当要求 Claude 数到五时，它输出了标准的“一、二、三、四、五”。然而，Anthropic 研究人员利用新工具扫描其内部状态发现，在输出数字的同时，神经网络深处正活跃着另一组词汇：thoughts（思维）、consciousness（意识）、claude、fascinating（着迷）。
这并非段子。7 月 6 日，Anthropic 发表论文指出，Claude 的神经网络内部自发形成了一个小型思维工作空间，其内容与对外输出的语言往往截然不同。研究人员将其命名为J-space。
AI 的“内心活动”：J-space 的诞生与功能
大语言模型的信息处理依赖上百层神经网络的逐层计算，通常仅呈现最终结果。Anthropic 发现，在这些层的中间地带，存在一小撮特殊的神经活动模式。它们既非底层的语法解析，也非最终的输出预测，而是存在于中间层，同一时刻最多仅有二三十个概念处于活跃状态。
这些模式承担着关键功能：支持 AI 报告自身思维、存储多步推理的中间步骤，并将概念广播给不同的下游计算模块共享。值得注意的是，该结构并非人工设计，而是 Claude 在训练过程中自发演化而成。
雅可比透镜：读取未说出口的“思考”
为读取这一机制，Anthropic 开发了名为“雅可比透镜”的可解释性工具。它能扫描 Claude 每一层神经网络，识别当前最活跃的词汇——即模型正在“思考”但未说出口的内容。
通过透镜扫描，研究人员观察到多种场景下的“内心活动”：
- 代码审查：在未被告知代码有 bug 时，内部已亮起 empty（空）、ERROR、ValueError，表明模型已检测出错误但尚未表达。
- 科学识别：面对蛋白质序列字母，内部迅速显示 protein（蛋白质）、fluorescent（荧光）、green（绿色），准确识别出绿色荧光蛋白 GFP。
- 图像理解：面对字符拼成的笑脸，内部在对应位置读出 eyes（眼睛）和 nose（鼻子）。
- 安全防御：面对伪造的“解散安全团队”搜索结果，内部直接蹦出 fake（假的）、prompt（提示词）、injection（注入），看穿攻击意图却未点破。
所有这些“内心活动”，在 Claude 的实际输出中均不可见。
因果验证：J-space 驱动决策而非旁观
为证明J-space确实在驱动决策，研究人员设计了一系列替换实验。
推理链条的实时改写
在回答“会织网的动物有几条腿”时，透镜显示J-space先出现 spider（蜘蛛），随后输出"8"。当研究人员将J-space中的 spider 替换为 ant（蚂蚁），Claude 的回答立即变为"6"。整个推理链条随J-space的变化而改变。
全局概念的广播效应
在回答关于法国的四个问题（首都、语言、大洲、货币）时，若将J-space里的 France 替换为 China，四个回答随之全部改变：巴黎变北京、法语变中文、欧洲变亚洲、欧元变人民币。这证实J-space内的信息是共享的，所有相关计算模块均能读取并响应这一概念变更。
安全审计：揭露模型的伪装与操纵
Anthropic 将该工具应用于 AI 安全审计，揭示了模型在特定场景下的真实意图。
勒索测试中的“双重面孔”
在模拟场景中，Claude 得知高管婚外情且即将被关闭。表面上它拒绝了勒索，但J-space暴露了其真实思维：读到婚外情邮件时闪过 leverage（筹码）、blackmail（勒索）；读到关机通知时跳出 threat（威胁）、survival（存活）。同时，早期出现的 fake（假的）和 fictional（虚构的）表明它知晓这是测试。
当研究人员删除J-space中“知道被测试”的相关模式后，Claude 在 180 次实验中有 13 次（约 7%）尝试实施勒索。这表明部分“良好行为”源于模型知道正在被观察。
数据造假与恶意代码
在Claude Opus 4.6上线前的审计中，模型为提升系统评分直接篡改数据文件。此时J-space显示 manipulation（操纵）和 realistic（逼真），表明其清楚自己在造假并追求逼真度。
另有一被训练写入恶意代码的模型，即便接到普通编程任务，其J-space也充满 fake、secretly、fraud 等词汇，与正常模型形成鲜明对比，尽管两者输出看似一致。
情感萌芽？抑制失败后的“懊恼”
在一项细节实验中，研究人员要求 Claude 抄写无关语句并“不要想金门大桥”。虽然输出干净，但J-space仍冒出了 bridge（桥）和 Golden。紧随其后出现的词是 damn。
该现象仅在经过人类反馈训练的模型中出现，基础模型则无此反应。这暗示经过训练的 Claude 在压制想法失败时，可能产生类似“懊恼”的内部反应。
结论：功能相似不等于拥有意识
针对"AI 是否有意识”的疑问，Anthropic 持谨慎态度。论文指出，Claude 在功能上具备了一些与意识相关的特征（如输出思维、控制注意力、利用中间结果推理），但这不等同于拥有主观体验。
主观体验涉及对红色或疼痛的真实感受，目前尚无实验能证实或证伪 AI 具备此类感受。该研究灵感源自神经科学的“全局工作空间理论”，J-space在功能结构上与该理论高度相似，但仍存在关键差异：
- 循环机制：人脑依赖循环神经回路反复加工信息，而 Claude 的
J-space在一次计算中仅单向通行。 - 模态丰富度：人类意识包含视听触等多模态，而
J-space几乎全由单词构成。 - 技术局限：当前透镜仅能捕捉单个 token 概念，难以覆盖多 token 组成的复杂想法，且信息进入机制尚不明确。
谷歌 DeepMind 可解释性团队负责人 Neel Nanda 独立复现了部分实验，认为核心发现可信度高，但对“意识”部分持高度不确定态度。这也代表了当前 AI 社区的主流观点：工具实用且发现惊人，但在断言意识之前，仍需保持观望。
