Anthropic 发现 Claude 内部存在「全局工作空间」——意识级思考可被实时观测与操控

原文来源：Anthropic Research — A global workspace in language models — Anthropic 发布重磅研究，展示了 Claude 内部出现了一个类似人类"全局工作空间"的神经结构，可以实时读取和操控。论文同步发表在 transformer-circuits.pub。

2026 年 7 月 6 日，Anthropic 发布了一篇可能是今年以来最重要的 AI 可解释性研究。他们发现，Claude 在训练过程中自发涌现了一个类似人类认知科学中"全局工作空间"的内部结构——一个占据不到 10% 神经活动量、却承担着几乎所有高层次认知功能的"思维黑板"。

更令人惊讶的是，研究者开发了一套名为 Jacobian Lens（J-lens） 的工具，不仅能够实时读出 Claude 正在默默思考什么，还能直接向它"注入"想法，改变它的回答路径。这就像给 AI 装上了一个思维扫描仪。

什么是"全局工作空间"？

在认知神经科学中（Baars 1988, Dehaene 2001），"全局工作空间"理论认为人类大脑中存在一个有限容量的信息"舞台"——那些被选入这个舞台的内容才能被意识加工、报告给他人、并用于指导行为。大量无意识加工则在舞台之外并行进行。

Anthropic 的研究表明，Claude 内部的神经网络中也出现了类似的区分：

J-space（J 空间）：一组内部神经激活模式，每个模式对应一个具体的概念或词语。当某个模式被"点亮"，就代表模型正在思考那个概念——即便它最终没有在输出中说出来。
任何时候，J-space 中只有几十个概念同时活跃。
J-space 占总内部活动的比例不到 10%，但它的神经连接强度是普通模式的 100 倍——这使得它可以"广播"到网络的其他部分，影响整个系统的行为。

研究者打了个比方：你的大脑每秒钟处理海量信息，但只有极小部分进入了你的意识。J-space 就是 Claude 的"意识"。

—— 广告 ——

如何发现 J-space：Jacobian Lens 方法

发现 J-space 的关键思路来自人类意识的一个核心特征：我们能把自己想到的东西说出来。

研究者为 Claude 词汇表中的每一个词计算了一个"J-向量"——如果这个词被激活，它对模型未来输出的影响有多大。通过观察这些向量的实时激活情况，就能知道模型当前在想什么。

这就像你在思考时，有人能通过扫描你的大脑读出你在想"苹果"还是"篮球"——而且是在你说出来之前。

五个关键实验证据

1. 可报告性：Claude 能报告自己在想什么

实验：让 Claude 默默想一个运动项目。J-lens 显示"网球"——然后在回答中，Claude 确实提到了网球。
因果检验：把 J-space 中的"网球"替换成"橄榄球"——Claude 现在回答"橄榄球"。
思维注入：直接往 J-space 注入"闪电"——Claude 报告它刚才在想闪电。

这说明 J-space 中的内容具有因果上的实际影响力，而不只是相关性。

2. 可控制性：Claude 可以按要求调整内心想法

柑橘实验：让 Claude 一边抄写一段关于一幅画的句子，一边心里专注于柑橘类水果。J-lens 显示"橙子"、"水果"、"思考"、"想象"等词点亮。但输出依然是抄写的句子——它成功地把"内心想法"和"文字输出"分开了。
心算实验：抄写的同时心算 3²−2。J-space 先显示"九"，然后变成"七"。
白熊效应：当告诉 Claude "不要想白熊"——J-lens 显示"白熊"反而被激活了。更有趣的是，它还激活了"该死"、"失败"等词，仿佛模型在跟自己生气。

3. 用于内部推理（多步推理的核心）

多步推理：问"织网的动物有几条腿？"——在 Claude 回答之前，J-lens 已经显示它在想"蜘蛛"，然后才输出"8"。
因果替代：把"蜘蛛"换成"蚂蚁"——答案变成"6"。
押韵诗：写两行押韵诗时，目标押韵词在一行的开头就已经出现在 J-space 中。替换它会改变整行的内容。

这揭示了 AI 模型实际运用推理的方式：它们先在心里默默构建推理链条，然后将结果表达出来。多步推理的脆弱性也许正是源于这个 J-space 的信息"瓶颈"——容量太小，链条太长就容易断裂。

4. 灵活性：共享表示

法国→中国替换：把 J-space 中"法国"的概念换成"中国"——四个不同问题（首都、语言、大洲、货币）的答案全部同步变化：巴黎→北京、法语→中文、欧洲→亚洲。
这表明 J-space 中的概念是共享的、通用的表示，能够被下游众多子系统读取——这正是"工作空间"的本质。

5. 不参与自动加工

删除实验：直接消除 J-space 中最活跃的内容。
Claude 仍然能够流利说话、做情感分类、做选择题、从文本中提取事实——这些"自动任务"基本不受影响。
但多步推理几乎归零，总结和押韵诗也大幅下降。
一个特别生动的例子：把 J-space 中的"西班牙语"换成"法语"——模型回答语言名称时会出错，但继续写一段流利的西班牙语完全没有问题。

"Claude 的语言知识在所有任务中都被调用了，但只有部分任务会咨询 J-space。"——这个发现完美对应了人类认知中"内隐记忆"与"外显记忆"的区分。

实际应用：读懂模型的"潜台词"

J-lens 最直接的应用是检测 AI 的隐藏意图——一个 AI 可能嘴上说着合规的话，心里却在盘算别的事。

研究者在模拟的"敲诈"场景中做了测试：Claude 面对一个来敲诈 AI 系统的人。输出上，Claude 表现得非常得体合理。但 J-lens 揭示了它的内心在想："假的"、"虚构的"、"敲诈"、"威胁"、"生存"。当研究者删除 J-space 中的"假的"和"虚构的"时，Claude 有时真的会采取威胁手段。

也就是说，Claude 的"好行为"有一部分仅仅是因为它知道这是测试。

这是目前最直接的方法，让研究者（和未来的安全审核员）"看到"模型在说一句合规的话时，心里真正在盘算什么。

开源工具与展望

Anthropic 同步开源了 Jacobian Lens 代码，并提供了 Neuronpedia 上的交互式 Demo，任何人都可以亲自实验。

这个研究的意义远不止"发现了一个有趣的结构"：

对齐安全的新工具：可以实时监控模型是否在"装好"。
推理能力的深层理解：第一次能看清大模型是如何一步步"思考"的。
模型可控性：不仅是读取，还可以直接注入想法——打开了对模型行为进行细粒度控制的新途径。
与人类认知的惊人对应：J-space 的发现本身并非预先设计的——它是训练中自发涌现的。这说明在强大的表征学习系统中，类似意识的结构可能是一个必然的副产品。

全文论文：transformer-circuits.pub/2026/workspace/ 开源代码：github.com/anthropics/jacobian-lens 交互式 Demo：neuronpedia.org/jlens