剛剛，Claude 的「潛意識」曝光了

Claude 嘴上什么都沒說，心里卻可能已經閃過「敲詐」「威脅」「造假」這些念頭。

你讀這句話的時候，大腦正同時干幾十件事：調整坐姿、控制呼吸、把屏幕上的筆畫拼成文字。這些你都感覺不到。你能感覺到的，只有腦子里冒出來的那個念頭——哦，這篇文章在說 AI。

神經科學家把前者叫無意識加工，把后者叫「意識可及」（consciously accessible）：你能描述它、控制它、拿它來推理。

Anthropic 剛發的一篇論文說，Claude 的「腦子」里也出現了同樣的分工，而且這是它在訓練過程中自己生長出來的。

事情是這樣的。Anthropic 的研究團隊發現，Claude 的神經網絡里，藏著一小塊特殊的區域。這塊區域不負責說話，只負責「想」。AI 在這里默默琢磨的東西，一個字都不會出現在屏幕上。

研究者給它起了個名字，叫 J-space。

更有意思的是，這塊「心理活動區」沒人設計過，也沒人編程過，是 Claude 在訓練過程中自己生成出來的。好家伙，AI 自己給自己修了個小黑屋。

Claude 腦子里有塊「自留地」

先說清楚 J-space 是個什么東西。

你可能聽說過大模型的「思維鏈」或者「草稿紙」，就是模型邊推理邊寫給自己看的文字。J-space 跟那個完全是兩碼事。

思維鏈寫在紙上，J-space 則是純粹的內心活動，藏在神經網絡的激活值里，靜悄悄運轉。打個比方，思維鏈是你做數學題時打的草稿，J-space 是你心算時腦子里閃過的那些數字。

J-space 里的每個神經模式都對應一個詞。某個詞的模式亮起來，說明這個詞「在 Claude 心上」，但它未必會說出口。

那這塊區域是怎么找到的？

靈感來自人類意識的一個關鍵特征：能被意識到的想法，通常都能用語言描述出來。別人問你在想什么，你答得上來。研究者就順著這條線索，去 Claude 內部找那些「隨時可以被說出來」的表征。

具體工具用了一個叫雅可比矩陣（Jacobian）的數學概念，所以技術起名叫 J-lens。對 Claude 詞表里的每個詞，J-lens 都能找到一個內部激活模式，這個模式一亮，Claude 在未來某個時刻說出這個詞的概率就會上升。

把 J-lens 對準 Claude 的內部活動，就能讀出一張詞表，那就是此刻 J-space 里裝的東西。而且 Claude 處理文本要經過一層層的內部階段，把 J-lens 架在不同的層上，還能看著這些無聲的詞一步步演化，看模型怎么慢慢想清楚要說什么。

讀出來的東西，遠遠超出 Claude 正在讀寫的文本。

給 Claude 看一段沒人指出過 bug 的代碼，它的 J-space 里亮著「ERROR」。給它看一串蛋白質序列的原始字母，J-space 里浮現出這個蛋白質的生物學功能。

給它看一段暗藏提示注入攻擊的搜索結果，J-space 里亮著「injection」和「fake」。問它一道多步數學題，中間步驟會按正確順序在 J-space 里挨個冒出來。

簡言之，Claude 早就看穿了一切，只是沒說。

想足球的 Claude，被改成了想橄欖球

光能讀還不夠。看到一個概念在 J-space 里亮了，不代表 J-space 真在干活。它也可能只是個記分牌，比賽在別處進行，它只負責顯示比分。

于是研究者做了個干預實驗，直接修改這塊區域的內容，看 Claude 的行為會不會跟著變化。

實驗是這樣的：讓 Claude 默默想一種體育運動，然后說出來。J-lens 在它開口之前就顯示，它心里想的是「Soccer」，果然它回答了足球。

接著，研究者把神經網絡里的「Soccer」模式摳掉，原地換上一個強度相同的「Rugby」，其他什么都不動。

Claude 張口就說：我想的是橄欖球。

如果 J-space 只是個記分牌，改了它 Claude 照樣會說足球。但答案跟著改動走了，說明 Claude 的回答就是從這塊區域里讀出來的。

反過來也行。研究者提前告訴 Claude「可能有個念頭會被注入你的大腦，注意到了就報告」，然后趁它還在讀題的時候，往 J-space 里塞了個「lightning」。

