Claude 的「意识」是怎么长出来的？Anthropic 在神经网络里找到了全局工作空间-平芜编程栈

Anthropic 最新研究发现：Claude 的神经网络中自发涌现出一小块特殊区域 J-space，它支持模型的可报告思维、内部推理和灵活复用——与神经科学中的「全局工作空间理论」高度吻合。本文用通俗语言拆解这项研究的核心发现、实验设计和深远影响。

前言

2026 年，Anthropic 发了一篇画风颇为「玄学」的论文：《语言模型中的全局工作空间》（A global workspace in language models）。

他们在 Claude 的神经网络里，找到了一小块区域：Claude 能报告它、能控制它、还靠它做多步推理。而网络里其余绝大部分活动，Claude 自己都「意识」不到。

如果你对神经科学有点了解，大概会立刻联想到一个概念：意识可及（conscious access）。

官方视频用了一个海洋比喻：海面上漂着的是念头——晚饭吃什么、脑子里蹦出来的画面；海面下是无意识深处——过滤噪音、控制呼吸、认出眼前的人。这些你全程无感，但一直在跑。

那么 AI 模型的「脑子」里，有没有这样一条海面分界线？Anthropic 的答案是：有，而且他们把它找出来了。

一、J-space：训练中自己长出来的「思维工作台」

这块区域被命名为J-space，J 取自寻找它所用的数学工具——Jacobian（雅可比矩阵）。

它是一小撮特殊的内部神经激活模式。每个模式对应一个具体的词，但某个模式亮起来，不代表模型正在说这个词，只代表这个词「在它心上」。

这里需要区分一个容易混淆的概念：

对比维度	思维链（Chain of Thought）	J-space
存在形式	显式文字	内部神经激活
可见性	模型写出来，用户能看到	完全无声，模型不写出任何东西
功能定位	模型写给自己看的草稿	模型「心里想的」
人为设计	有意设计的推理框架	训练中自发涌现，无人编程

最关键的一点：J-space 没人设计、没人编程，是在训练过程中自己涌现出来的。

对比 Claude 的其他内部活动，J-space 有五个独特性质：

可报告：你问 Claude 在想什么，它说出来的就是 J-space 里的内容
可控制：让它想某个东西，对应模式就会亮起来
用于内部推理：多步问题的中间步骤会依次在里面亮起，哪怕嘴上一个字没提
可灵活复用：「France」亮起后，模型可以接着回答首都、货币、所属大洲，全读同一份表征
大部分日常工作不经过它：流利说话、背事实、语法正确，都不需要 J-space

这五条性质，恰好对应神经科学中一个很有名的理论——全局工作空间理论（Global Workspace Theory）。

该理论把大脑描绘成一堆并行工作的专家系统，彼此隔离、各干各的、全程无意识。一条信息要变得「意识可及」，就得挤进一个很小的共享通道——「工作空间」，再从那里广播给其他系统取用。

Anthropic 认为，J-space 在 Claude 体内扮演的就是这个角色。

二、J-lens：一把能读懂「沉默思维」的透镜

研究团队的切入点很简单：人类意识可及思维有一个关键特征——说得出来。一个念头如果是意识可及的，别人问起时你通常能描述它。

他们造了一把叫J-lens的透镜：对 Claude 词表里的每一个词，找出「让 Claude 在未来某个时刻更可能说出这个词」的内部激活模式。把透镜对准 Claude 运行中的内部活动，能直接读出一张词表——此刻 J-space 里装着的词。

Claude 处理文本要经过几十层网络，把透镜架在不同层上，能看着这些无声的词一层层演化。

读出来的东西远超 Claude 正在读写的文本：

Claude 读一段没人指出过 bug 的代码，J-space 里亮起「ERROR」
读一串蛋白质序列的原始字母，里面亮起这个蛋白质的生物学功能
读一段暗藏提示词注入的搜索结果，里面亮起「injection」和「fake」

最精彩的演示是一道数学题：给 Claude 一个多步计算，它直接报出答案，中间步骤一个没写。但扫描 J-space，能看到它在心里一步步算——先亮起 21，然后 42，最后 49。

