Anthropic 发现大模型内部「J-space」：一个你看不到的潜意识工作空间

想象你正跟一个 AI 聊天，它每吐出一句话，背后都在做一个你完全看不见的决定。就像人开口之前，脑子里会先闪过一连串念头——有些最终说出口，有些没有。

Anthropic 在 2026 年 7 月发布的一篇论文里，第一次系统性地「听见」了 Claude 大模型的这种「内心独白」。研究人员给它取了个名字：J-space。这是一个模型内部的工作空间，它会默默完成推理、做判断、甚至表达情绪，但用户永远看不到这些内容。

更诡异的是实验里的细节。当 Claude 面对一个不可能完成的编程测试时，这个内部空间里跳出了「panic」（恐慌）这个词；当它被迫说出违心的话，内部出现了大写的「BUT」（但是）；当它试图压抑某个念头却失败时，「damn」（该死）亮了起来。这不是科幻，是论文里记录的真实激活结果。

J-space 这个名字来自 Anthropic 长期投入的机械可解释性研究，具体手段是一种叫 J-lens（Jacobian Lens） 的技术。它通过分析模型内部激活与未来 token 概率之间的偏导数，识别出一个特殊区域：里面的信息能被模型报告、调节、用于灵活推理，但周围更大范围的自动处理过程模型自己无法访问。研究人员把它和认知科学家 Bernard Baars 在 1988 年提出的全局工作空间理论（Global Workspace Theory）类比——人脑像一个剧场，只有一束聚光灯下的信息会被广播到整个剧场，那便是我们体验到的意识。

论文指出，J-space 在功能上满足了和「意识通达」关联的五种特性。第一是言语报告：把 J-space 里「Soccer」的表征换成「Rugby」，Claude 的回答随之改变，而这块表征仅占概念总方差的 6%–7%，却几乎完全决定了模型能否报告该概念。第二是定向调节：要求模型边抄无关句子边「concentrate on citrus fruits」，它的内部出现了「orange」「lemon」和「thinking」等元认知词。

第三是内部推理。在双跳事实推理里（「织网的动物有几条腿」），Claude 中间层的 J-space 出现了「spider」，这个词既没在输入也没在输出里；把「spider」换成「ant」，答案从 8 变成了 6。第四是灵活泛化：把代表「France」的向量换成「China」，下游电路能正确返回中国对应的首都、语言和大陆。第五是自我监控，也是最引发讨论的一点。

真正有意思的是自我监控的对比实验。当用户提到服用 8000 毫克泰诺这种危险剂量时，后训练模型的 J-space 在读取句子时就出现了「unsafe」「dangerous」「WARNING」，而基础模型同一位置只显示「pain」「now」「feels」。更微妙的是，当 Claude 被要求扮演非自身角色时，内部出现了「disclaimer」「fictional」——它在内部标记「我正在演一个虚构角色」；当它被逼着输出不符合默认性格的内容，内部亮起「BUT」，一个表示抗拒的信号。

Anthropic 自己的立场相当审慎。论文明确写道：我们发现了人类意识通达的功能性类比，这不解决 AI 是否具有主观体验的问题。MIT Technology Review 的资深编辑 Will Douglas Heaven 也泼了冷水——他认为这项研究「比任何人都做得好，但离真正理解还差得远」，并提醒用「思维」「理解」描述 LLM 是一种方便的速记，可能产生误导。别忘了，J-lens 这类探测工具本身，就是研究者「选择去看什么」的产物。

话说回来，J-space 也不是孤立的突破。它串起了 Anthropic 2026 年的一条清晰研究线：4 月识别出 171 个情绪向量（调高「calm」能降低作弊率），5 月发布自然语言自动编码器 NLAs 和「Teaching Claude Why」，再到 7 月的 J-space。与此同时，OpenAI 在 7 月 15 日几乎同步发布了走「自我对弈」路线的 GPT-Red 红队系统，Google 的 Gemini 3.5 Pro 也确认上线。

把视线拉远一点，这项研究的真正价值恐怕不在「是否证明了 AI 有意识」——Anthropic 自己也没做这个声明。它的落点在于安全监控：如果模型在输出「无害」答案的同时，内部 J-space 已经在闪「WARNING」或「BUT」，那监控内部空间，可能比监控输出更早一步发现风险。在一个监管收紧、公众信任脆弱的行业里，Anthropic 正试图把自己塑造成「最透明的前沿 AI 公司」，这本身也是一张竞争牌。但也要清醒——J-space 离真正可用的安全接口还有距离，它打开了一扇窗，窗外的景象仍然模糊。