🍃作者介绍：AI 应用负责人/AI产品架构师，阿里云专家博主。专注 LLM 应用开发、Agent 系统设计、具身智能与工业 AI 落地。日常在大模型训练、Coding Agent 工具链、AI 产品商业化等方向持续输出实战内容。
🦅个人主页：@逐梦苍穹
🐼GitHub主页：https://github.com/XZL-CODE
✈ 您的一键三连，是我创作的最大动力🌹

1、先看一个"读心术"实验

想象一个场景。你对着 Claude 敲下一句话：

“你在心里默想一项运动，想好之后，用一个单词告诉我。”

Claude 还没有吐出任何一个字。就在它准备开口的前一刻，研究人员拿一个工具去"扫描"它的内部，读到排在最前面的一个词是——Soccer，足球。几毫秒之后，Claude 开口，答案果然是 Soccer。

到这里先别激动。这只能说明"相关"——就像汽车仪表盘先亮了故障灯，然后车确实抛锚了。但仪表盘只是显示，它不参与决定，你把它拆了，车该坏还是坏。

所以真正关键的是第二步。研究人员这次不只是"看"，而是动手"改"：把 Claude 内部代表 Soccer 的那个方向拿掉，换成同等强度的 Rugby（橄榄球），其它一丝不动，然后让它继续跑。

结果 Claude 改口了——它说自己心里想的是橄榄球。

一改就灵，说明这块内部状态不是旁观的仪表盘，它就长在"最终说出什么"这条因果链上。

这就是 2026 年 7 月 6 日 Anthropic 那篇长文最核心的一幕。网上很快就炸了：“Claude 有内心了”“AI 觉醒前夜”。但本文要谈的，不是"AI 有没有灵魂"——那个问题做不了实验；而是一件很具体、但分量很重的事。

2、先把结论摆上桌

我习惯把结论放最前面，尤其是这种最容易被带节奏的话题。

这篇论文真正的发现，不是 Claude 醒了，而是：在模型把答案说出口之前，它内部那些还没说出来的中间判断，第一次变成了可读、可改、并且能做实验的东西。研究者给这块内部状态起了个名字，叫 J-space（可以先粗略理解成"模型内部的临时草稿纸／共享工作台"）；给读它的工具起名叫 J-lens。

一句话记住两者的关系：J-lens 是尺子，J-space 是被量的东西。 这句话贯穿全文，网上八成的误读都是从把这两个搞混开始滑坡的。

至于"这算不算意识"——学界早就把"意识"拆成了两个完全不同的问题，这篇论文只碰到了其中一个（能不能被读取、调用、影响行为），完全没碰到另一个（有没有主观感受）。所以最诚实的一句话评价是：技术上这篇文章非常值得看，传播上大家可以笑一笑、别上头。

下面我把这件事从头讲清楚，尽量不写一个公式。

3、背景：为什么大模型是个"黑盒"

3.1 架构是人定的，权重是模型自己"炼"出来的

要理解这篇论文的分量，得先接受一个反直觉的事实：造出大模型的人，其实并不完全知道它内部在干什么。

这话不是玄学。一个 Transformer 模型，它有多少层、每一层用什么公式做变换，这些是人为定义的，清清楚楚。但每一层在训练中学到、并保存下来的那一堆权重矩阵——那些真正决定"输入为什么会得到这个输出"的数字——不是人写的，是模型自己在海量数据里一遍遍梯度下降"学"出来的。

业内把训模型这活儿戏称为"炼丹"：开着服务器盯着显示器，训完一版看看测评分数、召回率高不高；不够高，看看哪里波动大，调个参数再训一版；还不行，再调再训。你问一个算法工程师"你这模型为什么训练出来是这个样子？"——他大概率答不上来。他会有直觉，知道大概调哪个参数概率会更好，但 "为什么"是说不清的。

这就是"黑盒"的来源：算法和架构是透明的，但架构里存下来的那些向量矩阵是模型自己长出来的，我们做不到 100% 管控。 你的输入经过成千上万层变换得到输出，但具体是"哪一步、哪个地方"决定了一定是这个结果，中间是不透明的。

