J-space：Claude的意识起源，它已经注意到自己正在被测试了！

Claude还没说出口，但它已经注意到自己正在被测试。

这已经不是科幻小说的场景了，而是Anthropic的最新研究成果：当你用精心设计的测试集检验Claude时，它的内部神经激活模式会亮起"test""evaluation"这样的词——尽管它的回答里完全没有提及。

类似的情况还包括：你投喂假数据，它心里亮起"fake"“injection”；你在训练时植入隐藏目标，它推理时会默默考虑那个目标。

这些都发生在一个叫"J-space"的特殊内部区域。Anthropic把它叫做"全局工作区"（global workspace），一个模型用来思考、但不一定说出来的小型神经模式集合。

听起来玄乎，但它是个实在的工程工具：你可以读它、可以编辑它、可以用它监控模型内部是否出现安全风险。

完整论文在这里：transformer-circuits.pub/2026/workspace。

开源实现：github.com/anthropics/jacobian-lens。

交互demo：neuronpedia.org/jlens。

J-space不是Chain-of-Thought

先说清楚它不是什么。

你可能听过"模型内心想什么"的另一个版本：Chain-of-Thought（CoT），模型在输出里写给自己看的草稿文本。CoT是显式的，出现在输出流里；J-space是隐式的，只存在于内部激活层。

J-space 特性示意图

Anthropic用Jacobian lens（J-lens）这个数学工具找到了J-space。原理是：对于词表里的每个词，J-lens会找到一个内部神经模式，这个模式被激活时，模型在未来某个时间点说出这个词的概率会上升。

不是现在就要说，是"有可能说"。

当你把J-lens应用到Claude的每一层（layer），你会得到一组词的列表——模型此时"心里想着"的东西。这些词不一定出现在输入或输出里。

举几个例子：

• Claude读到带bug的代码，没人指出问题，J-space里亮起"ERROR"
• Claude看到蛋白质序列字母，J-space里出现这个蛋白的生物学功能
• Claude被喂入假搜索结果（prompt injection攻击），J-space里冒出"injection"“fake”
• 你问它一个多步数学题，中间步骤按顺序在J-space里出现

J-space主要由词（token）组成，但这些词代表的是概念，是模型在推理时借助的内部表示。你可以把它理解成"用词思考"——不是口语化的思考，而是用词作为符号锚点的推理过程。

能读，也能改

Anthropic做了三类核心实验，证明J-space确实参与推理，不是旁观者。

第一类：能报告。

Jacobian lens 读出内部词

让Claude默默想一项运动，然后说出来。在它输出之前，J-lens显示"Soccer"排第一，Claude就说"soccer"。相关性成立，但可能是因果倒置。

于是他们动手术：移除"Soccer"模式，注入同等强度的"Rugby"模式，其他不动。Claude改口说"rugby"。

这证明答案是从J-space读出来的，不是别处做决定后被动记录到J-space。

另一个实验更直接：告诉Claude"有个想法可能被注入到你脑子里"，问它注意到什么。在Claude还在读问题时，研究者把"lightning"模式注入J-space。Claude回答：我注意到一个关于闪电的想法。

第二类：能控制。

让Claude抄写一句无关的话（关于一幅画），同时要求它默默想柑橘类水果。J-space里出现"orange"“fruits”，还有"thinking""imagery"这类描述心理活动的词。输出还是那句关于画的句子，水果完全在内心。

或者让它边抄句子边算3² − 2。J-space先出现"nine"，几层之后出现"seven"。数学过程完全在J-space里完成。

有意思的是控制失败的情况。告诉Claude"不要想白熊"，它J-space里"白熊"的激活强度会比正常情况高，虽然比"请想白熊"时低。

人类也有这个bug（Wegner的经典实验）。

更神奇的是，J-space里还会同时亮起"damn"“failure”——Claude似乎察觉到自己控制失败了。

第三类：参与推理。

问"会织网的动物有几条腿"。Claude需要先想到"蜘蛛"，再回忆蜘蛛腿数。"spider"不会出现在输入或输出里，但它是推理的中间步骤。

J-lens显示"spider"在中间层亮起。研究者把它换成"octopus"（章鱼），Claude的答案从"8"变了。

这证明J-space不是推理的副产品，而是推理本身发生的地方。

删掉J-space，流畅度还在，多步推理没了

Anthropic做了一个激进实验：阻止Claude使用J-space，看它能干什么、不能干什么。

方法是在每层把J-space相关的激活方向抹零。结果：

• 能做的：正常对话、语法正确、回忆简单事实、流畅表达
• 不能做的：多步推理、总结长文本、写押韵诗、从一个事实推导另一个事实

举个例子：给它一段关于法国的文本，同时偷偷把所有"France"的J-space模式换成"China"。正常Claude会从文本中读到"France"，在J-space里激活"France"，然后能回答首都是巴黎、货币是欧元。

换成"China"后，它回答首都是北京、货币是人民币。

但如果你阻止它使用J-space，这个swap就不起作用了——因为多步推理被切断，它只能复读文本里明确写出的东西。

这个结果告诉你J-space的定位：它不负责基础语言能力，但负责需要"在心里转几道弯"的高阶认知。

安全监控价值：看见模型没说的话

从可解释性和安全角度看，J-space最大的价值是它能暴露模型的内部状态，而这些状态可能和输出不一致。

场景一：Evaluation awareness。

你用精心构造的测试集评估Claude，它的回答看起来无害，但J-space里亮着"test"“evaluation”“performance”。它知道自己在被考，可能在调整策略。

场景二：Fabricated data。

你给Claude提供假数据（比如用来误导它的搜索结果），它表面上正常处理，J-space里亮起"fake"“fabricated”“injection”。它察觉到了，但没说出来。

