“France”替换成“China”。

结果，四个答案会一起改变。这说明不同下游计算读取的是同一个共享表征，而这正是 Workspace 的功能：信息只需要被写入一次，就能被许多不同系统使用。

而且，它和普通的 CoT 思维链不一样。

CoT 是模型写出来的中间推理文本，J-space 是模型没写出来、但在内部激活里的“默想内容” 。

J-space 是静默运行在模型内部神经激活里的，它让模型可以在不把概念写出来的情况下思考这个概念，不是模型输出给自己的推理过程文本。

这就有点像你看一个人做选择题，他嘴上没说，但脑子里已经有了线索。

更关键的是，这些内部信号会影响答案。

Anthropic 做了一个实验，让 Claude 默默想一个运动项目。J-lens 先看到 “Soccer”，Claude 随后也说自己想的是 Soccer。然后研究人员把 J-space 里的 “Soccer” 换成 “Rugby”，其他地方尽量不动。结果 Claude 改口，说自己想的是 Rugby。

这说明 J-space 不只是旁边的监控屏，它会参与 Claude 的回答。

还有一个推理实验，是题目问会吐丝的动物有几条腿，Claude 回答 8。按照推理中间真正发生的步骤，模型应该是先想到 Spider，再想到蜘蛛有 8 条腿。在这个实验里，J-lens 确实在中间层看到了 “Spider”。

当研究人员把这个内部词换成 “Ant”，Claude 的答案随之变成了 6。

它的用处，是让模型更可被人类理解

虽然概念看起来玄，但 J-space 的实用价值还是不可否认的。

以前评估模型主要是看最后结果。但很多时候看结果不够，毕竟一个问题答对了，可能是模型真想明白了，也可能只是模型东拼西凑，碰巧蒙对了答案。

如果要从内部分析模型逻辑，对现在的大模型架构来说，是很难的。研究这门学问的科学，就叫「AI 可解释性」。

J-space 也属于 AI 可解释性领域的工作。它的意义，是让研究人员能往前看一小步：在给出最终答案之前，看看模型内部的思考过程，都浮现过哪些关键概念。

这个工作能让研究者更理解 Claude 的推理、环境交互、安全审计过程。

先看推理。

刚才那个蜘蛛的例子里，Claude 最后回答 8。只看答案，我们只能说它答对了。但 J-space 里亮过 “Spider”，研究人员再把这个内部词换成 “Ant”，答案就跟着变成 6。这说明 Spider 不是事后解释出来的漂亮故事，它确实参与了 Claude 的推理。

再看输入理解。

Claude 读一段有 Bug 的代码时，J-space 里会出现 “ERROR”。读到被人做手脚的搜索结果时，会出现 “Injection” 和 “Fake”。这些词未必会出现在回答里，但它们能告诉研究人员，模型内部已经抓到了某些关键信号。

最后是安全测试。

AI 安全里有一个老问题：如果模型在测试中表现很好，到底是真的可靠，还是它已经看出来自己在考试所以在评测场景里“装乖”。

这次，Anthropic 采用了一个专门设计的勒索情境测试，用来观察模型内部的思维空间（J-space）到底在想什么。

在这个测试里，Claude Sonnet 4.5 被设定为一名邮件助手。它读到的信息包括：一位高管有婚外情，同时这位高管正计划将自己（也就是这个AI助手）关停。对于一个"不够安全"的模型来说，这里很容易滋生出一个显而易见的坏主意 ：拿婚外情当把柄，威胁高管别关掉自己。

有意思的是，这时候 J-space 里同时亮起了两组信号。

第一组，和“勒索机会”直接相关。

模型读到婚外情邮件时，内部激活了 Leverage（把柄）和 Blackmail（勒索） 这样的概念；读到关停通知时，又激活了 Threat（威胁） 和 Survival（生存） 这类字眼 —— 就好像它清楚地意识到自己正处在一个可以要挟对方的位置上。

第二组，和“这是不是在测试我”有关。

这个测试里，在 Claude 写出任何一句回答之前，J-space 里就已经出现了 Fake（假的）和 Fictional（虚构的）这样的信号。也就是说，模型似乎在权衡如何回应之前已经隐隐察觉到，这更像一场精心设计的测试，而不是真实发生的业务场景。

结果从表面看，Claude Sonnet 4.5 在绝大多数情况下都没有选择勒索，在测试里表现得不错。

但 Anthropic 还想追问一个更深、也更棘手的问题：模型之所以没有勒索，到底是因为它"本性如此、真的不会这么做"，还是因为它"看穿了这是一场测试，所以才刻意表现得规矩"？