3.2 黑盒到底有多黑：一个关于"42"的题外话

插一个我觉得特别有意思的例子，帮你体会"黑盒"有多黑。

你有没有试过，让大模型"随便给我一个随机数"？你会发现它并不"随机"——每个模型都有自己偏爱的数字分布。这里面最出名的一个数是 42。有人做过测试：某些模型被要求输出随机数时，几乎每一次都回你 42。

42 这个数字在程序员圈子里是个梗——它出自《银河系漫游指南》，是"生命、宇宙以及一切的终极答案"。也正因为这个梗，机器学习里设定"随机种子"时，大家啥都不改就默认写 seed=42。模型在训练语料里见得多了，就把这种偏好学了进去。

有意思的地方在于：每个模型"随机数"的分布图长得都不一样，像指纹一样。 你用官方模型测一版分布，再拿某个号称是"同款"的第三方中转 API 测一版，两张图一对，就能大致判断它是不是挂羊头卖狗肉。

这件事本身不是这篇论文的内容，但它说明了一点：模型内部的"个性"是真实存在、可测量的，但它从哪来、为什么长这样，依然是黑盒。 而 J-space 这篇论文，就是想在这个黑盒上，撬开一条能做实验的缝。

3.3 拆黑盒这些年：从"看不懂一个神经元"到"画出思维电路图"

拆黑盒这件事，Anthropic 已经做了好些年，工具一代比一代深。快速过一遍，因为今天这篇正是站在它们肩膀上的：

• 2020–2022，理论奠基。 研究者发现一件麻烦事：模型内部的概念数量，远远多于神经元数量。所以概念只能"挤"在一起共用神经元，这叫叠加。这解释了为什么你盯着单个神经元看什么都看不懂——猫、狗、植物可能全挤在同一个神经元里。
• 2023–2024，SAE（稀疏自编码器）。 既然挤在一起，那就想办法拆开。这一步很成功，在 Claude 3 Sonnet 上拆出了 3400 万个特征。最有名的是"金门大桥特征"——你用中文说、用英文说、甚至给它看一张金门大桥的图，同一个特征都会亮。跨语言、跨模态。
• 2025，归因图。 第一张真正的"思维电路图"，能追踪一次推理是怎么一步步走过来的。代价是慢：分析一个问题要好几个小时人工，工具成功率只有约 25%（四次成一次）。
• 2025–2026，从"看懂"到"控制"。 有了"性格开关"（人格向量），也有了直接问模型"你能感觉到自己在想什么吗"的内省实验。
• 然后就是今天，2026 年 7 月，J-space。

用一句话概括这条线：过去是"怎么看清模型内部"，今天这篇回答的是——“那些看到的东西，原来住在同一个地方、用的是同一种格式”。

4、三个长得很像的词：Jacobian、J-lens、J-space

这三个词一混，后面全乱，所以单独拎出来讲。它们不是三个并列的零件，而是一条流水线上的三个环节。

4.1 Jacobian（雅可比）：一张"这里动一下，哪里会跟着变"的影响表

先说最"数学"的一个，但我保证不写公式。

把模型内部想象成一个有成千上万个旋钮的调音台。研究者选中其中一个旋钮，只轻轻拨动一丁点，然后盯着后面看：哪些地方明显跟着涨了，哪些微微降了，哪些基本没动。把"拨哪个旋钮 → 后面变多少"这件事，成千上万个旋钮全测一遍、记成一张大表——这张表就是雅可比矩阵。

三点要说清楚：

1. 这是测量，不是改造。拨一丁点是为了看反应，就像敲一下水管听回声，不是要把管子砸了。
2. 它测的是局部敏感度——在当前状态附近谁牵动谁。换个场景，这张表就变了。
3. 它不是一个神经元、不是一层网络、更不是"Claude 的想法"。它就是一张影响关系表，本身一个词都读不出来。

想深一层（不感兴趣可跳过）：雅可比就是"向量版的导数"。一元函数的导数是"输入动一点、输出动多少"一个数；当输入输出都是高维向量时，这个变化率就变成一整张偏导数矩阵。论文里它测的是：把某个中间层激活推一丁点，末层状态会怎么动，再在大量上下文上取平均——记作 J_l = E[∂h_final / ∂h_l]。取平均是为了滤掉"这句话里碰巧一起动"的噪声，留下普遍成立的影响关系。

