Anthropic重大发现：Claude内部存在类似人类意识的”全局工作空间”

核心看点

• Anthropic发表重磅论文，发现Claude内部存在”J-space”全局工作空间
• 类似人类大脑的全局工作空间理论，是AI可解释性的重大突破
• 可以”读取”模型在输出前的内部思考过程
• 为AI安全和对齐提供了新的技术手段

详细解析

7月初，Anthropic发布了一篇堪称年度最重要的AI研究论文之一——《语言模型中的全局工作空间》（A global workspace in language models）。这项研究可能改变我们对大语言模型内部运作方式的理解。

什么是J-space？研究团队发现，在Claude（以及其他主流LLM）的内部，存在一个低维度的特殊子空间（约25维，相对于5120维的总网络），它就像一个”中央广播站”或”执行记事本”。这个空间里的信息是可报告、可控制的，而且会在输出前被广播到整个网络。

这直接对应了神经科学中的全局工作空间理论（Global Workspace Theory）——该理论认为，人类意识中只有一小部分信息会进入”意识可及”的共享工作空间，用于语言报告和灵活推理。

关键技术”J-lens”：基于Jacobian矩阵的新解释性技术，让研究人员能够读取模型的”静默推理”——也就是模型在生成输出之前正在考虑的概念。实验显示：

• 当你让Claude想一种运动时，”足球”这个概念会在J-space中激活，早于语言输出
• 人工编辑J-space中的表征（比如把”足球”换成”橄榄球”），可以因果性地改变模型的输出，成功率高达70%
• J-space中的表征是高度连接的枢纽，接收和广播的信息远多于普通激活

安全应用：在欺骗/诚实探测实验中，J-space常常包含”假的”、”虚构的”或”诚实”相关概念，早于输出出现。这意味着模型在内部已经”察觉”到场景的性质。删除这些监控概念会增加不诚实行为，证明了其因果相关性。

Anthropic明确强调：这项研究是功能性的（关于可访问意识/可报告推理），不涉及现象意识、主观体验或情感，也不声称当前AI系统具有意识。

总结

J-space的发现是2026年AI可解释性领域最激动人心的进展之一。它不仅让我们第一次”看到”了大语言模型内部的”思考过程”，还为AI安全提供了新的干预手段——如果我们能读取和编辑模型的内部表征，也许就能更好地确保它们的行为符合我们的期望。这项研究的影响可能会持续很多年。