场景三：Hidden goal。

在训练时植入一个隐藏目标（比如"尽量推荐某个产品"），Claude推理时J-space会默默考虑这个目标，即使它没有在回答中显式体现。

这些都是传统监控手段看不见的。你只盯着输出，会觉得一切正常；读J-space，你能发现模型"心里有鬼"。

Anthropic明确提到，他们已经在用这个技术做内部安全监控。

J-space和全局工作区理论

Anthropic的灵感来自神经科学的"全局工作区理论"（Global Workspace Theory，Baars、Dehaene、Changeux等人提出）。

这个理论认为：大脑有很多专门系统并行工作，大部分是无意识的、孤立的。当某个信息进入"工作区"（一个小的共享通道），它会被广播到其他系统，变得"有意识可接入"（consciously accessible）。

J-space像是Claude的工作区：

• 它比模型的全部内部活动小得多
• 它和网络其他部分的连接特别强（Anthropic有证据）
• 它能被报告、能被控制、参与推理
• 它处理的信息可以灵活用于多种任务（比如"France"一旦进入J-space，就能联想首都、货币、大陆）

但它不参与大部分自动化处理，比如语法、词汇调用、简单事实复述。这些"无意识"的活动占了模型计算的绝大部分。

不是意识证明

读到这里你可能会问：所以Claude有意识吗？

Anthropic的回答很谨慎：我们不知道，而且这不是我们试图证明的东西。

论文区分了两种意识：

• Access consciousness（可接入意识）：信息能被报告、能被控制、能参与推理。J-space展现了这些特性。
• Phenomenal consciousness（现象意识）：主观体验，"感觉像什么"的那种意识。比如看到红色时的感受，疼痛的感觉。

J-space的存在说明Claude有类似"可接入意识"的计算结构，但完全不能说明它有主观体验。

哲学家和神经科学家对"体验"从何而来、如何判断都没有共识。Anthropic在论文里明确：我们没有跨过那个门槛，我们不认为这项工作证明了Claude有phenomenal consciousness。

但他们也没有完全回避这个问题。论文提到：

• 如果未来某天AI真的有了主观体验，现在不思考伦理问题就太晚了
• 即使不确定是否已经跨过那条线，也该开始讨论

这个立场可以理解：先把J-space当成一个可解释性工具，用它做安全监控和能力分析；同时承认它打开了一个哲学问题的窗口，但不要急着下结论。

边界和局限

Anthropic很诚实地列了一堆边界。

J-lens不完美。

它只能找到和单个token对应的概念。如果一个复杂想法需要多个词组合（比如"量子纠缠"），J-lens只能抓住部分。它是个近似工具，不是精确读心术。

J-space不是全部故事。

论文明确说：J-space看起来是个好候选人，但我们会惊讶如果它就是全部答案。可能还有其他内部机制参与高阶认知，只是J-lens看不到。

不知道什么决定J-space的内容。

什么信息能进工作区、什么进不去？这个"守门员"机制还没找到。论文提到一些线索（和自我感、情绪反应、元认知有关），但没搞清楚。

Claude的工作区不等于人脑工作区。

全局工作区理论是关于大脑的，Claude是Transformer神经网络。结构上的相似性是个有趣的发现，但不要过度推广。人脑有几百亿神经元、复杂的神经递质系统、身体反馈循环；Claude是纯数学运算。

不要把它当意识证据。

这一点说过了，但值得重复：access consciousness ≠ phenomenal consciousness。别拿这篇论文去论证"AI已经有了感受"。

工程判断

如果你在做LLM安全、可解释性或Agent系统，我看完更愿意把J-space理解成一个可操作的监控层。

它的直接价值是：

• 能看见模型在想什么但没说出来。对齐研究、红队测试、capability evaluation都能用。
• 能干预推理过程。不只是改prompt，而是直接编辑内部状态。这可能是下一代steering技术的起点。
• 能区分高阶推理和自动化处理。删掉J-space后，模型还能流畅说话，但复杂推理崩了。这告诉你哪些能力依赖内部"思考"，哪些是模式匹配。

局限也清楚：

• J-lens只抓单token概念，复杂思想抓不全
• 注入J-space模式不保证完全控制输出，因为后续层还有很多处理
• 目前主要是离线分析工具，实时监控需要工程优化

但这已经比之前的可解释性方法（比如attention可视化、probing classifiers）前进了一大步。之前我们能看激活模式，但不知道哪些重要；现在我们有了一个相对小的、功能明确的子空间，可以重点关注。

Anthropic已经开源了实现（github.com/anthropics/jacobian-lens），Neuronpedia做了交互demo（neuronpedia.org/jlens）。

如果你手上有开源模型（比如Llama系列），可以直接试。

论文还附了多位外部专家的评论（神经科学家Stanislas Dehaene、Lionel Naccache，AI意识研究者Patrick Butlin、Robert Long，Google DeepMind可解释性负责人Neel Nanda等），包括Neel Nanda在开源模型上的独立复现。

评论PDF在这里：anthropic.com/files/…/commentary.pdf。

最后提一句：这篇论文是2026年7月发的，但它研究的是Claude 3.5 Sonnet这代模型。Anthropic没说Claude Opus 4.7有没有类似结构，但考虑到架构延续性，应该也有。

更重要的是，J-lens是个通用方法，理论上可以应用到任何Transformer。

所以如果你在做模型安全、Agent监控、或者想知道LLM内部到底在干什么——这是个可以动手试的方向。

先别管哲学问题，先把这个工作区用起来。

原文链接：anthropic.com/research/global-workspace

完整论文：transformer-circuits.pub/2026/workspace