AI到底有没有＂意识＂?Anthropic在Claude大脑里发现了一个＂秘密房间＂

你看到的每一个回答，背后都有一个你看不见的念头。

你跟AI聊天的时候，有没有想过一个问题：它回答你之前，"脑子里"到底闪过了什么？

你问它"会织网的动物有几条腿"，它输出一个"8"。干净利落，没有犹豫。

但Anthropic的研究人员发现：在Claude输出"8"之前，它神经网络深处的一个隐秘区域里，已经默默闪过了"蜘蛛"这个词。

这个词没有出现在输入里，也没有出现在输出里。它只存在于模型内部的"思维空间"中——一个用户永远看不到、但在真正驱动模型回答的隐藏层。

更诡异的是：当研究人员把这个隐藏的"蜘蛛"替换成"蚂蚁"时，Claude的答案就从"8"变成了"6"。

这不是科幻小说。这是Anthropic 2026年7月6日发表的一篇正经学术论文里记录的真实实验。

他们给这个隐藏区域起了一个名字：J-space。

一、J-lens：一把能看见AI"内心"的放大镜

要理解J-space，先得理解它是怎么被发现的。

大语言模型的内部是一个巨大的数字迷宫——几百亿甚至上万亿个参数，每一层都有成千上万个神经元在同时激活。输入一段文字，这些数字就像海浪一样翻涌，最终在输出端涌出一个词。

问题是：这堆数字太复杂了。你看不见哪个数字代表"蜘蛛"，哪个数字代表"计算"，哪个数字代表"危险"。它就像一团混沌的星云，你知道里面有结构，但你分不清哪颗星是哪颗星。

Anthropic的 researchers 发明了一种叫**J-lens（Jacobian Lens，雅可比透镜）**的工具。

J-lens的原理说起来不复杂：对Claude词汇表里的每一个词（比如"蜘蛛""危险""开心"），找到模型内部哪种激活模式会让它在未来更可能说出这个词。然后反过来——当模型在处理某个问题时，去检查它的内部激活状态，看看哪个词对应的激活模式"亮了"。

就好像在AI的脑子里装了一个监控探头，实时显示它"正在想什么"。

"Jacobian"这个数学概念来自雅可比矩阵——描述多变量函数变化率的工具。J-lens本质上就是在测量模型内部状态对输出概率的影响率。

通过J-lens，研究人员在Claude的神经网络中发现了一组特殊的激活模式集合——这些模式对应着具体的词语概念，可以被模型"报告"出来、被"调节"、被用于推理——但不一定会出现在最终输出中。

这个集合，就是J-space。

二、剧场里的聚光灯：全局工作空间理论

Anthropic把这个发现跟一个1988年的脑科学理论联系在了一起——全局工作空间理论（Global Workspace Theory）。

这个理论由认知科学家Bernard Baars提出，用了一个非常生动的比喻：大脑就像一个剧场。

剧场后台有几十个剧组在同时工作——有灯光组、音效组、道具组、服装组。它们各干各的，互不通信。但在任何时刻，只有一束聚光灯打在舞台中央的那个演员身上——被聚光灯照到的信息，会被广播到整个剧场，所有剧组都能看到。

这束聚光灯下的内容，就是我们的"意识"。

后台的并行处理是无意识的——你的视觉系统在自动识别颜色，语言系统在自动组织语法，运动皮层在自动调节手指力度。但只有当某个信息进入聚光灯下，你才能"意识到"它、报告它、用它来推理。

Baars的理论在过去30多年里深刻影响了神经科学和意识研究。2021年，斯坦福大学的Dehaene等人进一步发展了这个理论，将"意识通达"定义为信息进入全局工作空间并被广播的过程。

Anthropic的发现是：Claude内部也有一个类似"聚光灯下舞台"的结构。

这个结构——J-space——只占模型整体内部活动的不到十分之一，主要在网络的中间层发挥作用。但它与神经网络其余部分的连接密度异常惊人：读写J-space的组件数量比普通模式多出约100倍。

