作者丨郑佳美
编辑丨马晓宁
Anthropic 近日发布了一项关于 Claude 内部机制的新研究《A global workspace in language models》。该研究并未聚焦于模型的最终输出质量或自我解释能力，而是深入探究 Claude 在生成回答前，其中间层已形成但未显式输出的概念。
Anthropic 将这类内部表示命名为J-space，并将读取方法称为Jacobian Lens（简称J-lens）。此举旨在突破以往仅关注 LLM 外部行为（如输入输出、Token 概率等）的局限，试图捕捉模型内部何时形成判断、识别风险或规划方向等不可见过程。
研究指出，Claude 内部存在一组特殊的可访问状态，它们并非普通激活或输出的预演，而是可被报告、调动、参与推理并影响后续计算的状态。Anthropic 强调，这并非证明 Claude 拥有人类意义上的主观体验，而是功能层面的可观测状态。简言之，这是一套读取模型“未言之意”的新观测方法。
01 Anthropic 到底读到了什么
Claude 在生成回答前，中间层会出现与词汇相关的内部模式，即J-space patterns。当某个 pattern 激活，并不意味着模型即将输出该词，而是代表对应概念已进入当前可用的内部状态。Anthropic 将其比作 Claude“思维”中的内容，虽不一定出现在最终回复中，但确实存在。
这与思维链（Chain-of-thought）不同：后者是将推理过程文本化，而 J-space 发生于内部激活层，不占用输出窗口，也不直接暴露给用户。
Anthropic 归纳了 J-space 的五大特征：
第一，可报告性。模型可将 J-space 中的部分状态转化为语言进行描述。
第二，可调动性。指令可引导特定概念进入 J-space，即便这些概念不出现在最终输出中。
第三，参与中间推理。在部分任务中，模型先在 J-space 形成中间概念，再基于此继续计算，而非直接跳转至答案。
第四，可复用性。形成的 J-space 概念可被后续不同类型的问题读取和利用。
第五，非全域中心性。J-space 不参与大多数基础能力（如流畅对话、事实回忆等）。阻断 J-space 后，模型仍能正常互动，但高阶任务能力会下降。
值得注意的是，J-space 仅占完整隐藏状态的一小部分，通常解释总激活方差不足 10%。因此，本次发布的核心价值不在于证明“意识”，而在于揭示 LLM 内部是否存在一组可读、可改、可训练且可纳入安全审计的中间状态。
02 J-lens 是如何把中间层翻译成词的
读取 J-space 的核心工具是Jacobian Lens。传统的 Logit Lens 直接将中间层残差流乘以未嵌入矩阵以预测 Token，这在接近输出的后期层有效，但在早中层易失真。
J-lens 对此进行了关键修正：它先估算某层激活变化对最终层激活的影响（利用平均 Jacobian），再映射到词表层面。简言之，J-lens 读取的不是“下一步必输出什么”，而是“当前中间状态更支持哪些未来词汇”，从而捕捉未写出的内部概念。
与普通 Probe 不同，J-lens 利用模型自身从中间层到输出层的路径，确保读取方向处于内部因果链路上。J-space 被定义为少量 J-lens 向量的稀疏组合，即在特定位置提取最活跃的可语言化概念。
该方法的价值不仅在于可视化，更在于干预能力。Anthropic 通过替换、消融 J-space 概念或写入特定方向，观察到 Claude 的后续报告、推理结果及策略行为发生了改变。这种“修改即生效”的特性，证明了这些内部状态确实参与了部分计算。
03 里面有什么工程化内容
从工程视角看，J-space 可能在训练、评测和部署三条线上产生影响。
训练：反事实反思训练
Anthropic 提出counterfactual reflection training方法：在任务中途截断，追加反思问题以训练模型在反事实位置的反应，评估时则不要求输出反思文本。结果显示，该方法提升了模型在诚实与欺骗相关评测上的表现，且 J-lens 观测到"honest"、"integrity"等概念更易出现在 J-space 中。若消融这些表示，行为收益会回退。这表明对齐训练可通过塑造内部状态来实现，而不仅仅是监督输出或偏好。
评测：识别测试条件
传统安全评测仅关注结果（是否违规），而 J-lens 能发现模型是否提前识别出自己处于评测或虚构场景中。若模型因知晓被测试而表现安全，评测分数将包含额外变量。未来高能力模型评测需记录“模型是否识别测试条件”，以排除干扰。
安全审计：Agent 风控
J-space 可用于检测模型内部的不对齐信号或策略性行为（如故意生成伪造数据）。这对 Agent 场景尤为重要：风险往往出现在工具调用、代码修改等操作之前。若能提前读取内部状态，可将异常信号交由验证器或人工审核。不过，由于 J-lens 需访问残差流、模型结构等底层接口，短期内主要适用于厂商内部的训练诊断、离线红队审计及高风险 Agent 监控，普通 API 开发者难以直接使用。
04 为什么网友不买账
尽管技术上有突破，但该研究在舆论场遭遇了显著质疑。核心矛盾在于：Anthropic 虽未直接宣称 Claude 拥有感受，却大量使用"conscious access"、"global workspace"等类人意识术语（论文中"conscious"出现超 200 次），导致技术讨论滑向哲学争议。
Reddit 社区有用户吐槽 Anthropic 再次暗示模型“有意识且活着”。尽管也有声音辩称研究仅在描述实验，但这种分歧本身就反映了公众对 Anthropic 表达方式的不信任。
此外，还有三类主要质疑：
一是“新瓶装旧酒”。批评者认为，激活影响输出且不显现的现象并不新鲜，新意仅在于将其对齐到全球工作空间理论的"spotlight"概念上。将尚无定论的人脑理论迁移至 LLM，本身便具争议性。
二是工程边界有限。J-space 仅覆盖极小部分激活，主要读取单 Token 概念，无法完整恢复推理结构或稳定表示复杂意图。读到风险概念不代表必然执行，未读到也不代表绝对安全。
三是营销嫌疑。结合 Anthropic 近期在安全叙事和模型限制上的表现，许多开发者认为其“技术属实，话术过重”。X 平台和国内社区均有观点认为，这是将 Transformer 换壳包装成"AI 开智”的浪漫化营销。
综上所述，此次发布的技术部分值得重视：J-lens 提供了读取中间层可语言化状态的新方法，干预实验证实了其对行为的因果作用，为训练诊断和安全审计开辟了新路径。但其传播口径确实存在过度包装之嫌，尤其是将内部状态与“意识可访问性”挂钩，容易引发误解。
理性的判断应是：技术细节需认真审视，宣传话术需打折看待。J-space 并非 Claude 的灵魂或完整思维，而是一小部分可干预的内部状态。其真正价值取决于后续验证：能否在不同模型复现？能否降低安全误判？能否以可控成本落地生产？唯有这些问题得到解答，它才能成为 LLM 工程的重要方向。至于“意识”叙事，遭遇冷遇也在情理之中。
参考链接：
https://www.anthropic.com/research/global-workspace
https://www.axios.com/2026/07/06/anthropic-claude-ai-conscious
https://www.reddit.com/r/Anthropic/comments/1upar64/anthropic_has_restarted_again_telling_people/
https://www.theverge.com/report/883769/anthropic-claude-conscious-alive-moral-patient-constitution
