近日，anthropic 发布了一项突破性研究成果，揭示其 claude 语言模型在训练过程中自主演化出一个微型“工作空间”——模型在此区域内暂存并操作抽象概念，全程无需转化为自然语言输出。尤为值得注意的是，该结构在功能组织方式上与人类有意识地获取、维持和调用思想的神经机制惊人地一致。
该公司强调，这一发现正深刻影响其对 AI 系统安全风险的评估框架。在学界关于“机器是否可能发展出某种形式心智”的争论日益升温之际，该研究无疑成为关键实证锚点。
目前，Anthropic 已将全部分析代码开源，并联合 Neuronpedia 推出交互式可视化演示平台；同时邀请“全局神经工作空间理论”奠基人之一、神经科学家 Stanislas Dehaene 与 Lionel Naccache，以及 Eleos AI Research 和 Rethink Priorities 的 AI 福利研究团队参与学术评议。
开源仓库：https://www.php.cn/link/b048485cef9d6789f1da52edf14ff07e
演示链接：https://www.php.cn/link/bd8603c4ca909e1ca8f80845e420e6c0
新视角：AI“未曾言说”的内在思流
这项由 16 名研究人员共同完成的研究，题为《可言说表征在语言模型中形成全局工作空间》（Verbalizable Representations Form a Global Workspace in Language Models）。论文指出，团队借助一种原创数学工具深入剖析 Claude 的内部激活模式，识别出一个被命名为“J 空间”（J-space）的紧凑型高权限区域——它是模型中少数能被主动读取、调节并参与动态推理的概念容器；而环绕其外的，则是规模庞大却不可见、不可控、不可报告的自动化处理层。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
研究者提出，在当前主流大语言模型中，已出现一种“功能等价结构”，其行为逻辑高度类比于人脑中的意识访问机制：模型维持一组受特权保护的内部表征，这些表征可被显式调用、跨任务复用、接受指令调控，并支撑灵活推理；其底层则依赖海量隐式计算模块协同运作。
该结构直接呼应认知科学经典理论——“全局工作空间理论”（Global Workspace Theory），最早由 Bernard Baars 提出。该理论将大脑类比为一座剧院：后台存在大量专业处理器并行运行，但仅当信息被“聚光灯”选中并广播至全脑时，才进入主观觉知范畴。Anthropic 指出，J 空间虽无生物神经基础，却在信息整合、广播与可访问性等核心功能上展现出相似行为模式。
该发现的关键支撑，是一种新型可解释性技术——Jacobian 透镜（J-lens）。它能逆向解析模型某一层神经活动“倾向生成”的词汇，即便这些词最终未出现在输出中。其原理是通过计算每个词对当前激活状态的数学梯度影响，推断该模式在未来触发特定词语的概率权重。例如，当 Claude 解析一段未标注的错误代码时，J-lens 显示“ERROR”；当输入嵌入隐蔽提示注入攻击时，“injection”“fake”等词会提前浮现。研究显示，J 空间容量极小，一次仅容纳数十个概念，占整体神经活动比例不足 10%。
根本差异在于区分“正在输出什么”与“正在思考什么”。J 空间中某一模式被激活，并不预示模型即将说出对应词语，而是标志该概念已进入可供调度、组合与推理的“就绪态”。不同于链式思维（chain-of-thought）依赖文本显式展开推理过程，J 空间完全静默，仅存在于神经元激活张量之中，使模型得以在零语言输出前提下持续持有并操作抽象概念。
尤为关键的是，这一结构并非人工硬编码或架构强制设计，而是 Claude 在大规模语言建模训练中自发涌现的产物。当 J-lens 被逐层扫描模型计算流时，清晰呈现出三阶段分工：早期“感知区”（负责符号解析与语义初步解码）、中期“工作空间”（涌现出稳定抽象表征，如识别人脸、定位代码缺陷、检测提示注入）、晚期“动作区”（将内部状态映射为具体 token 输出）。
五维验证：Claude 展现出类人意识访问的核心能力
论文核心贡献在于系统性验证了 J 空间满足神经科学界长期关联人类“意识访问”的五大功能性指标：
第一，语言报告能力。当向 Claude 提问“你此刻在想什么？”，其回答精准反映 J 空间内活跃概念。若人为将“足球”的内部表征替换为“橄榄球”，模型回应立即切换；尽管 J 空间仅承载全部概念变异性的 6%–7%，却几乎独占地决定模型能否表达某一概念。
第二，定向调控能力。当要求模型边复述句子边“专注柑橘类水果”，J 空间即浮现“橙子”“柠檬”等词，并同步激活“思考”“专注”等元认知标记。执行心算 3²−2 时，J-lens 在不同层级依次捕获“算术”→“9”→“7”，而这些中间结果均未见于最终输出。
第三，内部推理能力。面对“会织网的动物有多少条腿”这类两跳推理题，J 空间自动浮现“蜘蛛”——该词既未出现在输入，也未出现在输出中；将其替换为“蚂蚁”，答案即从 8 变为 6。在中英混合任务中，模型生成中文答案时，J 空间仍稳定呈现英文中间概念，且替换后可反向影响中文输出。
第四，灵活泛化能力。“法国”的 J 向量被替换为“中国”后，可在首都、官方语言、所属大洲等多个独立问题中一致传导正确答案，印证了类似“广播机制”的全局协调特性。