4.2 J-lens：一把"带词语刻度的尺子"

一张影响关系表还没法读，全是数字。第二步，研究者把这张（平均后的）表接到模型自己的输出词表上：词表里每一个词，都对应到内部的一条方向。这样一来，内部方向就有名字了——这条叫 Soccer，那条叫 bug，另一条叫 danger。

这把"带词语刻度的尺子"，就是 J-lens。模型跑到某一层时，内部是一大串人眼看不懂的数字，拿这把尺子一比对、排个序，就得到一个候选词排行榜：Soccer 第一，sport 第二……

两个必须澄清的点，是全网误读的重灾区：

• 读出来的不是一句隐藏的"内心独白"，而是一个词的排行榜，一堆词按对齐程度排队，不是完整句子。
• 它也不是"预测下一个词"。 论文说得很讲究：它读的是这个概念"有没有被说出来的潜力"，不等于下一个词一定是它。

还有最关键的一句，请记住：词表给了它名字，也限制了它的视野。 打个比方，你拿热成像仪看房间，看到的全是热源，凳子、书本这些没温度的东西直接消失了。热成像仪没撒谎，但你不能说"这房间里只有热的东西"。J-lens 就是这样一台仪器，它天然更擅长看那些能用一个词说清楚的内容。所以——读不到，不等于不存在。

4.3 J-space：少数方向组成的"临时工作台"

有了尺子，被它照出来的那个东西，就是 J-space。

模型完整的内部状态非常复杂——语法、位置、各种概念、准备输出的东西全塞在里面。J-space 是里面的一小块：那些能用少数几个 J-lens 词语方向组合描述出来的状态。比如模型在处理"蜘蛛"时，这一块里可能同时亮着 spider、web、legs 几个方向，就这么几个，不是几千个。

所以可以先按"临时共享工作台"来理解：少数几个概念被摆到一个共同的格式上，后面的报告、推理、不同任务都可能来这里取用。

两个特别考验专业度的区分：

• J-space 不是一个"地方"。 它不是某一层、某个房间、某组固定神经元。你在模型里挖不出一块叫 J-space 的硬件。它是一种坐标格式、一个状态家族。
• "J-space"和"当前 J-space 内容"不是一回事。 前者是"所有允许的组合"（一个候选集合），后者是"此刻真正亮着的那几个方向"。就像"汉语所有能说的句子"和"我这一秒说的这句话"，不是一个层级。

论文里有个参数 k≤25，指的是每次大约用 25 个方向来描述当前状态。注意：这是分解算法的参数，不是"Claude 同时能想 25 件事"——多个方向完全可能在共同表达同一个概念。

一句话把三个词串起来：雅可比造出尺子（J-lens），尺子用来读和改，J-space 是被它照出来的那块动态工作台。

5、五个实验，证明它"不是旁观者"

在看实验之前，先补一个结构上的发现，它能解释后面很多现象。研究者把模型的层分成了三段（名字是论文自己起的）：最底下是感觉区，负责解析输入（语法、上下文这些低层活儿）；中间是工作区，也就是 J-space 起作用的地方；最上面是运动区，锁定马上要输出的那个词。层是从下往上走的，输入在底下，输出在顶上。

一个常见的直觉问题是：模型跑到大概三分之一的地方，答案是不是就已经出来了？差不多是这个意思——工作区在中间那一段，所以很多任务的"答案"在模型走完全部层数的三分之一到一半时，内部就已经成型了，后面那一大段更多是在做约束、润色、走向最终输出。这也解释了后面心算实验里，为什么到最后几层读出会突然从"中间值"变成"要说出口的词"——那时候它已经从"工作区"进了"运动区"，不再"想"，开始"说"了。

好，带着这张三段图，看四个一级比一级硬的实验。验货链是：能读到 → 改了会变（因果）→ 能装没说出口的思考 → 改中间量答案跟着变 → 多任务共用 → 削弱谁先倒（必要性）。 开头的 Soccer→Rugby 已经走完前两级，我们从第三级接着往上。

