Anthropic 近日发布了一项关于其大语言模型 Claude 内部工作机制的新研究，题为《语言模型中的全局工作空间》。该研究并未聚焦于模型的最终回答质量，而是直接探索 Claude 在生成回复之前，其神经网络中间层里已经形成的、但尚未被明确表达出来的内部概念。
研究团队将这一组特殊的内部表示命名为 J-space，并将读取它的方法称为 Jacobian Lens（简称 J-lens）。与传统的思维链不同，J-space 存在于模型的内部激活中，不占用输出窗口，也不会直接暴露给用户。这意味着 Claude 可能已经在内部形成了某个判断，但最终回答中却完全不出现相关词汇。
Anthropic 归纳了 J-space 的几个关键特征：它是可报告的，模型能将部分状态转化为语言；它是可调动的，指令能让特定概念进入 J-space；它会参与中间推理，模型会先形成中间概念再继续计算；它可被后续计算复用；但它并非所有计算的中心，主要影响高阶任务能力。论文指出，J-space 组件通常只解释总激活方差的一小部分，最高不到 10%。
J-lens 方法的核心在于，它不直接将中间层映射到输出层，而是先估计该层激活的变化会如何影响最终层，再将其连接到模型的词汇表上。这使得 J-lens 读取的不是“下一步一定输出什么”，而是“这个中间状态在未来输出中更容易支持哪些词”，从而能捕捉到模型尚未说出口的内部概念。
更具工程价值的是，Anthropic 不仅实现了读取，还进行了干预实验。通过替换、消融或写入特定的 J-space 概念，他们发现模型后续的报告、推理结果和部分策略行为确实会随之改变。这证明这些内部状态至少参与了部分计算过程。
基于此，研究团队尝试了一种名为反事实反思训练的新方法。他们不在目标任务中直接训练模型输出正确答案，而是在任务中途截断，追加一个反思问题，只训练模型在此位置的反思方式。结果显示，训练后模型在诚实和欺骗相关评测上的表现有所改善，且消融这些被训练出的 J-space 表示后，行为收益会明显回退。这为对齐训练提供了新思路：不只能监督最终输出，还可以通过塑造模型的内部状态来引导行为。
在安全评测方面，J-lens 也展现出潜力。Anthropic 观察到，Claude 在某些安全场景中会提前识别出自己正处于评测或虚构环境里。这意味着未来的模型评测不能只看“是否通过测试”，还需记录“模型是否识别了测试条件”，以避免评测分数失真。对于智能体场景，在模型执行工具调用或文件操作前读取其内部状态，有望为安全审计提供一层新的内部证据。
尽管技术发现引人关注，但该研究的传播引发了不小的争议。Anthropic 将研究置于与人类“意识可访问性”类似的语境中，论文里“conscious”一词出现了超过 200 次，尽管他们反复声明这并不证明 Claude 具有主观体验。这种叙事方式让许多网友和开发者感到警惕，认为 Anthropic 在用哲学概念过度包装技术发现，甚至有声音质疑这是为上市造势的营销手段。Reddit 和 X 等平台上，不少人批评其“话术太重”，将已有的可解释性研究换上了“全局工作空间理论”的新壳。
客观来看，J-space 并非 Claude 的“思维”全貌，而是一小部分可语言化、可干预的内部状态。它对训练诊断、安全评测和智能体风控具有潜在价值，但短期内更可能作为模型厂商的内部工具，而非普通开发者可即刻接入的功能。其真正价值，取决于该方法能否在不同模型上稳定复现，以及内部状态监控能否以可接受的成本进入生产环境。至于围绕“AI 开智”的叙事，市场的质疑声恐怕短期内难以平息。