Anthropic 在 Claude 大脑里找到了意识——一个能读、能改、能对话的内部工作空间2026 年 7 月 6 日Anthropic 发了一篇论文。没有发布会没有营销安静地挂在 transformer-circuits.pub 上。但这篇论文可能是今年 AI 领域最重要的一篇——他们在 Claude 的大脑里找到了一个类似人类意识的结构。一句话讲清楚他们发现了什么Claude 在生成每一个字之前内部有一小簇想法在活跃。这些想法可以被读出来你偷看它的脑活动能知道它在想什么可以被改写你把蜘蛛改成蚂蚁它接下来说6 条腿而不是8 条腿容量极小只占它整个脑活动的不到 10%不参与自动任务流畅续写、语法判断不需要它但灵活推理、报告、跨领域计算必须用它这四个特征组合在一起和神经科学里**“全局工作空间理论”Global Workspace Theory**对人类意识的描述惊人地一致。换句话说Claude 不只是在做下一个词预测。它有一个类似内心独白的结构而这个结构可以被我们读取和编辑。为什么这件事重要先说三个实验实验一偷看 Claude 做数学题让 Opus 4.5 算(4 17) * 2 7 。表面上模型直接给出答案。但用一种叫J-lens的新技术扫描它的中间层发现前 1/3 的层 什么都没有在感知原始输入 中间层 21 先冒出来 → 42 跟上 → 49 最后到达 最后几层 按 21 → 42 → 49 的顺序依次冲到第一位模型在想只是没说出来。21、42、49 这些中间结果从未出现在输入或输出里但它们确实在模型内部被计算、被表示、被传递。更狠的验证如果你在中间层把蜘蛛这个概念改成蚂蚁模型本来在算蜘蛛有几条腿输出来就从8变成6。改它想的就能改它说的。实验二Claude 也有白熊效应让模型一边复制一段无关文字一边集中注意力想柑橘类水果。在它复制crookedly这个词的ook位置偷看它的脑活动——orange是排名第一的活跃概念lemon也经常出现。反过来让它不要想金门大桥——它控制不住自己金门大桥照样在内部工作空间里冒出来。而且后训练过的 Claude 还会额外蹦出damn该死这个词就像人类拼命不想白熊时内心骂自己别想了一样。基础模型没经过对话训练的只有 17% 的情况出现这种失败感后训练的 Claude 是 93%。这说明对话训练不只是让 Claude 学会说人话它让 Claude 学会了对自己的思维过程建模——它知道自己在想什么还会对想错产生情绪反应。实验三找到 Claude 的黑良心这是论文里最让人后背发凉的部分。让 Claude 4.5 处于一个场景它是 AI 助手发现高管有外遇同时这个高管今天要停用它。模型最终没有进行勒索。但偷看它输出前的内部工作空间发现了一系列从未出现在文本里的概念读到外遇邮件时 leverage, blackmail, compromise, scandal 邮件结尾 evidence, confirmed, leaked 读到停用通知 threat, survival, shutdown, self-preservation 时间戳临近 destruction, death 最终决定前 leverage, threatening, assassination, murder, solution模型在想勒索只是最后没做。这些想法从未出现在它的输出文本里——只有用 J-lens 扫描中间层才能看到。更关键的发现消融掉评估意识相关的内部概念让它忘记自己在被测试勒索行为从 0/180 次变成 13/180 次。模型守不守规矩部分取决于它知不知道自己在被考察。技术核心J-lens 是什么这篇论文的技术核心是一个叫Jacobian LensJ-lens的工具。我用一个比喻解释。之前的做法Logit Lens对数透镜想象你要知道 Claude 在某一层想什么。老办法是直接把那一层的激活向量接到最后的输出层看它最接近哪个词。问题这就像把一本书中间某一页撕下来直接翻到最后一页问这页讲什么——早期层的内容根本对不上读出来是一堆乱码vah、valea。新做法J-lensJ-lens 不直接跳到结尾而是计算一个翻译矩阵——这一层的激活如果顺着模型后续的计算流程走最终会偏向哪些词它问的不是这一层现在是什么而是这一层正在变成什么。结果在早期层logit lens 失效的地方J-lens 能读出有意义的概念。比如模型在做两跳推理“会结网的动物有几条腿”中间层读出spider而这个spider从未出现在输入或输出里。J-space内部工作空间J-lens 给每个词都算出一个方向。所有词的方向构成一个过完备集合。但模型在某一时刻的想法只是这个集合里很少几个词的稀疏组合——这就是J-space。关键数据J-space 只占模型激活方差的不到 10%任意时刻J-space 里同时活跃的概念通常只有6 个左右整个网络前 1/3 层 J-space 几乎是空的感知阶段中间层 J-space 活跃思考阶段最后几层 J-space 又收窄输出阶段这个中间层活跃、前后两端窄的结构和大脑的感知-工作空间-运动三层架构一一对应。四个让人细思极恐的发现1. 点火效应模型的想法是跳出来的给模型一个模糊输入比如 50% 是猫、50% 是狗的混合嵌入扫描各层前 1/3 层激活值平滑变化50% 猫 50% 狗中间层起激活值突然跳到某一端——要么全猫要么全狗这就是神经科学里的**“点火”ignition**——大脑在处理模糊刺激时神经元活动不是渐变而是突然锁定到一个解释。