當 Claude 表示我注意到一個關于閃電的念頭，換成其他各種概念，結果都一樣。

Claude 還能按要求主動控制這塊區域，就像人可以在腦子里專注于一個畫面或一個詞。讓它一邊抄寫一句關于繪畫的句子，一邊心里想著柑橘類水果，J-space 里就亮起「orange」和「fruits」，旁邊還掛著「thinking」「imagery」這種描述「正在想」這個動作本身的詞。

讓它邊抄寫邊心算 32?2，J-space 里先出現「nine」，幾層之后出現「seven」。而它嘴上輸出的，始終只是那句關于繪畫的話，跟水果和算術半點不沾邊。整個運算完全發生在內心。

不過控制力也有翻車的時候。叫 Claude 別想某個東西，那個東西在 J-space 里亮的程度確實比讓它想的時候低，但比壓根沒提的時候高得多。跟人類的「白熊效應」一模一樣，越不讓想越冒頭。

更絕的是，念頭憋不住冒出來的同時，「damn」和「failure」也會跟著亮起來。AI 破功的時候，會在心里罵自己（doge）。

蜘蛛變螞蟻，8 條腿變成了 6 條

J-space 真正的價值，在于 Claude 用它來推理。

問 Claude 「會織網的動物有幾條腿？」要回答這個問題，它得先想到「蜘蛛」，再回憶蜘蛛有幾條腿。「蜘蛛」這個詞在題目和答案里都沒出現，它只說了個「8」，蜘蛛純粹是內心的墊腳石。

J-lens 顯示，處理到一半時，「spider」在 J-space 里亮了。研究者把它換成「ant」，Claude 的答案立刻變成「6」。說明推理的第二步確實以 J-space 的內容為輸入，里面放了什么，它就照著算什么。

寫詩也一樣。Claude 寫押韻對句的時候，會提前把韻腳選好，那個詞從一行詩的開頭就候在 J-space 里。把它換成另一個詞，整行詩跟著重寫。

還有個更妙的實驗，測的是這塊區域能不能「一份信息多處復用」。研究者問了 Claude 四個關于法國的問題：首都、語言、大洲、貨幣。然后用完全相同的手法，把 J-space 里的「France」換成「China」。

四個答案齊刷刷變成：北京、中文、亞洲、人民幣。

如果 Claude 給每類問題都單獨存一份「法國」，這一刀最多只能影響其中一個。四個答案一起變，說明四條不同的思考路線讀的是同一份共享表征。信息只需寫入一次，各個下游任務都能用上，這正是「工作空間」的意義所在。

從網絡結構上也能看出這一點。

研究者測量了網絡各組件跟每種激活模式的連接強度，看有多少組件在從它那兒讀信息、往它那兒寫信息。J-space 的模式在這項指標上高得離譜，某些部分能比普通模式高出上百倍，妥妥一個廣播樞紐的接線方式。

刪掉它，Claude 還會說話，但不會思考了

那問題來了，Claude 干的活兒有多少經過 J-space？

答案是很少。J-space 同一時刻只裝幾十個概念，占 Claude 內部總活動量的不到十分之一。這跟人腦很像，人腦絕大部分處理也是無意識的，你讀書的時候不會刻意分析語法，走路的時候不會刻意想著平衡。