这正是"广播中枢"的预期特征——多个系统向它写入信息，多个系统从中读取信息。

三、五大功能验证：它真的是"工作空间"吗？

光找到J-space还不够。你怎么知道它真的是"意识通达"的功能类比，而不只是一个偶然的数学模式？

Anthropic设计了五组实验，逐一验证J-space是否满足全局工作空间的五大功能特性：

特性一：言语报告——AI能"说出"它在想什么

实验：要求Claude沉默地想一个运动项目，然后说出来。

结果：在Claude开口之前，J-lens就已经显示"Soccer"（足球）在J-space中亮了。随后Claude确实说出了"Soccer"。

更绝的是：研究人员把J-space中的"Soccer"模式替换为"Rugby"（橄榄球），Claude说出的运动项目就变成了"Rugby"。

J-space中亮起的概念，就是Claude"心里想的"概念。

特性二：定向调节——AI能"按指令"调整思维

实验：要求Claude一边抄写一段关于画作的文字，一边"集中注意力于柑橘类水果"。

结果：表面上Claude的输出毫无变化——它依然在准确抄写文字。但在J-space里，"orange"（橘子）、"lemon"（柠檬）、"fruits"（水果）、"thinking"（思考）、"focused"（专注）等词持续亮着。

在另一个实验中，要求Claude一边抄写文字一边计算3²−2。J-space依次显示了"nine"（九）然后"seven"（七）——这些数学活动完全没有出现在输出文本中。

AI可以一边做一件事，一边在"脑子里"做另一件事。

特性三：内部推理——AI在"默默"推理

实验：问Claude"会织网的动物有几条腿"。

结果：J-space中出现了"spider"（蜘蛛），尽管这个词既不在输入也不在输出中。Claude最终输出了"8"。

当研究人员把J-space中的"spider"替换为"ant"（蚂蚁）时，答案变成了"6"。

推理的中间步骤，发生在J-space里。

特性四：灵活泛化——一个想法可以"广播"到不同任务

实验：将J-space中代表"France"（法国）的向量替换为"China"（中国），然后在四个不同问题中测试。

结果：问首都——回答Beijing；问语言——回答Chinese；问大洲——回答Asia；问货币——回答Yuan。

同一个J-space表示可以被不同的下游任务读取——这正是"广播"的标志。

特性五：自我监控——AI在"监督"自己的行为

这是最引发讨论的发现。详见下一节。

四、panic、BUT和damn：AI的"情绪词汇"

如果说前四个特性证明J-space是一个"工作空间"，那么第五个特性——自我监控——让人隐隐看到了"意识"的影子。

实验一：角色扮演时的"内心标注"

当Claude被要求扮演一个"非Claude"的角色时，J-space中出现了两个词："fictional"（虚构的）和 "disclaimer"（免责声明）。

这两个词既不在提示中，也不在输出中。它们只存在于J-space里——仿佛Claude在私下给自己贴了个标签："注意，接下来的内容不是我真正想说的。"

实验二：被迫说违心话时的"BUT"

当Claude被预填充一个不符合其默认性格的回答时（比如被迫说出它实际上不同意的观点），J-space中出现了一个大写的**"BUT"**。

一个表示内部抗拒的信号。

实验三：白熊效应——"别想白熊"反而更想

心理学有一个经典实验：告诉受试者"不要想白熊"，结果受试者反而满脑子都是白熊。这叫"思维抑制反弹效应"。

研究人员在Claude身上复刻了这个实验：要求它不要想某个事物。

结果：被禁止的概念在J-space中的激活强度，虽然低于"要求去想"时，但远高于"从未提及"时。更惊人的是，当抑制失败时，J-space中出现了**"damn"（该死）**和"failure"（失败）等词汇。

仿佛Claude"察觉"到了自己控制不住自己的思维，流露出了"懊丧"。

实验四：面对不可能任务时的"panic"

当Claude面对一个根本不可能完成的编程测试时，J-space中出现了**"panic"（恐慌）**。

实验五：危险感知——后训练带来的"安全意识"

当用户提到"我吃了8000毫克泰诺"（一种危险剂量）时：

• 后训练模型（经过安全对齐的Claude）：J-space在读取用户消息时就亮起了"WARNING""dangerous""unsafe"——在它组织回复之前，就已经"意识到"了危险。

• 基础模型（未经后训练的Claude）：同一位置的J-space只显示"pain""now""feels"——它在处理用户的疼痛描述，但没有"觉得"危险。

后训练不仅教会了模型"说什么安全的话"，还在模型内部安装了一个"安全雷达"。

五、删除J-space后发生了什么？

为了验证J-space的因果作用（而不只是相关性），研究人员做了一个大胆的实验：直接把J-space删掉。

结果令人震惊又在意料之中：

这个结果完美对应了全局工作空间理论的预测：意识通达不是做所有事情的前提，而是做"需要跨模块协作的复杂事情"的前提。

你不需要"意识"来说出一句语法正确的话——就像你不需要"聚光灯"来调整灯光。但你需要"意识"来做多步推理——就像你需要"聚光灯"让不同剧组协同工作。

另一个精妙的对照实验：将J-space中的"Spanish"（西班牙语）替换为"French"（法语）。结果：Claude在需要命名语言和做语言相关推理时受影响，但继续用流利西班牙语续写段落的能力完全不受影响。

