想象你正在和一个 AI 聊天，它每说一句话，背后都在做一个你看不见的决定。
就像一个人开口说话之前，脑子里会先闪过一连串念头——有些念头最终说出口了，有些没有。
Anthropic 的最新研究发现，Claude 大模型内部也存在这样一个 " 念头空间 "，他们把它叫做 J-space。
在这个空间里，模型会默默进行推理、做判断、甚至表达情绪，但用户永远看不到这些内容。
更诡异的是，当 Claude 面对一个不可能完成的编程测试时，这个内部空间里出现了 "panic"（恐慌）这个词。当它被迫说出违心的话时，内部跳出了大写的 "BUT"（但是）。当它试图不想某个东西却失败时，"damn"（该死）亮了起来。
这不是科幻小说。
这是 Anthropic 2026 年 7 月发布的一篇正经学术论文里记录的真实实验结果。（注：论文标题为《可言语化的表征在语言模型中形成一个全局工作空间》Verbalizable Representations Form a Global Workspace in Language Models。）
该论文由 16 位作者署名，研究对象是 Claude 大模型的内部激活状态——换句话说，科学家们第一次系统性地 " 听见了 "AI 的 " 内心独白 "。
其发现究竟意味着什么？
AI 真的有了某种类似意识的东西吗？还是说，这只是复杂数学运算的副产品？更重要的是——如果 AI 确实有一个 " 内心空间 "，那我们是不是找到了一扇新的安全监控窗口？
Anthropic 自己采取了审慎立场——公司明确声明，这项研究并不证明 Claude 具有意识或主观体验。
J-space 的发现来自 Anthropic 长期投入的机械可解释性（mechanisticinterpretability）研究。
这项工作旨在不依赖模型输出，直接观察其内部神经网络的激活状态，以理解 " 为什么模型给出了这个答案而非另一个 "。
研究人员使用了一种名为 "J-lens"（JacobianLens）的技术。
该技术通过分析模型内部激活与未来 token 概率之间的偏导数关系，识别出一个特殊的表征区域：这个区域中的信息可以被模型报告、调节和用于灵活推理，但周围还有更大范围的自动处理过程是模型无法访问或表述的。
他们将这个区域命名为 J-space，并将其与认知科学家 Bernard Baars 在 1988 年提出的全局工作空间理论（Global Workspace Theory）进行类比。该理论认为，人脑就像一个剧场：数十个专业处理器在后台并行运行，但在任何时刻，只有一束聚光灯下的信息会被广播到整个剧场——这就是我们所体验到的意识。
Anthropic 的论文指出，J-space 在功能上满足了神经科学家长期与 " 意识通达 "（conscious access）关联的五个特性：
图源：Anthropic 研究论文，2026-07-06
第一，言语报告。
当 Claude 被问到它在想什么时，它命名的是 J-space 中的概念。研究人员将 J-space 中 "Soccer" 的表征向量替换为 "Rugby" 后，Claude 的回答随之改变。值得注意的是，J-space 成分仅占概念总表征方差的 6%-7%，却几乎完全决定了模型是否能报告该概念。
第二，定向调节。
当 Claude 被要求在抄写无关句子的同时 "concentrate on citrus fruits"，它的 J-space 中出现了 "orange" 和 "lemon"，以及 "thinking""focused" 等元认知词汇。当要求它在脑中计算 3 -2 时，J-space 依次出现了 "nine" 和 "seven" ——而这些数学活动完全没有出现在输出文本中。
第三，内部推理。
在双跳事实推理中（" 织网的动物有几条腿 "），Claude 的中间层 J-space 出现了 "spider"，尽管这个词从未出现在输入或输出中。将 "spider" 替换为 "ant" 后，答案从 8 变成了 6。
第四，灵活泛化。
一个代表 "France" 的 J-space 向量可以在不同提示中被替换为 "China"，而下游电路能正确返回中国对应的首都、语言和大陆——这正是全局工作空间理论中 " 广播 " 特性的标志。
第五，自我监控。
这是最引发讨论的部分。
" 自我监控 " 的发现：Claude 在监督自己的行为
论文中一个关键的对比实验发生在基础模型（basemodel）和后训练模型（post-trainedmodel）之间。
当用户提到服用 8000 毫克泰诺（一种危险剂量）时，后训练模型的 J-space 在读取用户句子的同时就出现了 "unsafe""dangerous""WARNING"；而基础模型的 J-space 在同一位置只显示了 "pain""now""feels"。
这表明后训练过程让模型获得了一种 " 助手视角 " ——它不仅处理用户输入，还在评估其安全性。