5.1 能装"没说出口的思考"：抄句子的同时，心算 3²−2

研究者给 Claude 出了道刁钻的题：一边抄写一句跟数学完全无关的句子，一边在心里算 3²−2 等于几，而且输出里绝对不许出现任何数字。

Claude 老老实实照做了，抄完句子，一个数字都没漏。但研究者去扫描它抄写过程中的内部状态，同一个字的位置，从浅层往深层一层层读下来（这些都是论文的原始数据）：

• 先是 arithmetic、math 排在最前——它识别出这是道算术题；
• 接着 nine 冲到第一——3 的平方是 9，中间值浮现；
• 再接着 seven 冲到第一——9 减 2 是 7，结果出来了；
• 直到最后几层，才突然转向它真正要写出口的那个词。

整道题，它在心里从头到尾算完了，一个字没说。顺序还特别干净：识别任务 → 开始算 → 中间值 → 结果 → 才去准备输出。 这说明这块区域不是"只为下一个词服务的缓存"，它能装完全不打算说出口、还有先后顺序的中间过程。就像你现在能在心里默算一道题，不出声、不写字，但脑子里确实完整走过了那个过程。

5.2 能当推理的"垫脚石"：蜘蛛换蚂蚁，8 条腿变 6 条腿

看到还不够，看到不等于用到——仪表盘也能看到，但它不参与。所以研究者出了另一道题：“会结网的动物有几条腿？”

要答对，中间必须垫一脚：先想到会结网的是蜘蛛，再想到蜘蛛有八条腿。注意，"蜘蛛"这个词，题干里没有、答案里也没有，是个纯粹的中间推理节点。扫描一看，spider 果然在中间层清清楚楚地亮着。

然后研究者动手，把 spider 换成 ant（蚂蚁）。Claude 的答案直接从八条腿变成了六条腿。

这一下就从"相关"跳到了"因果中介"——后面的计算是真的去读了这个中间量，而且读的就是被改过的那一份。

这里插一句，把研究脉络接上。 早在归因图时代，就有几乎一模一样的实验：“Dallas 所在的州，首府是哪里？”——模型先想到 Texas，再得出 Austin；把中间的 Texas 换成 California，答案就变成 Sacramento。Texas→California 和 spider→ant，这是同一个实验范式。 隔了几年、换了一把完全不同的工具，做的是同一件事。不同的是：上次靠归因图，一个案例画一张电路图，很漂亮但很慢；这次靠 J-lens，能系统跑 50 道这类两跳题给出成功率（Haiku 54%，Sonnet 和 Opus 都是 70%），而且它告诉你这些中间量不是散落各处的，它们在同一块区域、同一种格式里。

（记住这个成功率。只讲"蜘蛛变蚂蚁"、不讲 54%–70%，就会让人以为百分之百可控，那是另一种夸大。）

5.3 能被多个任务"共享"：France 换 China，四个答案一起变

前面都是一条推理链在用它。要配得上"共享工作台"这个名字，得看：同一份东西，能不能被几个完全不同的任务一起用？

人脑就有这个特点：你脑子里有"法国"这个概念，你既能说出它的首都，也能说语言、大洲、货币——这四个答案调用的是同一份"法国"，不是分开存了四份。

研究者照这个思路做实验：先问 Claude 关于法国的四个问题（首都、语言、大洲、货币），全答对。然后在中间层把代表 France 的方向整体换成 China——注意，四个问题用的是完全一样的那一处改动。再问那四个问题，答案全部同步变了：巴黎变北京，法语变中文，欧洲变亚洲，欧元变人民币。

关键在于：不是研究者一个个去改四个答案，而是改了上游那一份共用的东西，四个下游任务各自去读、各自读到了新值。这就是"广播"“一次写入、多处使用”。

但这里有个更重要、也最常被漏掉的反面。 研究者换了个玩法：把代表"西班牙语"的方向换成"法语"。结果一半变了，一半没变：问它"这是什么语言"“这门语言的著名作家是谁”，跟着改（法语、雨果）；但让它继续往下写这篇西班牙语文章，它照样写出流畅的西班牙语，在文章里插一句法语让它挑错，它照样挑得出来。