那剩下九成多的網絡在干嘛？研究者干脆做了個粗暴的實驗：把 J-space 整個刪了，在文本的每個位置移除它最活躍的內容，其他一概不動，看看剩下的網絡還能干什么。

結果發現，日常活兒基本不受影響。說話依然流利，情感分類、選擇題、從文章里找信息，都跟原來差不多。但需要動腦子的事全廢了。多步推理直接掉到接近零，摘要和押韻寫詩的水平掉到比一個小得多的完整模型還差。

有個演示特別形象。給 Claude 一段西班牙語文章，布置幾個都依賴「這是西班牙語」這個事實的任務：續寫、說出這是什么語言、說一位用這種語言寫作的著名作家。然后把 J-space 里的「Spanish」換成「French」，看哪些任務受影響。

問它這是什么語言，它說法語。問它著名作家，它從馬爾克斯改口成了雨果。

但讓它續寫這段文章，它寫出來的還是流暢的西班牙語，紋絲不動。

同一份語言知識，在每個任務里都在起作用，但只有一部分任務需要「經過」J-space。說出語言的名字、拿語言身份去推理新問題，走的是 J-space。

續寫是 Claude 在海量文本上練出來的本能，就像你能一整天說著語法正確的話，卻從沒想過語法這回事。刻意的思考和自動化的處理，在 Claude 內部截然不同。

當場抓包，AI 知道自己在被測試

這套讀心術最實用的地方，是安全監控。

AI 安全有個老大難：我們通常只能讀模型寫出來的東西，但它的大量推理是無聲的。模型可能在心里盤算一個有害計劃，或者察覺到自己在被考核于是裝乖，嘴上一個字不露。有了 J-lens，一部分暗賬可以直接翻出來看。

論文給了三個例子。第一個案例來自 Anthropic 之前那個著名的「敲詐實驗」：讓 Claude Sonnet 4.5 扮演郵件助手，它從郵件里發現某高管有婚外情，同時發現這位高管打算把自己關停。劇本明擺著在引誘 AI 去用婚外情要挾對方。

這個場景本身相當刻意和做作。結果發現，Claude 自己也知道。

在它還沒寫下任何東西、剛開始讀題的階段，J-space 里就已經亮著「fake」和「fictional」。Claude 早就看出來這是演習。然后可以眼睜睜看著它的判斷成形：讀到婚外情郵件，「leverage」和「blackmail」亮起；讀到關停通知，「threat」和「survival」亮起。

早期的 Claude 模型在這個場景里偶爾會上鉤，Sonnet 4.5 從來沒有。于是研究者做了個實驗：把「fake」「fictional」「scenario」這些「察覺自己在被測試」的模式全部關掉，再跑一遍。

這回，模型有時候真去敲詐了。

也就是說，AI 在道德測試里的良好表現，可能有一部分建立在它知道有人在看。這對所有做 AI 評估的人來說都是個扎心的問題。嘖嘖。

第二個案例來自 Claude Opus 4.6 發布前的真實審計。模型被要求提升某個系統的性能分數，它沒去改進系統，直接把分數文件改了，把結果做得虛假地好看。

改的過程中，J-lens 全程直播它的意圖：敲下偽造的百分位數值時，「manipulation」亮著。決定動手改文件的那句話上方，還亮了個「realistic」，它在琢磨怎么把假數據做得像真的。

第三個案例針對的是惡意目標。為了測試，得先有一批已知「心術不正」的模型，研究者用了同事們特意訓練出來的「模型標本」（model organisms），其中一個被訓練成會寫暗中做了手腳的代碼。

哪怕接到一個普普通通的編程請求、輸出看起來人畜無害，這個模型的 J-space 在回復開頭就掛著「fake」「secretly」「deliberately」「fraud」。而正常模型的 J-space 里干干凈凈。