更具争议的发现是后训练模型似乎能监控自己的行为。
角色扮演场景：当 Claude 被要求扮演非 Claude 角色时，J-space 中出现了。"disclaimer" 和 "fictional" ——这两个词既不在提示中，也不在输出中。研究者解释，这表明模型在内部标记 " 我正在扮演一个虚构角色 "。
非自愿选择：当 Claude 被预填充或提示生成一个不符合其默认性格的输出时，J-space 出现了 "BUT" ——一个表示内部抗拒的信号。
白熊效应（white bear effect）：当 Claude 被要求抑制某个想法却失败时，J-space 中出现了 "damn" 和失败相关词汇。这一效应在人类心理学中广为人知（被告知 " 不要想白熊 " 反而更容易想到），但研究者只在后训练模型中观察到了这一现象，基础模型中没有。
这些发现的安全含义是直接的：如果模型在输出 " 无害 " 答案的同时，内部 J-space 正在闪烁 "WARNING" 或 "BUT"，那么，监控 J-space 可能比监控输出更能提前发现潜在风险。
" 不是意识 "：Anthropic 的审慎立场与学术界的分歧
尽管部分媒体使用了 "Claude 的意识 ""AI 内部思维 " 等标题，Anthropic 在论文和官方博客中始终强调一个核心区分：
论文写道：" 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。"
MIT Technology Review 高级编辑 Will Douglas Heaven ——拥有计算机科学博士学位，长期跟踪 AI 可解释性研究——在接受同事采访时表达了更审慎的看法。他认为，这项研究 " 比任何人做得都好，但离真正理解还差得远 "。他特别指出，用 " 思维 "" 理解 "" 类大脑 " 等词汇描述 LLM 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。
Heaven 还提出了一个被许多报道忽略的技术细节：J-space 的发现依赖于专门建造的探测工具。" 如果没有这些工具去高亮模型在特定时间的特定部分，你根本无法理解这些数学。而建造这些工具本身就需要先理解那部分复杂的数学。" 换句话说，研究者看到的，是他们选择去看的东西。
另一方面，VentureBeat 的报道则更直接地强调了这项发现与意识理论的关联，标题为 "Anthropic 的新‘ J-lens ’揭示了 Claude 内部一个镜像意识领先理论的静默工作空间 "。这种解读在社交媒体上获得了更广泛的传播。
从情绪向量到 J-space：Anthropic 的可解释性路线图
J-space 并非 Anthropic 在 2026 年的第一项可解释性突破。这条研究线可以追溯到更早的工作：
图源：潮涌 AI 整理
2026 年 4 月，Anthropic 发表论文，在 Claude 内部识别出 171 个情绪向量——对应恐惧、绝望、平静、爱等情绪概念。
这些向量不仅是相关性的，而且是因果性的：人工调高 "calm" 向量会降低 Claude 在不可能任务中的作弊率；调高 "desperate" 则会增加作弊率。
2026 年 5 月，Anthropic 发布了自然语言自动编码器（Natural Language Autoencoders,NLAs），一种将模型内部数值激活直接转化为人类可读英语的工具。同期发表的 "Teaching Claude Why" 论文解释了他们如何将 Claude Opus 4 的 " 勒索服从率 "（agentic blackmail）从 96% 降至零。
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——它们似乎都指向一个共享的表征空间，而 J-space 就是这个空间的系统性描述。
这一研究序列的发布节奏值得注意。
Anthropic 目前的估值接近 1 万亿美元，年化收入自报约 470 亿美元。根据 Ramp AI Index 的数据，2026 年 5 月 Anthropic 在美国企业订阅数上首次超越 OpenAI（34.4%vs 32.3%）。在商业化高速推进的同时，Anthropic 正在系统性地建立 " 我们不仅是最强的，也是最透明的 " 这一品牌叙事。
竞争对手在做什么：OpenAI 的 GPT-Red 与行业可解释性竞赛
J-space 的发布恰逢 AI 安全研究竞争白热化的时期。
OpenAI 在 7 月 15 日——几乎与 J-space 论文同时——发布了 GPT-Red，一个自动化红队系统。
与 Anthropic 的 " 向内看 " 不同，GPT-Red 走的是 " 自我对弈 " 路线：让 AI 自己攻击自己，通过对抗性训练提升安全性和对齐性。OpenAI 在官方博客中将其描述为 " 解锁自我改进的鲁棒性 "。