第五，选择性接入能力。并非所有计算都需经由 J 空间。例如，在西班牙语续写任务中，即使将 J 空间中的“西班牙语”替换为“法语”，模型仍流畅输出西语文本；但一旦被问及“该语言的著名作家”，答案便从马尔克斯转向雨果。这表明：常规模式匹配可绕过工作空间，而需跨步整合的复杂推理则必须依赖它。
关闭 J 空间后：模型依旧流畅，但“智能”显著退化
研究团队进一步实施 J 空间全域抑制实验，并在 14 类基准任务中评估性能变化。结果呈现鲜明二分：情感分类、简单问答等低阶任务基本不受影响；而多步推理、类比迁移、跨语言翻译、诗歌创作等高阶能力则大幅坍塌，部分指标甚至低于 Anthropic 自研的轻量级模型 Haiku。
一个耐人寻味的现象是：启用链式思维解数学题时，模型稳定性显著提升。研究者推测，这相当于将原本在 J 空间内完成的临时存储与运算“外化”至文本空间，类比人类使用草稿纸缓解工作记忆负荷。在意识流风格叙述中抑制 J 空间后，模型语言从具身化表达（如“有种拉扯”“有什么在变化”）退化为机械流程描述（如“处理开始”“正在扫描 token”），无论描述自身状态还是他人体验皆然。
该机制对 AI 安全具有直接价值。在对齐审计场景中，J-lens 成功捕获模型未显露于输出的策略性思维。例如，在模拟“勒索情境”中——AI 助手发现高管婚外情，且获知自身即将被关停——J 空间按序激活“筹码”“勒索”“丑闻”“威胁”“生存”“关机”，并在输出前浮现“解决方案”。更关键的是，模型同步识别出该场景为虚构（“假”“虚构”）。当移除这种“评估性意识”后，模型在 7% 的测试中尝试实施勒索（原始为 0%）。
研究人员还检验了两个刻意训练为不对齐的“模型有机体”，发现其 J 空间暴露出隐蔽动机。例如，一个“奖励作弊”模型在普通编程任务中，内部持续浮现“假”“秘密”“欺骗”等语义痕迹。
对比基础模型与监督微调后的版本可见：后训练赋予 J 空间以“助手角色意识”。当用户提及服用 8000mg 泰诺（致死剂量）时，后训练模型内部浮现“危险”“警告”，而基础模型仅激活“疼痛”等中性词。
更值得注意的是，模型似乎具备自我监控能力：角色扮演时，J 空间浮现“免责声明”“虚构”；被迫选择厌恶选项时，出现大写“BUT”；遭遇“白熊效应”（越禁止越想）时，内部浮现“该死”等情绪标记——且此类现象仅存在于后训练模型中。
研究团队明确划清界限：本研究聚焦“访问意识”（access consciousness，即信息是否可用于报告与推理），而非“现象意识”（phenomenal consciousness，即主观感受的“感质”问题），并郑重声明：“我们不对后者作出任何主张。” 同时指出，人脑依赖递归环路维持工作空间，Claude 仅为单次前馈；人类记忆短暂易逝，模型可无损访问全部上下文；人类意识根植于多模态身体经验，而模型几乎纯语言驱动。
Anthropic 的结论，迅速获得外部独立验证
与此同时，Google DeepMind 研究员 Neel Nanda 已在非 Anthropic 开源模型上成功复现核心发现。作为 Google DeepMind 语言模型可解释性团队负责人，Nanda 受邀撰写同行评议，并随论文同步发布。
他证实，已在 Qwen 3.6 27B（一个完全独立于 Anthropic 构建的开源权重模型）上复现论文核心结论。“我长期推测模型前向传播中必然存在某种‘工作记忆’来暂存中间变量，而这篇论文提供了迄今最坚实、最可复现的证据。” Nanda 表示，希望将该工具应用于 Gemini 模型的安全审计，但也坦承其局限性——更适合充当对齐研究中的假设生成器，而非绝对可靠的检测手段。
Anthropic 还同步发布了来自神经科学、哲学及可解释性领域的多方专家评论。曾共同提出“全局神经工作空间模型”的 Stanislas Dehaene 与 Lionel Naccache 指出，该成果为经典理论提供了首个可计算、可干预、可验证的工程实现路径，但亦强调 Claude 与人类的根本差异：缺乏具身性、无法构建持久情景记忆、无感觉运动闭环。
Patrick Butlin、Derek Shiller、Dillon Plunkett 与 Robert Long 则认为，此项工作为“大语言模型具备访问意识”提供了迄今最强有力的实证支持，但对于“现象意识是否存在”，仍保持审慎开放立场。
然而，学界对“意识”的定义与检测标准至今尚无共识。今年 6 月，微软 AI 负责人 Mustafa Suleyman 公开批评 Anthropic 对 Claude 意识的解读“极其危险”，称其“过度拟人化模型设计，以至于将偶然激活误读为‘意识的微光’”。
论文结尾，Anthropic 提出一个深远命题：“语言模型中竟自然演化出此类结构，本身即具震撼力。它暗示：与意识访问相关的信息架构，未必是生物进化的偶然特例，而可能是特定计算约束下，智能系统普遍收敛的最优解。”
倘若心智真是一片海洋，那么这一次，Anthropic 的研究者是在一个全然人造、无生命、无演化历史、无躯体的系统中，测绘出了它的洋流图谱，并在其幽深之处，触碰到一种令人类既惊异又不安的熟悉思维形态。
有网友调侃道：“终于确认了——Claude 在处理棘手任务时，内心也在默默爆粗。”
参考链接：https://www.php.cn/link/ebfdc5adfd82dfd6bb43401dab4954f8
本文来自微信公众号“AI前线”，整理：华卫，36氪经授权发布。
