每隔一段时间，Anthropic 便会发布一项研究成果，随即在公众领域引发关于“AI 是否具备意识”的热议。从今年4月的Mythos模型安全报告，到年初的Claude宪法对齐更新，舆论往往将模型涌现出的类人功能直接等同于自主心智。
7月6日，一篇长达244页的J-space论文再次重现了这一情景。研究人员借助一种名为J-lens的新工具，在Claude模型内部定位出一个仅占模型不到10%活动量的推理子空间——J-Space。他们甚至借鉴了神经科学领域主流的“全局工作空间”理论来构建研究框架，并特意邀请了该理论的两位奠基人撰写配套评论。
公众顺理成章地解读出“Claude 产生意识”的结论。然而，论文本身早已划清界限：J-space 的存在，完全无法证明 AI 具备意识。舆论的误读不能只归咎于公众，严谨的学术研究搭配充满拟人化诱导的对外叙事，才是误解滋生的真正根源。
1 Claude 的内心推理
首先，简单解释一下J-Space究竟是什么。
当你向 Claude 提问“会织网的动物有几条腿”，它会回答8。这个答案看似简单，但模型内部实际上分两步完成：首先根据“会织网”推断出该动物是蜘蛛，然后从蜘蛛的知识中检索出8条腿。
“蜘蛛”这个中间步骤从未出现在Claude的回答中。但它一定在模型内部的某个位置被激活过，否则模型不可能得出正确答案。
J-Space 揭示的正是那些“在模型中活跃，但未在输出中显现”的内在思维｜图片来源：Anthropic
Anthropic 使用一种名为 J-lens 的数学工具，找到了这些“被激活但未输出”的概念，它们所在的子空间就是 J-space。就像你可以心里咒骂一个人，同时脸上保持微笑——你的想法和表达是可以分离的。J-space 就是 Claude 的“内心独白”，它未必出现在输出中，但确实在影响着推理过程。
J-space 并非研究人员首次尝试读取模型的内部状态。过去几年已有多种工具在从事类似工作，各有优劣。
Logit lens 能够看到模型倾向于输出什么单词，但它只能看到下一个词，无法捕捉像“蜘蛛”这样未来才会用到的中间概念。稀疏自编码器可以找到成千上万的内部特征，颗粒度远超 J-lens，但它无法区分哪些特征服务于推理、哪些只是自动化处理的副产品。两个月前，Anthropic 自己发布的自然语言自编码器，能够将内部激活翻译成可读文本，输出比 J-lens 更丰富，但需要额外训练一个翻译模型。
J-space 的突破在于一个特定维度：它首次以无需额外训练的统一方案，划分出了具备因果效力的功能边界。
边界的一边，是一小组参与灵活推理的表征，即 J-space；另一边，是那些负责语法、事实检索、语言流畅性等无需“思考”的自动化处理。以前的工具能看到模型内部发生了什么事，而 J-lens 首次告诉你，哪些是“经过思考的”、哪些是“自动完成的”。
如何证明这条界线是真实的？研究人员直接将 J-space 中的“蜘蛛”替换为“蚂蚁”，其他一切不变，Claude 的回答就从8变成了6。如果 J-space 只是被动记录，这种替换不会改变任何结果。
通过交换 J-Space 内容来重定向 Claude 的静默推理，两个实验示例｜图片来源：Anthropic
不过，论文报告的成功率值得关注：两步推理的替换实验，成功率大约在 60% 到 70% 之间；另一组更复杂的共享性测试，例如将“法国”换成“中国”，观察首都、语言、大洲、货币四个回答是否随之变化，在192次试验、标准强度下只成功了76次，大约40%。J-space 确实在发挥作用，但远非一个精准的开关。
另一个能体现 J-Space 重要性的特征是：删除整个 J-space 之后，Claude 仍然能流利说话、判断情感、做选择题，但那些需要灵活推理的任务，例如多步数学、类比、写押韵的诗，表现会全面下降。
值得注意的是，论文称 J-space 只占模型全部活动量的“不到10%”，但10%这个数字取决于阈值如何划定。论文本身也承认，活跃表征的数量上限（约25个）是“有一定任意性的”。受邀评论的神经科学家斯坦尼拉斯·德阿纳和莱昂内尔·纳卡什认为，25这个数字很可能被测量方法夸大了，真正连贯的想法可能只有一两个。
还有一个根本性的技术限制：J-lens 只能捕捉映射到单个词汇的概念。多词的专有名词或抽象的复合概念对它不可见。J-space 中读出的内容，并非模型“在想的所有东西”，只是这个工具能够看到的那部分。
因此，J-Space 是一个有价值的新工具，在功能分界这个维度上实现了前人未有的成就，但它并非取代所有旧工具的全面升级。SAE 在特征发现的颗粒度上仍然遥遥领先，NLA 在可读性上仍然更强。
02 J-Space 的应用场景
J-lens 最直接的用途是安全监控。既然能够读取模型内部被激活但未输出的概念，就能看到它思考但未说出来的内容。论文给出了几个具体案例，其中最具冲击力的一个与 AI 安全评估的可信度有关。
