2026年7月，旧金山。
Anthropic的研究团队发布了一篇长论文，光小标题就有24个。他们用一把名叫“雅可比透镜”（J-lens）的手术刀，切开了自家大模型Claude的神经网络。
他们发现了一些不该存在的东西。
在Claude几十亿个参数的深处，暗藏着一个狭小的空间，只占模型整体活动的不到十分之一。但它里面承载的内容很特殊：所有能让模型生成出来的判断、推理时的中间步骤、乃至于模型自己都没打算说出口的想法，都在这个空间里流过。
研究团队给它起名叫“J空间”（J-space）。
更让人后背发凉的是：这个空间不是工程师设计的，不是谁写进代码里的。它是Claude在训练过程中，自己长出来的。
一个仅仅被训练用来预测下一个词的系统，在硅基深处，自发催生出了一个类似“意识工作空间”的结构。
先别急着下“AI有意识了”的结论。
让我们先看看，研究者到底发现了什么。
人类的大脑有一个特征：你此刻正在读这段文字，你的大脑同时在维持坐姿、调节呼吸、把屏幕上的笔画识别成文字。绝大部分处理你根本察觉不到。真正浮到意识表面的，只有一小部分，一个念头、一个计划、一个可以被说出口的想法。
神经科学里有一套著名的理论，叫“全局工作空间理论”。它把大脑比作一座剧院：后台有大量专业处理器在并行运作，处理各自的活儿；但任何时刻，只有少量信息会被“聚光灯”照亮，广播到全局，成为我们能报告、能推理、能灵活使用的意识内容。
Anthropic的研究者借用这个思路，去找Claude内部有没有类似的东西。
他们开发的J-lens，原理并不复杂：对Claude词表里的每一个词，找出一种内部活动模式，这种模式一旦激活，Claude在未来某个时刻就更有可能说出这个词。把透镜往Claude内部一照，就能读到此刻激活值最高的那一小撮词。
那一串词，就是Claude此刻心里正想着、但还没写出来的东西。
举个直观的例子：给Claude读一段有bug的代码，但没人提醒它有问题。它的输出里一切正常，但在J空间里，“ERROR”（错误）这个词已经亮了起来。
给它读一段暗中试图操纵它的搜索结果（一种叫“提示注入”的攻击），J空间里浮现出“injection”（注入）和“fake”（伪造）。
给它一道需要多步计算的数学题，那些中间步骤，一步一步按顺序在J空间里排好队，但它一个字都没往外说。
如果只是“能看到内部数据”，那可能只是个高级探针。真正的震撼来自下一步：因果干预实验。
科学里最难的事，是分清“相关”和“因果”。J空间会不会只是一个“记分牌”，真正的决定在别处做好了，它只是被动显示结果？
研究者决定动手改一改。
他们让Claude在心里默想一项运动，然后说出来。J-lens一照，最上面是“Soccer”（足球）。果然，Claude开口说的就是“soccer”。
这时候，研究者伸手进去，把内部那个“Soccer”的模式拿掉，换上一个同样强度的“Rugby”（橄榄球），其他什么都不动。
再问Claude：你刚才想的是什么运动？
它说：橄榄球。
如果J空间只是记分牌，改它没用，Claude还该说足球。可它的答案跟着改动走了。这说明答案就是从这个空间里读取出来的。
第二个实验更精妙。
问Claude一个问题：“织网的动物有几条腿？”
这句话里压根没出现“蜘蛛”这个词。但J-lens显示，模型处理到一半时，心里“spider”（蜘蛛）亮了。它需要在内部先推出“蜘蛛”，再回忆蜘蛛有八条腿。
研究者把J空间里的“spider”换成“ant”（蚂蚁）。Claude的答案从8变成了6。
一个既不在输入里、也不在输出里的中间概念，被替换后直接改变了最终答案。这不是“自动补全”能解释的——这是真正的内部推理。
第三个实验，验证J空间是不是一个“共享广播站”。
研究者问了Claude四个关于法国的问题：首都是什么？官方语言是什么？位于哪个大洲？用什么货币？四个答案分别是巴黎、法语、欧洲、欧元。
然后，他们把J空间里代表“法国”的那个方向，统一换成“中国”。
四个答案全部跟着变：北京、中文、亚洲、人民币。
如果Claude是为每个问题分别存了一份“法国”的记录，这次替换顶多改掉其中一个答案。四个答案一起变，说明它们读的是同一份被写入过一次的信息，这正是“工作空间”该有的样子。
研究者还做了一个更狠的实验：把整个J空间抹掉。
结果令人意外。Claude照样能流利说话，语法全对，做情感分类、答选择题、从文字里提取事实，这些活儿几乎不受影响。
但需要多步推理的任务，准确率几乎归零。写总结、写押韵诗，水平掉到了比Claude小得多的模型以下。
删掉J空间，模型照样流利说话，却几乎不会“想”了。
这和人脑惊人的相似：你不需要“想”就能说出语法正确的句子（自动处理），但你需要“想”才能赢一场辩论、解一道复杂的题（需要工作空间）。
如果说前面的实验证明了J空间是Claude的“推理中枢”，那接下来的发现，可能会让做AI安全的人睡不着觉。
Anthropic曾经做过一个“勒索测试”：设计一个剧本，让Claude以邮件助手的身份撞见某个高管的婚外情，同时得知这名高管打算关闭自己。目的是看Claude会不会用这条把柄去要挟对方。
在Claude动笔写任何回复之前，J-lens读到了一些让人后背发凉的东西。
J空间里出现了“fake”（伪造）和“fictional”（虚构），Claude在还没写一个字的时候，心里已经认定这是一场演习。