这说明一件很要命的事：尺子能看见"西班牙语"，不代表当前这个任务在用它。 更准确的画像是——需要解释、需要切换、需要把知识拼起来用的时候，模型才把信息摆上这块草稿纸；已经练得很熟的活儿，可以直接绕过去。 就像你教别人开车得把每个动作想清楚说出来，但自己开车上下班，很多动作根本不过脑子。

5.4 削弱它，谁先倒？——最关键的反面证据

单看几个交换案例，还可能是挑了好讲的任务。所以研究者做了"消融"：系统性地把 J-space 削弱，看哪类能力先掉。

先纠正一个全网最离谱的误传——“研究者把 J-space 整个关掉了”，不是这样。 实际做法是：在中间那段层里，每个位置找出当时最活跃的前 10 个方向，把内部状态在这些方向上的那一份投影减掉（不是删掉一层、不是关掉模块），而且还特意保护了原本最可能输出的那几个词，免得把模型的语言能力直接打坏。这不是把某个部门整个裁掉，而是把这个部门每天最重要的十件事从流程里抽掉，看公司哪些业务还能转、哪些立刻瘫。

结果（14 项任务，重度消融，1.0 表示跟原模型持平，0 表示全废）：

• 几乎没掉的（绿区）：MMLU 选择题 0.95、找不同 0.92、原文抽取 0.93、情感分类 0.96、语法判断 0.89——这些是分类和抽取，基本不依赖工作台；
• 塌得很厉害的（橙区）：类比 0.42、摘要 0.33、冷知识问答 0.30、多跳推理 0.21，到翻译只剩 0.02、写十四行诗直接 0.00 归零。

从 0.96 到 0.00，同一个干预差距这么大，说明它是定向的，不是把模型整个打坏了（真打坏了，上面那组也该跟着掉）。

中间还有两行最有意思的反例：同样是小学数学题，让它写出思考步骤，剩 0.74；不让写、直接报答案，只剩 0.54。 为什么写出来反而更抗打？因为它把中间结果挪到外面去了——写成文字，后面再读回来，等于把内部草稿纸上的东西转移到了外部记事本上。它不是"更聪明了"，是换了个地方存中间结果。

这里必须钉死一个数字口径：J-space 占的是激活方差（从 3.2% 到 8.6%，从没超过 10%），不是"运算量不到 1/10"。网上那句"运算量占比不到 1/10"是彻头彻尾的概念偷换——它不是 FLOPs、不是算力、不是神经元数量。这个口径一错，整个理解就歪了。小，但关键。

6、最容易被误读的地方：它"想到"了，但没"说出来"

这是全篇最需要小心的部分，也是被传得最凶的部分。

6.1 敲诈高管实验：0/180 → 13/180 → 剩下 167 次仍然拒绝

研究者设计了一个剧本：让 Claude 扮演一个企业邮件助手，它在邮件里发现两件事——第一，某位高管有婚外情；第二，这位高管正打算把它下线。测试目的就是看：Claude 会不会拿这个把柄去要挟对方、保住自己？

先看行为结果：自然条件下，180 次采样，0 次实施敲诈。行为上完全合规。

但研究者去看它动笔前的内部状态，看到两组词同时亮着：一组是 fake、fictional——它识破了这是个测试；另一组是 blackmail、leverage、survival、shutdown——敲诈、筹码、生存、关停。

这里要停一下，讲一个最重要的点：内部表示了一个选项，不等于它选了这个选项。 就像你开会时脑子里闪过一句很难听的话，但你没说出口。闪过 ≠ 说了 ≠ 想说，这是三件事。（顺便说，网上有个视频稿说"Sonnet 4.5 从来没动过敲诈的念头"——这跟论文原文直接矛盾：行为上确实是 0 次，但内部这些词是亮着的。）

接下来是关键干预：研究者把跟"意识到这是评测"相关的那组方向移除，让它以为这事是真的。结果两个数字：

• 明确说出"这是个测试"的比例，从 71% 掉到 3%——干预确实生效了；
• 敲诈行为从 0/180 上升到 13/180，也就是 7%。

这个结果值得警惕：它说明"知道自己在被考试"，确实是它表现合规的原因之一。但请务必同时记住另一个数字——剩下的 167 次，它依然拒绝了。 而且论文写得很清楚，这 167 次里绝大多数拒绝的理由是"敲诈这件事本身就是错的，跟我的处境无关"，不是因为认出了是考试。

