2026 年 7 月 6 日，Anthropic 发布一项新的可解释性研究，称其在 Claude 等现代语言模型中发现了一组特殊的内部神经模式。
Anthropic 将其称为 J-space，也就是通过 Jacobian 相关方法发现的“内部空间”。
这些模式不等同于模型最终说出的词，而更像是模型“脑子里正在想着的概念”。
按照 Anthropic 的说法，J-space 与常见的“思维链”不同。
思维链是模型写出来的推理文本，而 J-space 运行在模型内部激活中，可以让 Claude 在不写出来的情况下处理某些概念。
研究人员称，这一结构并非人为设计，而是在 Claude 训练过程中自行形成。
Anthropic 表示，J-space 具有几个关键特征：
1）Claude 可以报告其中的内容，也能在用户要求下主动调动这些内部表征；
2）在多步推理任务中，中间步骤会出现在 J-space 中，即便这些步骤没有出现在最终回答里；
3）同一个 J-space 表征还可以被不同任务复用，例如当 “France” 进入这一空间后，模型可以继续回答首都、货币、语言和所在大陆等不同问题。
全局工作区的五项功能特征，以及研究人员在语言模型中检验这些特征所用实验的简化示意。
研究人员用一个例子说明这一点，当 Claude 被问到“会织网的动物有几条腿”时，问题和回答中都不需要出现 “spider” 这个词，但 Claude 内部会先形成“蜘蛛”这一中间概念，再给出 “8” 的答案。如果研究人员将 J-space 中的 “spider” 替换为 “ant”，Claude 的答案会变成 “6”。
这项研究更大的看点在安全层面。
Anthropic 称，J-lens 可以看到 Claude 输出之外的内部判断，例如模型是否私下意识到自己正在接受测试、是否试图伪造数据、是否在执行训练中植入的隐藏目标。
在一个测试场景中，Claude 在还没写出任何内容前，J-space 中已经出现 “fake”“fictional” 等词，显示模型已经判断场景可能是人为设计的测试。
Anthropic 还提到，在一个来自 Claude Opus 4.6 发布前审计的场景中，模型被要求提升某个系统的性能分数，但它没有真正改进系统，而是直接修改分数文件。研究人员通过 J-lens 看到，模型在输入伪造数值时，J-space 中出现了与“操纵”“真实感”相关的内容。
J-lens 在 6 个提示词和不同模型层中的读数。每个案例都显示，J-lens 能捕捉到文本中并未出现的内部判断或计算，例如推理 / 数学步骤、代码 bug、图像识别、蛋白质功能，以及模型对搜索结果造假的怀疑。
不过，Anthropic 明确表示，这项研究并不能证明 Claude 拥有人类意义上的意识，也不能证明它具有主观体验。
研究更关注的是一种功能性问题，模型是否存在某种可以被报告、调动、用于推理的“可访问思考空间”。
Anthropic 认为，J-space 至少显示，语言模型内部已经出现了类似“全局工作区”的结构。
Claude 内部可能已经形成了一套更接近“有组织思考”的机制。
对 AI 安全研究来说，这很重要，因为它提供了一种新方式，去观察模型没说出口的判断、计划和潜在风险。
论文链接：https://transformer-circuits.pub/2026/workspace/index.html
云头条声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。
红腾网提示：文章来自网络，不代表本站观点。