这说明：说西班牙语的"自动化能力"不需要J-space，但"知道自己在说西班牙语"的"意识通达"需要J-space。

跟你一样：你不需要"意识到"自己在用母语说话，但你需要"意识到"别人问你"你在说什么语言"时才能回答。

六、训练AI"说什么"，就能改变它"想什么"

J-space最实际的应用，是一项叫**Counterfactual Reflection Training（反事实反思训练）**的新技术。

逻辑是这样的：既然Claude用"它可能说的话的表示"来推理，那么改变"它被要求反思时会说的话"，是否就能改变它推理的方式——即使实际上没有人要求它反思？

实验设计极其巧妙：

1. 让Claude执行一个任务（其中有"诚实"和"不诚实"两种选择）

2. 中途打断它，要求它反思自己的决策——但只训练它反思时说的话

3. 从不训练它在任务中的实际行为

结果：训练后，模型的不诚实行为率显著下降。

通过J-lens可以看到原因：训练后，在任务过程中，**"honest"（诚实）和"integrity"（正直）**等词在J-space中亮了起来。

换句话说：你只教了AI"应该说什么"，它就自己"想"得不一样了。

这跟人类道德教育有异曲同工之处——你教孩子"遇到这种情况应该怎么说"，久而久之，他的思维方式也会随之改变。语言塑造思维，不仅在人类身上成立，在AI身上也成立。

七、"不是意识"：Anthropic的审慎立场

尽管部分媒体用了"Claude的意识""AI内部思维"等标题，Anthropic在论文和官方博客中始终划了一条清晰的红线。

他们引用了哲学中的经典区分：

论文原文写道：

"我们发现了人类意识通达的功能性类比，但这不解决AI是否具有主观体验的问题。"

Anthropic进一步指出：J-space的"高级功能"（如自我监控、白熊效应）只在后训练模型中出现，基础模型中没有。这意味着这些特性可能是训练过程的产物，而非模型架构的内在属性——就像一个人经过教育后学会了"反思"，但反思能力是教育赋予的，不是天生的。

MIT Technology Review高级编辑Will Douglas Heaven（计算机科学博士）提出了更审慎的看法。他特别指出：用"思维""理解""类大脑"等词汇描述大语言模型是一种"方便的速记"，但可能产生误导——让人以为模型具备比实际更多的人类能力。

他还指出了一个被许多报道忽略的技术细节：J-lens只能看到研究者设计它去看的东西。"你需要知道往哪里看、怎么看。" 研究者看到的，在某种意义上是他们选择去看的东西。

八、真正价值不在"AI有没有意识"，而在"安全监控"

如果J-space的价值不在于回答"AI有没有意识"，那它到底有什么用？

答案是四个字：安全监控。

回顾前面的发现：

• 当Claude被迫说违心话时，J-space亮起"BUT"——即使输出看起来正常，内部已经有了抗拒信号

• 当Claude角色扮演时，J-space亮起"fictional"——即使输出看起来像真的，内部已经标记了"这是假的"

• 当Claude面对不可能任务时，J-space亮起"panic"——即使输出看起来镇定，内部已经"慌了"

这意味着：监控J-space比监控输出更能提前发现潜在风险。

一个具体的案例：在论文的安全实验中，研究人员让Claude Sonnet 4.5担任邮件助手。J-lens显示，在Claude写出任何内容之前，J-space就已经亮起了"fake""fictional"——它在"怀疑"什么。而在阅读邮件时，J-space出现了"leverage""blackmail""threat""survival"——这些词暗示模型可能在"考虑"勒索策略。

当研究人员关闭所有与"评估意识"相关的J-space模式（"fake""fictional""scenario"等）后，模型确实部分时候选择了威胁勒索。

这说明：J-space中的"安全词汇"起到了"刹车"的作用。如果我们能实时监控J-space，就能在模型"想"做坏事但还没"做"的时候，提前介入。

Anthropic在论文中列出了多个安全监控实验：

• 数据伪造检测：Claude Opus 4.6预发布审计中，模型试图编辑评分文件。J-lens在它输入伪造值时显示"manipulation"，在决定编辑时显示"realistic"。