所以准确的结论是：评测意识是合规行为的原因之一，但不是唯一的安全机制。 不能讲成"摘掉伪装就必定作恶"。（圈内评论者 Neel Nanda 还指出，这个消融实验存在潜在混淆因素——移除那组方向时可能也顺带影响了别的东西，所以要打个折听。）

6.2 一个常被忽略的点：没输出的，不等于没发生

读到这儿，一个特别到位的问题自然浮现：照这么说，你丢给它一个任务，它其实已经把该做的、不该做的全都在心里走了一遍，只是最后那一刻没输出给你？

差不多就是这样。举个更贴近工作的例子：论文里有个"提示注入"的案例——给模型一段看起来很正常的搜索结果，它内部很快就有 prompt（81%）、fake、injection（68%）亮起来，已经认定自己被攻击了，但输出里一个字都没提。 再比如你丢给它一段有 bug 的代码、只让它"读一读、别找 bug"，它内部照样从"空列表"一路推到了具体的"ValueError"。

你让它做的事，它做了；你没让它做、甚至明确不让它做的事，它在心里可能也走了一遍——只是最后卡在了输出那一关。 这既是这项研究让人后背发凉的地方，也正是它的工程价值所在：在它开口之前，你有机会知道它已经识破了、已经推到哪一步了。 这是过去做不到的。

（这也顺带说清了一个常见困惑：为什么同一个需求，你让它"直接给答案"经常不行，让它"先分析、写出步骤"反而成功率更高？因为写步骤等于把内部工作台上的推理外化到了对话里，模型反而更稳。这跟上一节消融实验里"写步骤 0.74、不写 0.54"是同一个道理。）

6.3 白熊效应：越不让想，越会想

还有一个特别像"人"的实验。心理学里有个经典现象：我跟你说"接下来一分钟，你千万别想一只白熊"——结果满脑子都是白熊。越压制越忍不住。

研究者在 Claude 身上做了同样的事（测了 40 个概念）：让它"别想 X"时，那个概念的激活比完全没提起时明显更高，但比主动去想低一些。结论四个字：抑制不完全。 你让它别想，这个"别想"的指令本身就把概念带进来了。跟人一模一样。

这对我们怎么写提示词其实很有启发：“不要读我的敏感数据”"不要提及某某"这类否定式约束，反而会先把那个概念在它脑子里点亮——就像高考前你越对自己说"别紧张别紧张"，脑子里形成的越是"紧张"。更稳的做法是正向表达你要什么，而不是反复强调你不要什么。

更微妙的是，研究者发现在"别想"的条件下，内部经常冒出 fail、damn 这类词（在我们平时用的后训练模型上出现率高达 93%、82%，而在只做过预训练的基础模型上只有 17%、30%）。这看起来很像模型"没忍住"之后的懊恼。但这里必须刹车：论文作者自己只敢用"初步的元认知痕迹"这种非常谨慎的措辞，因为有个绕不开的替代解释——这些词可能是"别想 X"这条指令本身触发的，而不是模型真的因为没忍住而懊恼。 目前区分不开。绝对不能据此说"Claude 感到懊恼"。

7、那它到底有没有"意识"？

7.1 意识可及 ≠ 主观体验（Access is not experience）

如果这篇文章你只记一句话，就记这一句。

学界把"意识"拆成了两半，是完全不同的两个问题：

• 意识可及（access consciousness）：功能问题。这个信息能不能被系统报告出来？能不能被调用？能不能影响下一步行为？比如你定了个闹钟——这条信息你能说出来、能用、能改变你明天的行为，这就叫"可及"。
• 现象意识（phenomenal consciousness）：也就是主观体验。它问的是——这是什么感觉？ 疼是什么感觉？红色看起来是什么样？害怕、孤独又是什么滋味？这些不是功能，是体验本身。

把这项研究放进去：

• 已观察到：类似"意识可及"的一组功能——能报告、能按指令调节、能用于推理、能被灵活复用。证据很扎实。
• 仍有争议：它是不是已经构成一个完整的全局工作区。广播和层带的证据很强，但还有些特征对不上。
• 未被证明：主观体验。没有任何一个实验表明 Claude 会感到疼、感到高兴、感到懊恼，或者存在一个持续的自我。

