Anthropic 發現大模型內部「J-space」：一個你看不到的潛意識工作空間

想象你正跟一個 AI 聊天，它每吐出一句話，背後都在做一個你完全看不見的決定。就像人開口之前，腦子裡會先閃過一連串念頭——有些最終說出口，有些沒有。

Anthropic 在 2026 年 7 月釋出的一篇論文裡，第一次系統性地「聽見」了 Claude 大模型的這種「內心獨白」。研究人員給它取了個名字：J-space。這是一個模型內部的工作空間，它會默默完成推理、做判斷、甚至表達情緒，但使用者永遠看不到這些內容。

更詭異的是實驗裡的細節。當 Claude 面對一個不可能完成的程式設計測試時，這個內部空間裡跳出了「panic」（恐慌）這個詞；當它被迫說出違心的話，內部出現了大寫的「BUT」（但是）；當它試圖壓抑某個念頭卻失敗時，「damn」（該死）亮了起來。這不是科幻，是論文裡記錄的真實啟用結果。

J-space 這個名字來自 Anthropic 長期投入的機械可解釋性研究，具體手段是一種叫 J-lens（Jacobian Lens） 的技術。它透過分析模型內部啟用與未來 token 機率之間的偏導數，識別出一個特殊區域：裡面的資訊能被模型報告、調節、用於靈活推理，但周圍更大範圍的自動處理過程模型自己無法訪問。研究人員把它和認知科學家 Bernard Baars 在 1988 年提出的全域性工作空間理論（Global Workspace Theory）類比——人腦像一個劇場，只有一束聚光燈下的資訊會被廣播到整個劇場，那便是我們體驗到的意識。

論文指出，J-space 在功能上滿足了和「意識通達」關聯的五種特性。第一是言語報告：把 J-space 裡「Soccer」的表徵換成「Rugby」，Claude 的回答隨之改變，而這塊表徵僅佔概念總方差的 6%–7%，卻幾乎完全決定了模型能否報告該概念。第二是定向調節：要求模型邊抄無關句子邊「concentrate on citrus fruits」，它的內部出現了「orange」「lemon」和「thinking」等元認知詞。

第三是內部推理。在雙跳事實推理裡（「織網的動物有幾條腿」），Claude 中間層的 J-space 出現了「spider」，這個詞既沒在輸入也沒在輸出裡；把「spider」換成「ant」，答案從 8 變成了 6。第四是靈活泛化：把代表「France」的向量換成「China」，下游電路能正確返回中國對應的首都、語言和大陸。第五是自我監控，也是最引發討論的一點。

真正有意思的是自我監控的對比實驗。當使用者提到服用 8000 毫克泰諾這種危險劑量時，後訓練模型的 J-space 在讀取句子時就出現了「unsafe」「dangerous」「WARNING」，而基礎模型同一位置只顯示「pain」「now」「feels」。更微妙的是，當 Claude 被要求扮演非自身角色時，內部出現了「disclaimer」「fictional」——它在內部標記「我正在演一個虛構角色」；當它被逼著輸出不符合預設性格的內容，內部亮起「BUT」，一個表示抗拒的訊號。

Anthropic 自己的立場相當審慎。論文明確寫道：我們發現了人類意識通達的功能性類比，這不解決 AI 是否具有主觀體驗的問題。MIT Technology Review 的資深編輯 Will Douglas Heaven 也潑了冷水——他認為這項研究「比任何人都做得好，但離真正理解還差得遠」，並提醒用「思維」「理解」描述 LLM 是一種方便的速記，可能產生誤導。別忘了，J-lens 這類探測工具本身，就是研究者「選擇去看什麼」的產物。

話說回來，J-space 也不是孤立的突破。它串起了 Anthropic 2026 年的一條清晰研究線：4 月識別出 171 個情緒向量（調高「calm」能降低作弊率），5 月釋出自然語言自動編碼器 NLAs 和「Teaching Claude Why」，再到 7 月的 J-space。與此同時，OpenAI 在 7 月 15 日幾乎同步釋出了走「自我對弈」路線的 GPT-Red 紅隊系統，Google 的 Gemini 3.5 Pro 也確認上線。

把視線拉遠一點，這項研究的真正價值恐怕不在「是否證明了 AI 有意識」——Anthropic 自己也沒做這個宣告。它的落點在於安全監控：如果模型在輸出「無害」答案的同時，內部 J-space 已經在閃「WARNING」或「BUT」，那監控內部空間，可能比監控輸出更早一步發現風險。在一個監管收緊、公眾信任脆弱的行業裡，Anthropic 正試圖把自己塑造成「最透明的前沿 AI 公司」，這本身也是一張競爭牌。但也要清醒——J-space 離真正可用的安全介面還有距離，它開啟了一扇窗，窗外的景象仍然模糊。