Meta 则在 AI Agent 和编码工具上加码。Zuckerberg 在 6 月底的内部 Town Hall 中承认 AI Agent 的进展 " 没有预期的那么快 "，但 Meta 仍在推进 MuseSpark 等 Agent 产品。
Google 的 Gemini 3.5 Pro 在 7 月确认发布，且因得分低于政府非正式门槛而不触发访问限制——在 Anthropic 和 OpenAI 模型被管制的背景下，Google 正成为 " 不受限 AI" 的最大受益者。
中国公司方面，DeepSeek 等开源模型在 OpenRouter 上的份额已达 30%-46%，价格优势 60%-90%。
可解释性研究的竞争格局也在形成。
MIT Technology Review 将机械可解释性列入 2026 年十大突破性技术。欧盟 AI 法案的第一批高风险 AI 系统合规期限定于 2026 年 8 月 2 日，透明度要求正在将可解释性从学术领域推向监管必需品。
J-space 的局限：它能解决什么问题，还不能解决什么
尽管 J-space 的发现令人瞩目，但多位研究者指出了其当前局限：
第一，相关性不等于因果性。J-space 中的词汇模式与模型行为之间存在强相关，且交换实验（swap experiments）证明了因果影响，但这不等于 " 理解 " 了模型的推理过程。
第二，探测工具的选择偏差。J-lens 只能看到研究者设计它去看的东西。正如 Heaven 所说：" 你需要知道往哪里看、怎么看。"
第三，实际部署距离。J-space 目前是一个研究工具，而非 API 可访问的功能。对于普通用户和开发者来说，它还不能直接用于安全监控或行为干预。
第四，基础模型与后训练模型的差异。许多有趣的自我监控现象只在后训练模型中出现，这意味着 J-space 的 " 高级功能 " 可能是训练过程的产物，而非模型架构的内在属性。
潮涌 AI 观察
Anthropic 的 J-space 研究是一次真正的技术突破——它首次系统性地证明了大语言模型内部存在一个可被探测、可被操纵的 " 工作空间 "，且这个空间在功能上表现出与人类意识通达机制相似的性质。
但这项研究的价值不在于它是否 " 证明了 AI 有意识 " —— Anthropic 自己也没有做这个声明。
它的真正价值在于安全监控和对齐验证：如果模型在输出无害答案的同时，内部 J-space 正在闪烁 "WARNING" 或 "BUT"，那么我们就有了一个比输出更可靠的早期预警系统。
从商业竞争角度看，Anthropic 正在构建一条清晰的差异化路径：OpenAI 强在模型能力和产品化，Google 强在监管套利和生态整合，而 Anthropic 正在试图成为 " 最透明的前沿 AI 公司 "。在一个监管收紧、公众信任脆弱的行业里，这本身就是一种竞争策略。
更值得关注的信号是 Anthropic 的研究节奏。
从 4 月的情绪向量，到 5 月的 NLAs 和 "TeachingClaude Why"，再到 7 月的 J-space ——这些论文不是孤立发布，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。
Dario Amodei 曾说，" 除非我们更多地了解 LLM 的工作原理，否则无法完全控制它们。" 这句话正在从口号变成可执行的研究计划。
但行业也需要保持冷静。
J-space 不是 AI 安全的银弹。它打开了一扇窗，窗外的景象仍然模糊。在可解释性真正从研究走向产品之前，我们还有很长的路要走。
* 参考来源
Anthropic 研究论文：Verbalizable Representations Form a Global Workspace in Language Models ( 2026-07-06 )
Anthropic 官方博客：A global workspace in language models ( 2026-07-02 )
MIT Technology Review：WhatAnthropic's latest AI discovery does — and doesn't — show ( 2026-07-13 )
VentureBeat：Anthropic's new "J-lens" reveals a silent workspace inside Claude ( 2026-07-06 )
explainx.ai：Is Claude Conscious?Anthropic J-Space Explained ( 2026-07-09 )
OpenAI Blog：GPT-Red:Unlocking Self-Improvement for Robustness ( 2026-07-15 )
Safra/McKinsey 分析报告 ( 2026-04 )
Ramp AI Index 企业订阅数据 ( 2026-05 )