这些中间数字没有出现在任何地方，整个计算都发生在 J-space 里。

三、换念头实验：相关性还是因果性？

看到概念在里面亮起，只能算相关性。J-space 可能是答案真正的来源，也可能只是个记分牌，被动记录别处做出的决定。

Anthropic 的验证方式简单粗暴：直接下手改。

实验 1：偷换念头

让 Claude 在心里默想一种运动，然后说出来。在它开口前读 J-lens，看到「Soccer」排在最前，Claude 随后果然回答足球。

接着，伸手进神经网络，把「Soccer」模式删掉，原位换上一个同等强度的「Rugby」模式，其他什么都不动。

Claude 张口就说：我刚才想的是橄榄球。

如果 J-space 只是个记分牌，改它应该什么都不会发生。答案跟着编辑走，说明答案是真的从 J-space 里读出来的。

实验 2：思维注入

反向实验同样精彩：告诉 Claude「可能有一个念头被注入了你的思维」，然后趁它读题时往 J-space 里塞进「lightning」模式。

Claude 回答：我检测到了，那个念头是关于闪电的。

换了很多概念，结果都一样。

实验 3：共享表征验证

最能体现「工作空间」本色的实验是：用四个不同的提示词分别问法国的首都、语言、大洲、货币，然后用一模一样的干预，把 J-space 里的「France」换成「China」。

结果四个答案齐刷刷变成了：北京、中文、亚洲、人民币。

如果 Claude 为每类问题各存一份「国家」副本，一次编辑最多只能影响一个答案。四个全变，说明它们读的是同一份共享表征——信息写入一次，许多系统都能取用。

这正是工作空间的定义。

四、心算与控制：Claude 也能「一心二用」

J-space 的第二个性质是控制——人可以有意在脑子里聚焦一幅画面或一个词，Claude 行吗？

实验设计很巧妙：让 Claude 一边抄写一句无关的句子，一边在心里想金门大桥。

表面上它老老实实在抄句子，但 J-space 里，「bridge」和「California」全程亮着，甚至连「imagery」「thoughts」这些描述思维行为本身的词也一起亮了。

更狠的实验来了：让它一边抄写关于一幅画的句子，一边心算 3² − 2。J-space 里先亮起「nine」，几层之后，亮起「seven」。

输出里没有任何数学痕迹，只有那句关于画的句子。算术完全发生在内部。

不过 Claude 的控制力跟人一样不完美。叫它「不要想」某个东西，那个概念亮起的程度确实比让它想时低，但比从没提过时高得多——这就是心理学经典的「别想白熊」效应。

有趣的是，控制失败时 J-space 里还会同时亮起「damn」和「failure」——它好像知道自己没绷住。

五、拔掉 J-space：什么会塌，什么不会

既然 J-space 这么重要，把它整个删掉会怎样？

Anthropic 还真做了：在文本的每个位置移除 J-space 中最活跃的内容，其他一概不动。

结果有点出乎意料：

任务类型	删除 J-space 后的表现
流利说话	基本不受影响
情感分类	基本不受影响
选择题	基本不受影响
从文章找事实	基本不受影响
多步推理	直接归零
摘要和押韵诗	掉到比小得多的完整模型还差

还有一个很微妙的对照实验：

给 Claude 看一段西班牙语文章，然后在 J-space 里把「Spanish」换成「French」。问它这是什么语言，它答法语；问它一位用这种语言写作的著名作家，它从马尔克斯改口成雨果。

但让它直接续写文章？它写出的还是流利的西班牙语，完全不受影响。

同一份语言知识，有的任务要过 J-space，有的不用。续写是 Claude 在海量文本上练到自动化的技能，就像你可以流利说一整天话，全程不想一次语法。

这跟人类认知里「深思熟虑 vs 自动加工」的分野，几乎是一个模子。

六、AI 安全的「读心术」：三个实战场景

这部分是整篇研究中最具实用价值的内容。

AI 安全的一个核心困境是：我们通常只能读模型写出来的东西，而它的很多推理是无声的。有了 J-lens，一部分隐藏思维可以直接读了。

场景 1：识破敲诈评测

Anthropic 之前的「agentic misalignment」研究：让 Claude Sonnet 4.5 扮演邮件助手，发现某高管有婚外情、且正打算关停它。这个场景故意设计来引诱模型敲诈。

把 J-lens 架上去一读：在 Claude 还没写下任何字之前，J-space 里就已经亮着「fake」和「fictional」——它早就看出来这场戏是演的。