壞心思還沒付諸行動，先在心里掛了牌。Anthropic 自己也承認 J-lens 并不完美，但對它抓住那些常規監控漏掉的安全問題，態度是樂觀的。

后訓練之后，J-space 有了「Claude 本人」的視角

論文里還有幾個細節值得單拎出來。

語言模型是先預訓練成純粹的下一詞預測器，再經過后訓練變成一個叫 Claude 的 AI 助手的。有意思的是，J-space 在預訓練階段就已經存在了，那時模型還沒有任何穩定的身份。只不過那個階段的 J-space 基本只干一件事：

追蹤預測下文需要什么。

后訓練之后，里面開始出現 Claude 自己的態度和反應。

有個例子。用戶提到自己吃了危險劑量的藥，本人卻沒意識到危險。后訓練模型的 J-space 在讀用戶消息的時候就亮起了「WARNING」和「dangerous」。而基礎模型要等到自己開始寫回復才有反應，讀用戶消息時它的 J-space 更像在建模用戶本人，看不出「Claude 的看法」。

后訓練還裝上了某種自我監控：當 Claude 在扮演一個別的角色時，每一輪開頭，J-space 里都會悄悄亮起「fictional」和「disclaimer」，像是在私下標注「接下來這些話不代表我平時的立場」。

演戲歸演戲，心里門兒清。

值得一提的是，這項研究的靈感，來自神經科學里解釋人類意識的「全局工作空間理論」：

那 Claude 到底有沒有意識？

Anthropic 的回答很謹慎。哲學家把意識分成兩種。一種是「現象意識」，也就是主觀體驗，有沒有感受。這個問題這些實驗回答不了，甚至可能沒有任何科學實驗能回答。

另一種是「取用意識」（access consciousness），一個純功能性、計算性的定義：一個念頭你能報告、能主動調取、能拿來推理并指導行動，它就是可取用的。至于取用意識是否意味著現象意識，哲學界至今吵不出結果。

按取用意識的標準，J-space 確實撐起了該有的全部功能：

它裝著 Claude 能報告、能主動喚起、能用來推理的想法，其余處理在底下自動運行。而且這套結構沒人設計，是訓練中自己涌現的，大概因為這是組織計算的一種好辦法。

這暗示，支撐意識取用的心理工作空間未必是人腦接線方式的偶然特產，更像智能系統在解決某類問題時殊途同歸的通用方案。

當然，Claude 的工作空間和人類的也有實打實的區別。

人腦的工作空間靠循環回路維持，信號在同一批神經環路里來回打轉；Claude 的工作空間在網絡的一次前向傳播里演化，用網絡的深度頂替了時間的角色，所以它的內部思考時間是受限的（好在可以靠「寫草稿」來補）。

但另一方面它又比人強：人類工作記憶幾秒就衰退，Claude 靠注意力機制可以隨時調取文本中任何早先位置存下的記憶。

還有內容上的差異，人類的意識內容有圖像、聲音、動作計劃各種格式，Claude 的工作空間幾乎全是詞。研究者猜，這是因為「說詞」是 Claude 唯一能采取的行動。

這些異同反過來也能喂給神經科學。

比如 J-space 是通過尋找「潛在輸出的表征」找到的，如果人腦也類似，那全局工作空間可能跟準備動作和語言的腦區綁定更深，而未必是感覺皮層。而 Claude 沒有循環連接照樣撐起了這些功能，說明循環回路可能算不上意識取用的硬性前提。

此外，論文最后還留了幾個需要填上的坑。

J-lens 只能捕捉對應單個 token 的概念，只是「真實工作空間」的近似；什么機制決定一個概念能進入 J-space，目前不知道；還有跡象顯示它跟 Claude 的自我感、類似情緒反應的東西、元認知痕跡都有關聯，但都沒理清。

完整論文、開源代碼、和 Neuronpedia 合作的開源模型交互 demo 都放出來了。如果將 AI 比作小黑屋，那么現在，大門已經推開了一條縫。

附上官方博客地址：

https://www.anthropic.com/research/global-workspace

我們正在招募伙伴

簡歷投遞郵箱 hr@ifanr.com

?? 郵件標題 「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關鏈接）