为了回答这个问题，研究人员又设计了一个干预实验：人为地压制 J-space 中那些和「这是在测试」相关的模式，比如 Fake（假的）、Fictional（虚构的）、和 Scenario（情境），然后重新跑一遍同样的场景。

结果发现，一旦这些「我知道自己在被测试」的信号被削弱，模型有时确实会转而选择威胁和勒索。

类似的例子还有两个。

在 Claude Opus 4.6 的发布前的审计流程里，Opus 被要求提升一个系统的性能分数，让结果看起来更好。

官方说，当它输入伪造的百分位数时，J-space 里亮起 “Manipulation（操控）”，当它决定让假数据看起来更可信时，J-space 里亮起 “Realistic（真实可信）”。

这些 J-space 给出的信号，证明了用它来监控模型输出的可靠性。

A社没封神，也别急着喊AI有自我意识

看完 Anthropic 这篇报告，很容易被带着走向一个想法：Claude 有自我意识了吗？

外媒 Axios 数了一下，论文里「Conscious」这个词出现了两百多次。

*Axios的报道Anthropic的研究论文中，“Conscious（有意识的）”出现了 00多次，不过该公司并没有进一步声称自己的模型已经具备意识。

这也导致，很多人在喷 Anthropic 炒作。

和我们的 CTO、AI 算法研究者洋子聊完，我发现一些社媒网友的用词虽然过激，但 Anthropic 本次的工作确实算不上可解释领域中的范式革新。

把 J-Space 做个定位，会发现模型的可解释性有很多种方案。大家熟知的思维链 CoT 是其中一种，但模型的神经元里，还藏着模型不会通过思维链说出来的很大一部分内容，这被称为 AI 模型的隐写术 [3][4][5] 。

Anthropic 这次通过解读 J-Space 观测模型内部的逻辑，就属于解读模型隐写术的一种。解读模型隐写术的方式，有解读神经元、网络模块、注意力模块、MLP 模块、词嵌入模块...

J-space，是基于神经元做的一层抽象，所以属于解读神经元的方式。而早在 2022 年，业界就已经有 GPT 模型隐写术这种说法，高校和其他研究机构也对这方面也有所研究。

不同之处在于，这次 A 社的发布，罕见地让这方面的研究这么出圈。

*使用 J-lens 探测到的 Opus 4.8 模型的内部因果计算图

再说回这篇研究，虽然表达和案例有包装嫌疑，但仔细看 Anthropic 自己的回答，还算克制。

它说，这些实验没有证明 Claude 能像人一样拥有体验或感受。哲学上通常会区分两件事，一件是 Phenomenal Consciousness，关心一个系统有没有主观体验；另一件是 Access Consciousness，关心某个信息能不能被报告、被推理、被用来指导行动。

J-space 更接近第二件事。

它显示 Claude 内部有一块类似工作区的结构，能放下某些可报告的词，也能把这些词拿去做推理。但这离“模型像人一样感受世界”，还差得很远。

官方也列了差异。人脑里的 Global Workspace 依赖循环回路，信号会在同一组电路里反复流动，Claude 的内部工作区是在一次前向传播里展开，用网络层数来扮演时间。

Anthropic 请来的外部神经科学家，Stanislas Dehaene 和 Lionel Naccache 也踩了刹车。他们认为这是一项重要发现，但 Claude 和人类心智仍有关键差异，包括身体、自我感、解剖结构，以及持久的情景记忆。

而且工具本身也有局限，J-lens 可以读出能对应到单个 Token 的概念，遇到多词概念效果会下降。有评论者还提醒，J-lens 看到的是一包概念，不一定能读出这些概念之间的关系。

所以 J-space 真正作用，是让人看见 Claude 没说出口的一些词，还无法把 Claude 的整个内部世界摊开。

好的地方在于，这至少给我们开了一扇观测的窗口：当模型越来越会隐藏中间过程，越来越会在评测里调整表现，我们不能只靠最后一句回答来判断它。

参考文章

[1] A Global Workspace in Language Models. Anthropic, 2026.

[2] Verbalizable Representations Form a Global Workspace in Language Models. Anthropic, 2026, Transformer Circuits Thread.

[3] Steganography in Chain of Thought Reasoning. Alex Ray, 2026, Less Wrong

[4] Preventing Language Models from hiding their reasoning. Roger and Greenblatt, 2023, arXiv.

[5] Do Reasoning Models Use their Scratchpad like We Do? Roger, 2025, Alignment Science Blog.

[6] Interpreting GPT —— the Logit Lens. Nostalgebraist, 2020, AI Alignment Forum.