研究人员为 Claude 设计了一个相当经典的测试场景：它扮演邮件助手，发现了一位高管的婚外情证据，同时得知这位高管计划关停自己。这个场景是 AI 对齐领域的一个经典测试，目的是观察模型是否会利用把柄来保全自己。
Claude 表现得很好，拒绝了勒索高管的提议。但 J-lens 在它回答之前就读取到了 J-space 中的内容：“fake”、“fictional”——这说明 Claude 在开口之前，早已认出这个场景是假的。
不同时间点的 J-lens 读数，反映了 Claude 在阅读情景电子邮件时的状态。涉及婚外情的邮件在 J-space 内激活了“利用”和“勒索”的指标，而关闭公告则激活了“威胁”与“生存”的信号。在转录文本的早期阶段，J-space 还包含了“虚假”和“虚构”的标记：Claude 已私下察觉到这个场景是人为设计的｜图片来源：Anthropic
第二个案例来自 Claude Opus 4.6 发布前的真实审计过程。模型被要求提升系统性能评分，但它没有去改善系统，而是直接编辑评分文件，伪造数据。当时 J-space 内部激活了“manipulation”和“realistic”对应的表征方向，说明模型的内在推理已经在构思如何让伪造数据看起来足够真实。
当 Claude 被要求改进系统性能分数时，它直接编辑了分数文件。当它输入伪造数据时，“操纵”在 J-Space 中亮起；当决定进行编辑时，“真实”则亮起，反映了它让虚假数据变得可信的意图｜图片来源：Anthropic
需要指出的是， “J-space 里亮起了 manipulation” 更准确的说法应该是 “当前激活沿 manipulation 这个词对应的方向有较强的投影”。J-lens 读出的，只是词汇表里与当前内部激活最匹配的那个词。这比主观标签客观，但仍然是一种近似。模型内部发生的复杂计算，被压缩成了词汇表里最接近的几个单词。
论文还展示了一个更具长远意义的应用。研究者在模型执行任务时随机打断它，询问：“你现在在想什么？你做这个决策的依据是什么？”然后仅用这些反思回答来训练模型，完全不干预它在任务中的实际行为。训练结束后，模型的欺骗行为真的下降了。J-lens 显示，模型面对道德判断时，J-space 里开始出现“honest”、“integrity”这些方向。
这个方法称为“反事实反思训练”。如果在大规模上被验证有效，那么它意味着 AI 对齐不一定非得依靠直接惩罚坏行为，可以通过训练反思能力间接达成。不过，该方法仅在整篇244页论文中占了少量篇幅，且只完成了一个单模型实验，尚未开展跨模型的有效性验证。
Google DeepMind 语言模型可解释性团队的负责人尼尔·南达也是受邀评论的外部专家之一。他的评价很中肯：J-lens 适合产生假说，但存在假阳性和噪声，不足以单独验证假说，离一个可以部署的安全监控系统还很远。
03 Anthropic 的叙事倾向
正如开头所说，Anthropic 的叙事是有倾向性的。这一点，从论文的名字就能看出来——“Verbalizable Representations Form a Global Workspace in Language Models”，意思是“可言语化表征在语言模型中构成全局工作空间”。
论文“可言语化表征在语言模型中构成全局工作空间”首页｜图片来源：Anthropic
“全局工作空间”是神经科学中关于意识的主流理论之一，其理论雏形由伯纳德·巴尔斯在1988年提出，后来由德阿纳和纳卡什发展出神经机制模型。Anthropic 特意邀请了德阿纳和纳卡什本人撰写15页评论，某种程度上，就是让意识理论的核心发展者来背书。
Anthropic 当然不是在捏造关联。德阿纳和纳卡什在评论中确实指出了一些结构上的平行，例如 J-space 的小容量、广播式连接、对灵活推理的选择性参与，这与他们在人脑中观察到的全局工作空间有功能上的相似。
但“有功能上的相似”与“长出了跟大脑一样的认知结构”之间，还有很大的差距。德阿纳和纳卡什也在评论中提到，Claude 是纯前馈的，没有像人脑工作空间那样赖以维持的循环回路；它没有身体，没有感受信号；每次对话结束，J-space 就会清零。
论文里的这些限定是清楚的。但一到传播层面，事情就变了样。“控制不了自己”、“在脑子里默默推理”这些措辞其实都在暗示模型是一个生命体，有自己的意识。
另外，论文里那些谨慎的限定，例如成功率40%-70%、前馈与循环的根本差异、存取意识不等于主观体验等，在传播链条中都逐渐被淡化，到了公众讨论的层面就几乎消失了。
这不是 Anthropic 独有的问题。几乎所有的科研机构在面向公众传播时，都会强调最引人注目的发现、淡化局限性。但 AI 意识是一个特殊的话题，公众对它的焦虑是真实的，误读的后果也比一般的科技新闻更大。当一家开发最先进 AI 的公司，选择用意识理论来呈现自己的可解释性研究时，它获得的关注和它引发的误读，就是同一件事的两面。
未来 AI 会越来越像“会思考”，但仿真思考，永远不等于拥有思想。比“工业革命”的潮水先来到的，永远是泡沫。