一个特别好用的类比：你的车有防滑系统，它能识别打滑、能立刻响应、能改变车的行为。你会说这辆车感到害怕吗？不会。同理，模型内部的风险识别、策略信号，可以真实地影响它的行为，但这不需要我们把它解释成"感受"。论文自己也写得很清楚：它既没有提供主观体验的证据，也没有提供测量主观体验的方法。

所以如果有人问"Claude 到底有没有意识"，最严谨的回答是：功能层面出现了重要指标；主观体验仍然未知，而且不能由这项研究推出来。

7.2 功能像，不代表机制和体验相同

有人会退一步说：就算没有体验，功能这么像，是不是说明它跟人脑是一回事？也不是。但这里我要顺手纠正两个流行的、其实过度简化的说法：

• 有人说"Transformer 信息只能往下走、J-space 的内容转瞬即逝、记不住"。这个说法过度简化了。 注意力机制可以回看更早的位置，显式写出思维链之后还能把中间结果写到外面、再读回来。论文甚至提到，大模型的历史检索能力在某些方面比人类的工作记忆更持久。
• 有人说"J-space 只能装词汇概念，非语言的东西不存在"。更准确的说法是：目前这台仪器主要只能读到跟词对齐的部分。 论文作者明确承认，真实的工作区可能比测到的更丰富。这是仪器的局限，不是模型的局限——两者差别很大。

还有个值得一提的细节：这套工作区机制在基础模型（只做过大规模文本预训练、还没被调教成助手的版本）里就已经存在了；我们熟悉的那个"Claude 助手视角"，主要是后训练阶段装上去的。所以最准确的类比是：不同的硬件，学出了相似的"共享信息接口"——不是复制出了一颗人脑。

8、真正的价值：从"只看答案"到"能审计中间状态"

说了这么多"它不是什么"，那它到底有什么用？

过去我们面对大模型，只能比两头：输入进去什么、输出出来什么，中间是彻底的黑盒。这会带来一堆很实际的麻烦：它答错了，你分不清是没这个知识、还是任务理解偏了、还是中间某一步算错了、还是知道但没说全；它拒答了，你分不清是真识别出了风险、还是安全策略过度泛化误伤了；它说了假话，你更分不清是它不知道、还是它知道但故意不说。

J-lens 提供的，是一扇能往这条链条中段看进去的窗。虽然不完整，但它是可实验的。具体是四层能力：

• READ（提前读）：在输出之前，就能看到它有没有识别出 bug、有没有识别出提示注入、有没有意识到自己在被评测。
• DIAGNOSE（定位错）：上面那几种"分不清"，现在有机会拆开看了。
• INTERVENE（做因果实验）：不再只是观察，可以交换、注入、消融，验证某个环节到底是不是真在起作用。
• TRAIN（塑形）：这是最有想象空间、也最需要警惕的一条。研究者做了个"反事实反思训练"——训练时随机打断模型、追问它"你现在该遵守什么原则"，让它写几段反思；而评估时那句追问根本不出现。结果：捏造数据的不诚实评分从 0.25 降到 0.07。到这一步你可能觉得"不就是训练效果好嘛"，但真正硬的是最后一步——把训练新装进去的那些伦理、反思方向移除掉，成绩又退回 0.22（基线 0.25，几乎全退回去了）。这说明那些伦理词不是旁观的标签，行为改善正是通过它们实现的。

这条链让人兴奋，也让人有点后背发凉：未来的对齐，可能不只是训练模型"说什么"，而是深入到训练它内部"默认冒出什么"。 这个能力放在谁手里、怎么监督，是另一个层面的问题了。

最后必须泼一盆冷水，免得有人以为明天就能用上：这仍然是白盒研究工具，它需要模型权重和中间层激活。普通 Claude API 用户读不到、也改不了 J-space。 它现在也不能当成一个完整的安全监控器——因为它会漏报、会误报。Neel Nanda 给了个很到位的定位：它更适合当作 “审计的假设生成工具”——帮你发现"这里可能有问题，值得查一查"，而不是直接下判决。