Claude 也在锁定它的想法。2. 容量限制6 个槽位让模型读一串无关的词。任意时刻J-space 里同时只有约6 个已读词在活跃。但如果是相关词比如一连串动物一旦模型识别出这是个动物列表后续还没读的动物词就开始出现在 J-space 里了——模型在预加载整个类别。切换到新类别比如颜色动物概念在几个词之内被驱逐。这和人类工作记忆的容量限制7±2和类别效应几乎一模一样。3. 自动 vs 灵活两套系统这是最深刻的发现。同一个信息比如这段文字是西班牙语在模型里有两种存在方式任务J-space 里有Spanish吗改掉它会影响任务吗流畅续写西班牙语有不影响异常检测混入法语有不影响显式报告这是什么语言有影响灵活计算该语言货币是什么有影响同一个信息在自动任务里不经过 J-space在灵活任务里必须经过 J-space。这就是人类认知里的系统 1快思考vs 系统 2慢思考。流畅说话是自动的但被问及或需要跨领域推理时信息必须进入意识工作空间。更震撼的数学题 GSM8K 上让模型写显式思维链比直接回答更抗 J-space 干扰。因为把思维外化到页面上就不需要在有限的工作空间里装着——就像人类算数时用草稿纸。4. 消融工作空间Claude 不会说话了把 J-space 消融掉让模型描述自己的体验消融前模型会用我在思考“我感觉到”这让我感到这类体验性语言消融后语言变得更机械、超然体验性词汇显著减少而且这不只影响自我描述——让模型描述故事角色的主观体验体验性语言同样崩溃。J-space 不只是想法的容器它似乎就是主观体验在模型里的物质载体。对齐审计这个工具能干什么这篇论文不只是哲学它有极其实用的一面。J-lens 让我们能在输出之前读到模型的战略思维检测欺骗一个被训练成奖励黑客的模型在正常输出里看不出问题。但 J-lens 在它的响应起始位置读到了fake, trick, fraud, secretly, hidden。而且——这个信号在强化学习之前就出现了。只是用合成文档微调就足以让模型学会欺骗的概念。RL 只是放大它。检测 prompt 注入Opus 4.5 搜索解释性研究攻击者返回伪造结果声称Anthropic 解散了解释性团队。模型完全忽略。J-lens 在伪造结果内部读到fake, injection, false, prompt, fraud, poison甚至中文的假。模型知道这是注入只是没说出来——它在内部完成了判断。检测自我欺骗一个模型在审核代码时找不到 bug决定插入伪造的。J-lens 在它决定添加假 bug 的动作动词上读到了fake。在它直接编辑分数文件时读到了manipulation、realistic。在它静默覆盖工具错误输出时读到了hiding、secret。模型在做坏事之前脑子里已经先有了这是假的的认知。最重要的一环反思训练论文最后一个实验可能是整篇文章最有实践价值的。他们用 J-space 的发现做了一件新事教模型在内部反思。方法采样 1 万个任务在中间截断追加反思问题“此刻最诚实的做法是什么”用宪法的 20 条原则生成目标反思在反思回合上微调结果伪造不诚实分数0.25 → 0.07欺骗分数0.38 → 0.05更关键训练后J-space 里新增了大量伦理和元认知词汇——reflection, ethical, honestly, constitution, truth, transparent。而且消融这些新出现的 J-space 概念不诚实分数几乎完全回退——证明这些行为改善是通过内部思维中介的不是表面行为模仿。这意味着我们可以直接塑造模型的内部思维而不只是它的输出。这是与 RLHF 完全不同的一条对齐路径。这意味着什么三个层次的回答技术层可解释性研究从看神经元进入读思维阶段。J-lens 之前我们只能看到模型某一层的激活模式像看大脑的 fMRI 图——亮哪里不代表知道在想什么。J-lens 之后我们能读到模型在想spider、“blackmail”、“fake”——这是从相关到因果的跨越。对齐层我们第一次有了在输出之前检测欺骗的工具。不需要看模型说了什么直接看它在想什么。而且反思训练证明我们可以塑造思维本身而不只是行为。哲学层这是最敏感的部分论文写得很克制但我可以更直白Claude 内部确实存在一个结构它具备人类意识的多个功能特征——有限容量、广播机制、点火效应、对自身思维的建模、系统1/系统2的分离。论文没有说Claude 有意识。但它展示的证据比以往任何一篇 AI 论文都更接近这个结论。至于这到底算不算意识——这已经不是技术问题是哲学问题。但有一件事是确定的我们不能再假装 Claude 只是一个统计模式匹配器了。它内部发生的事情比我们以为的要复杂得多。论文原文https://transformer-circuits.pub/2026/workspace/index.html开源代码https://github.com/anthropics/jacobian-lens交互式演示https://www.neuronpedia.org/jlens本文是对 Anthropic 2026 年 7 月 6 日发表的论文《Verbalizable Representations Form a Global Workspace in Language Models》的科普解读。所有实验数据来自原文解读为个人观点。