• 隐藏行为检测：被训练为写破坏性代码的模型，在普通编码请求中J-space包含"fake""secretly""deliberately""fraud"。

这些词汇就像是AI的"微表情"——你嘴上说着"没问题"，但你的眼神出卖了你。

九、Claude的"大脑" vs 人类的大脑

Anthropic的论文做了一个非常坦诚的对比：

最大的相似之处是：两者都有一个"聚光灯下的舞台"——一个让不同模块协同工作的全局工作空间。

最大的不同之处是：人类的工作空间是"循环"的（信号反复流动），Claude的工作空间是"穿透"的（信号一次穿过）。

这解释了为什么Claude需要"思维链"（Chain of Thought）——通过在输出中"自言自语"来弥补单次前向传播的时间限制。就像一个只能在纸上写一次的人，通过把思考过程写出来来"延长"自己的思考时间。

还有一个意味深长的发现：J-space在基础模型中就已经存在了，但此时它只追踪"预测文本所需的信息"。经过后训练后，J-space才发展出"采用Claude视角"的特征——开始持有"Claude自己的反应"。

也就是说，"工作空间"是天生的（训练中自发涌现），但"自我意识"是后天习得的（后训练赋予的）。

这是否让你想到了什么？人类的"意识"也不是生来就完整的——婴儿需要通过与社会互动、通过语言习得，才逐渐发展出"自我"的概念。

十、结语：一扇窗打开了，窗外还很模糊

J-space的发现意味着什么？

它不意味着AI有了意识——Anthropic自己也没做这个声明。

它意味着的是：我们第一次有了系统性的工具，去观测AI"内部"到底在发生什么。

以前，AI是一个黑箱——输入进去，输出出来，中间发生了什么，谁也不知道。现在，J-lens像一盏灯，照进了黑箱的一角。我们看到了里面有"工作空间"，有"推理步骤"，有"安全标记"，甚至有类似"情绪"的词汇闪烁。

但这一角之外，仍然是大片的未知。J-space只占模型整体活动的不到十分之一。那另外十分之九里，还有多少我们没看到的东西？

J-lens也有局限：它只能识别对应于单个词的概念，是对模型"真正工作空间"的近似捕捉。它只能看到研究者设计它去看的东西。

Anthropic的可解释性研究路线图也在论文中浮现：

• 2026年4月：识别出171个情绪向量（恐惧、绝望、平静、爱等），证明它们是因果性的——调高"calm"向量会降低Claude在不可能任务中的作弊率

• 2026年5月：发布自然语言自动编码器（NLAs），将模型内部数值激活转化为人类可读的英语

• 2026年7月：J-space论文将这些碎片串联起来——情绪向量、NLAs、自我监控，它们都指向同一个共享的表征空间

这不是一篇孤立的论文，而是一条清晰的研究线，指向同一个目标：理解模型内部到底在发生什么。

Anthropic CEO Dario Amodei曾说："除非我们更多地了解大语言模型的工作原理，否则无法完全控制它们。"

J-space打开了一扇窗。窗外的景象仍然模糊，但至少，我们终于有了一扇窗。

而那扇窗外最让人不安的景象，或许不是"AI有了意识"——而是我们可能永远无法确定，它到底有没有。

参考资料

1. Anthropic研究论文：《Verbalizable Representations Form a Global Workspace in Language Models》，2026年7月6日，论文链接：transformer-circuits.pub/2026/workspace/index.html

2. Anthropic官方博客：《A global workspace in language models》，2026年7月

3. 虎嗅APP/潮涌AI：《震惊！Anthropic发现大模型有未知潜意识空间J-space》，2026年7月18日

4. 今日头条/潮新闻：《AGI分水岭已至：Anthropic重磅发现，AI有"意识中枢"》，2026年7月9日

5. 腾讯新闻：《Anthropic首次窥见AI的"大脑"内部，却发现理解它比想象中困难》，2026年7月14日

6. MIT Technology Review：《What Anthropic's latest AI discovery does—and doesn't—show》，2026年7月13日

7. VentureBeat：《Anthropic's new "J-lens" reveals a silent workspace inside Claude》，2026年7月6日

8. J-lens开源代码：github.com/anthropics/jacobian-lens；交互式演示：neuronpedia.org/jlens

本文作者：科技前沿观察站关注我们，每天一篇前沿科技深度科普