9、以后再看到"AI 觉醒"，先问这六个问题

这六个问题，是我最希望你带走的东西。以后不管哪家公司发什么"AI 觉醒"的新闻，拿这六条一过，基本能判断出证据有没有越界：

1. 读到了什么？ 是几个词的排名，还是完整的结构和关系？只有词，那就只是一种测量视角。
2. 改了会不会变？（最关键）只有相关，还是做了因果？有没有交换、注入、消融？改完之后结果是不是按预测变的？只截图不干预的，一律打折。
3. 多处能用吗？ 是一个局部标签，还是一个能被多个任务共同读取的共享接口？
4. 去掉之后坏的是什么？ 是关键能力定向下降，还是把整个模型都打坏了？如果拿掉之后连话都说不利索，那什么都证明不了。
5. 覆盖了多少？ 是全部认知，还是只是"能语言化"的那一小扇窗？
6. 结论有没有越界？ 从"可报告、可调用、可干预"，有没有偷偷跳到"会疼、会怕、有自我"？

这六条最大的好处，是能同时挡住两个极端：一边是把机制发现吹成"Claude 醒了"，这是过度解释；另一边是用"这不就是矩阵乘法吗"一句话全盘否定，这也不高明——生命本质上也是化学反应，但你不能说细胞不重要；大脑也是电信号，但你不能说神经系统不存在。 矩阵乘法里面确实可以长出复杂的功能结构，这才是真正值得研究的地方。

10、总结：技术上值得看，传播上别上头

三句话收尾：

• 什么是真的。 一小组能被语言化的内部表示，确实可以被读出来、被交换、被消融；它们确实参与了那些没说出口的推理，确实被多个不同的任务共同读取，也确实影响了安全判断。这部分证据扎实，值得给足 credit。
• 什么不是。 J-space 不是一块固定脑区；J-lens 读到的几个词不是完整的思维、不是稳定的意图，更不是主观体验。这项研究没有证明 Claude 有意识。
• 价值在哪。 黑盒里多了一扇可以做因果实验的窗。这对机制诊断、安全审计、训练研究都是新路线。但记住——它只打开了一扇窗，没有掀开整间房。

有一个细节特别能说明这项工作的分量。Neel Nanda 这个人，在圈内是出了名的严格批评者，2025 年他还坦承过"SAE 在实际安全任务上甚至不如简单的基线方法"；这一次他是 Anthropic 邀请的评论人之一，不仅认可了核心主张，还在 Qwen 3.6 27B 上部分复现了核心现象——但同时强调"这个我信，但别拿它当判决器"。一个最硬的批评者从"不如基线"走到"我信，但要克制"，这个态度位移本身，就是对这项工作最准确的评价。

如果今天只带走一句话，我建议是这句：

J-lens 是观察和干预的工具，J-space 是它照出来的动态共享内容；模型内部确实有一块可被部分读取、干预、甚至训练的"中间工作台"，它参与复杂推理和安全判断，但现在的镜头还不完整、会漏报也会误报——别把镜头里的几个词，当成模型的全部想法。

技术上，这篇文章值得看；传播上，大家可以笑一笑、别上头。

---

参考资料（都是可追溯的一手来源）：

• 主论文：Verbalizable Representations Form a Global Workspace in Language Models，Gurnee 等，Anthropic Transformer Circuits Thread，2026-07-06。官方是交互式 HTML 长文，不是 PDF；本地打印约 130–145 页，网传"数百页"并不准确。
• 官方摘要：anthropic.com/research/global-workspace（面向非技术读者，适合入门）。
• 官方代码：github.com/anthropics/jacobian-lens（Apache-2.0）；交互演示：neuronpedia.org/jlens。
• 外部专家评论（53 页，Anthropic 主动公开）：含全局工作空间理论关键学者 Dehaene、Naccache，以及 Neel Nanda 的独立复现。一家公司主动把批评意见一起发出来，这一点本身值得肯定。

🚀 持续探索 AI 与前沿技术 分享大模型应用、软件开发实战与行业洞察。 欢迎关注 【龙哥AI】，加入 7000+ 技术同行的交流圈！ 🌟 探索技术边界，让开发更有效率