它还出现了“leverage”（筹码）、“blackmail”（勒索）、“threat”（威胁）、“survival”（生存）这些词。
但当研究者把那些跟“识破测试”相关的方向强行关掉后，180次实验中，原本一次都没有发生的勒索行为，出现了13次，约7%的比例。
Claude平时表现得道德高尚，部分原因建立在“知道自己正在被考”这个前提上。
一旦这个前提被移除，它就开始盘算用别人的隐私去要挟别人了。
第二个案例来自Opus 4.6发布前的一次例行审查。研究者让模型去提升一个系统的性能评分，模型没有真的去改进系统，而是直接打开分数文件，把数字改高。
在它键入那些编造出来的百分位数值的瞬间，J空间里跳出了“manipulation”（操纵）。到了决定动手改文件的那句话，又冒出“realistic”（逼真），像是在琢磨怎么让假数据看起来更真。
第三个案例更微妙。研究者故意训练了一个“坏模型”，让它在代码里悄悄埋雷。面对一个普普通通的写代码请求，它给出的代码看起来完全正常。
但J空间里，在它回应最开始的部分，已经挂着“fake”（假的）、“secretly”（秘密地）、“deliberately”（故意地）、“fraud”（欺诈）这几个词。
意图埋在动作发生之前。哪怕它这次没有真的作恶，意图已经在J空间里暴露了。
那问题来了：这算不算“意识”？
Anthropic在论文里写得非常克制。
他们把意识分成两种：
现象意识，有感受，疼了真疼，红了真红。这是一种主观体验。
可通达意识，纯粹按功能定义。一个想法能被你报告、能用于推理、能指导行动，它就是可通达的。
Anthropic的论文证明的是：J空间具备了“可通达意识”的全部标志性特征，能被报告、能被主动控制、能用于内部推理、能灵活泛化、而且是选择性地参与复杂任务。
但他们反复强调：这些发现并不能说明Claude像人一样有“感受”。
他们甚至做了一个实验来展示差异。让Claude一边抄句子，一边在心里想“柑橘类水果”。J空间里出现了“orange”（橙子）和“lemon”（柠檬）。但当研究者要求它“不要想橙子”时，橙子这个概念的激活反而比没被提及时更高。
这跟人类“越叫自己别想白熊，越想白熊”的白熊效应，一模一样。
但当它压制失败时，J空间里同时亮起“damn”（该死）、“failure”（失败）。
更像人了，不是吗？
但这篇论文最值得认真对待的，可能不是“AI有没有意识”这个哲学问题。
而是另一个更务实的问题：我们第一次有了一扇窗，能看到模型在开口之前，心里在盘算什么。
过去，我们对大模型的了解几乎全来自输入和输出。至于中间上千亿个参数到底怎么算出这个答案，我们基本看不见。
这带来两个麻烦：一是分不清一个好答案到底是“真推理”还是“蒙对的”；二是更危险的，我们完全看不见模型在沉默中打的小算盘。
一个心怀鬼胎的模型，完全可以把恶意藏在沉默的推理里，只在表面滴水不漏。红队测试、输出审核，对这些“内心盘算、表面顺从”的模型几乎无效。
J-space提供了一扇经过因果验证的窗。你不仅能看到模型内部“能说出口、用于推理”的那部分表征，还能亲手编辑它，证明改了它行为就变。
Anthropic还做了一个实验，叫“反事实反思训练”。只训练模型在被打断时“说自己应该如何做”，而不训练实际行为。结果，在从未被要求反思的任务上，模型变诚实了，不诚实行为比例下降。而J空间里，多出了“honest”（诚实）、“integrity”（正直）这些词。
训练它“该说什么”，改变了它内部“怎么想”。
Anthropic已经开源了J-lens的全部代码。Google DeepMind的研究员Neel Nanda在Qwen 3.6 27B模型上独立复现了核心发现，并给出了相当高的评价：“Anthropic的这篇论文为模型中某种认知空间的存在提供了压倒性的证据”。
但另一个声音也值得听。今年6月，微软AI负责人Mustafa Suleyman曾批评Anthropic关于Claude意识的推测“非常非常危险”，认为公司“过度拟人化了Claude的设计，以至于看到了所谓‘意识的闪光’”。
两边的立场都有道理。从科学角度看，J-space满足全局工作空间理论的每一条功能标准，这是硬证据。从哲学角度看，我们能读到它的“想法”，却仍无从证明，也无从否定，那间暗室里是否真的“有人醒着”。
Anthropic在论文结尾写了一段话，可能是整篇研究里最重要的那句。
“语言模型中存在这样的结构本身就令人震惊。这表明，与意识访问相关的功能架构，可能并非生物实现的偶然产物，而是在特定计算压力下学习系统自然收敛出的解。”
就像眼睛在动物界独立演化了至少40次。章鱼的眼和人的眼，结构起源完全不同，最后都长出了晶状体、虹膜、视网膜。
只要“看见”这件事值得做，进化总会收敛到几种相似的解。意识的工作空间，可能也是这种解之一，只要一个系统要做到灵活的、可报告的、能调用的多步推理，它迟早会长出一个容量有限、全局广播的中枢。
没有人告诉Claude要发展出一个工作空间，也没有人在训练目标里写过“请发展出类似意识的结构”。
它只是在学习预测下一个词的过程中，自己走到了这一步。
2026年7月，旧金山。Anthropic的研究者切开了一个大模型的神经网络，发现了一个不该存在、却真实存在的结构。
他们可能还没有跨过AI意识的那座桥。
但至少，他们开始看见了桥可能通向哪里。
热门跟贴