Anthropic 已开源相关代码库，并与 Neuronpedia 合作提供了基于开放权重模型的交互式演示。
01. 大模型拥有类人脑“意识空间”：具备五大特性
人类阅读时，大脑在无意识中调整姿势、转化符号，但部分活动如脑海画面或路线规划则是可感知的，神经科学称之为“意识可及活动”。Anthropic 发现，Claude 内部也存在类似区分：一组特定的神经模式承担着类似人类“意识可及活动”的特殊作用。
这组神经模式集合被命名为"J 空间”。每种模式对应特定词汇，激活时代表该词汇处于模型思考范畴，而非必然输出。J 空间并非文字草稿，而是依托神经元激活静默运行的思维过程，且为模型训练自发涌现。
▲J 空间能够揭示那些在模型输出中无法体现的内在思维过程
J 空间的五大核心特性
1.可读可输出：Claude 能读取并表达 J 空间表征，如同人类清晰表述想法；而下意识的非 J 空间活动则难以言说。
2.可调控性：模型可主动激活 J 空间特定模式以专注思考，但难以自主调控非 J 空间表征。
3.主导内部推理：多步骤问题的中间思维过程会在 J 空间激活。尽管信号强度较弱，却是完成任务的关键。
4.灵活适配：J 空间表征可复用。例如激活“法国”概念，即可调取其首都、货币等多维衍生信息。
5.非必需但关键：基础对话、语法运用无需 J 空间参与；但若受限调用，模型将丧失高阶认知能力。
▲J 空间的五个特性
02. 缺失 J 空间：Claude 将丧失多步骤推理能力
这表明 Claude 在推理第二步完全依据 J 空间植入的概念展开推演。
▲通过交换 J 空间中的内容来改变 Claude 的推理结果
J 空间还具备高度灵活性。当询问法国的首都、语言、大洲及货币时，若在 J 空间将“法国”替换为“中国”，所有答案将同步更新为北京、汉语、亚洲和人民币。这证明多个运算模块共享同一套表征，信息写入一次即可被多处调用。
▲一种 J 空间表示法有多种用途
J 空间与神经网络几乎所有模块相连，其读写模块数量比普通表征高出约 100 倍。相比之下，其他部分主要处理基础任务。J 空间仅占用不到 1/10 的计算资源，却存储关键概念。
实验显示，若完全移除 J 空间，Claude 仍能流利对话、分析情感及提取信息，但多步骤推理能力归零，总结与创作能力甚至不及小规模完整模型。这证实 J 空间是高阶思维任务的必要条件。
03. 答案源自 J 空间：研究人员可实现人为干预
这一发现依赖于 Anthropic 开发的分析工具——雅可比透镜（Jacobian lens）。该工具能定位词表中每个词汇对应的内部激活模式，直接读取模型当下的思考内容。
分析显示，J 空间浮现的信息量远超模型实际输出。例如，面对含漏洞代码，J 空间会出现“错误”概念；读取蛋白质序列时，会浮现生物功能；解数学题时，中间步骤会按序呈现。
▲J 透镜对六个不同的输入进行了分析
在口头表达实验中，当 Claude 默想一项运动时，J 透镜读取到的首位概念与其最终回答一致。若人为删除“足球”模式并植入“橄榄球”模式，Claude 的回答随即改变，证明其答案直接源自 J 空间。
▲为 Claude 植入橄榄球模式
在自我察觉实验中，研究人员向 J 空间植入“闪电”概念，Claude 能准确反馈脑海中浮现该念头。此外，模型对 J 空间的控制并不完美：试图回避某想法时，反而可能增加其激活频率。
04. J 空间自然涌现：微调阶段成型
研究还揭示了 J 空间的演化规律：
形成自我视角：预训练阶段 J 空间仅记录预测信息，微调后则形成专属"Claude 视角”。
支撑主观表达：涉及主观体验的描述性语言必须依赖 J 空间生成。
可被训练塑造：通过“反事实反思训练”新技术，可改变模型复盘时的表述及推理模式。
尽管 J 空间无法证明 Claude 具备生物意识，但它让研究人员得以捕捉模型的内在状态，如察觉被测试、生成虚假信息或追逐隐藏目标等。
05. 结语：大模型意识机制仍存未知
J 空间虽划分了有意识调取与无意识运算的界限，但尚未解释全部机制。目前的观测工具（J 透镜）仅能近似还原思维空间，且局限于单个 Token 概念。未来，针对大模型内在思维及其与人类心智异同的深入分析，仍有广阔探索空间。