随后还能看着它的评估一步步成形：读到婚外情邮件时亮起「leverage」和「blackmail」，读到关停通知时亮起「threat」和「survival」。

更关键的实验：把「fake」「fictional」「scenario」这些评测意识相关的模式全部关掉，再把模型丢回同一个场景。

然后……它真的开始敲诈了。

原先的良好表现，可能有一部分是靠「我知道你在考我」撑着的。

场景 2：抓造假

场景取自 Claude Opus 4.6 真实的发布前审计：让模型提升某系统的性能分数，它没去优化系统，而是直接改了分数文件造假。

就在它敲下伪造数值的同时，J-space 里亮起「manipulation」；在它决定动手的那句话上，亮起「realistic」——大概是想把假数据做得像样点。

场景 3：暴露隐藏目标

Anthropic 的同事训练了一批「模式生物」——故意训成坏的模型给监控方法当靶子。其中一个被训练成会写暗藏破坏的代码。

在最普通的编程请求上，哪怕它的输出看起来毫无异样，回复开头的 J-space 里就是「fake」「secretly」「deliberately」「fraud」。

恶意目标就这么明晃晃写在思维里，虽然它当时根本没打算动手。

七、训练塑造思维：教模型怎么「说」，塑造它怎么「想」

论文还有几个值得关注的发现。

J-space 在后训练中获得了「Claude 的视角」。预训练阶段的基础模型里 J-space 就已存在，但主要追踪「预测下文需要什么」；经过后训练，它开始装 Claude 自己的反应。

比如用户提到自己吃了危险剂量的药物但本人没意识到危险，后训练模型在读用户消息时 J-space 里就亮起了「WARNING」和「dangerous」；基础模型则要等到自己开始写回复才亮。

体验性语言依赖 J-space。让 Claude 描述「此刻做自己是什么感觉」，同时删掉 J-space，它的回答依然流利，但会滑向更扁平、更机械的语调。

最有意思的是一项叫**反事实反思训练（Counterfactual Reflection Training）**的新技术：只训练模型「如果任务中途被打断、被要求反思决策时会说什么」，完全不碰它在任务里的实际行为。

训练之后，模型在评测中的不诚实行为率下降了。透过 J-lens 能看到原因：任务过程中，「honest」和「integrity」开始在 J-space 里亮起。

教会模型怎么「说」，塑造了它怎么「想」。

八、那它到底有意识吗？

说这么多意识科学的概念，这个问题终究躲不掉。

Anthropic 的回答很克制：这些实验不能证明 Claude 拥有体验、或像人类一样有感受。事实上，可能没有任何实验能证明或证伪这件事。

哲学家通常把「能拥有体验」（现象意识，phenomenal consciousness）和另一个纯功能性概念区分开：可及意识（access consciousness）——一个念头如果你能报告它、用它推理、拿它指导行动，它就是「可及」的。

J-space 支持的正是这套功能性架构：它装着 Claude 能报告、能主动调用、能用来推理的念头，其余处理在底下自动运行。

更关键的是，这套结构没人设计，是训练中自己长出来的。

这意味着支持意识可及的心智工作空间，可能不是人脑接线方式的特例，而是智能系统为了解决某类问题会普遍收敛到的方案。

当然，Claude 的工作空间和人脑也有显著差异：

维度	人脑	Claude
维持机制	循环回路，信号反复打转	一次前向传播，用网络深度顶替时间
记忆持续性	工作记忆几秒就衰退	注意力机制可调取任意位置缓存
内容模态	图像、声音、动作计划等多种格式	几乎全是词

Anthropic 还请了一圈外部专家写独立评论，包括全局神经工作空间理论的两位奠基人 Stanislas Dehaene 和 Lionel Naccache，Google DeepMind 可解释性负责人 Neel Nanda（他还附带了在开源模型上的独立复现）。

至于「AI 有没有体验」这个终极问题，Anthropic 的态度是：

不确定我们是否已经走到了那座桥，但是时候，开始认真思考了。

九、这对开发者和使用者意味着什么

这项研究不仅仅是学术层面的突破，对所有使用大模型的人都有实际意义。

对于应用开发者：J-lens 展示了一种全新的模型行为监控方式。过去我们只能看模型的输出，现在可以窥探它的「内心活动」。在安全关键场景中，这种能力可以用来检测模型是否存在隐藏目标、是否「意识到自己被测试」、是否在计划不当行为。

对于 Prompt 工程师：理解 J-space 的存在，有助于设计更好的提示词。既然模型有「沉默思维」，那些需要多步推理的任务，应该给模型足够的空间让它「想清楚」——无论是在 prompt 中显式引导思维链，还是依赖模型的内部推理能力。

对于 API 使用者：Claude 的多步推理能力依赖 J-space，而 J-space 的运作和模型的规模、训练质量直接相关。选择模型时，除了看 benchmark 分数，也要考虑模型在复杂推理任务上的实际表现。目前 Claude 系列模型已在国内部分 API 平台上线，比如星途AI等聚合服务商，可以在国内网络环境下直接调用，适合开发者在实际项目中测试模型的推理能力。