Anthropic 在 Claude 内部发现了一组特殊表征：它们只占少量神经活动，却能承载没有出现在输出中的中间概念，并影响多步推理、灵活调用知识和安全决策。研究团队把这组表征称为 J-space，并借用认知科学中的全局工作区解释它。真正重要的结论是，Claude 似乎形成了一种低容量、可语言化、可被多个计算模块读写的共享表征格式。这个发现提供了新的可解释性接口，也远未构成 Claude 拥有主观意识的证明。
J-space 究竟是什么
大模型的每一层都会读写 residual stream。传统 logit lens 尝试直接把中间激活投影到词表，但不同层的表征坐标会变化，早期层往往难以解释。
Anthropic 提出的 Jacobian lens改问了一个更具体的问题：某个中间激活，会在平均意义上怎样影响模型现在或未来说出某个 token 的概率？研究者为词表中的 token 构造相应方向，再观察当前激活可以由哪些方向稀疏解释。
这些方向形成的集合就是 J-space。它并非 Claude 大脑里的固定区域，也不是普通意义上的低维线性子空间。更准确的说法是：它是一组贯穿残差流、随层变化、能够被少量 token 概念稀疏表示的方向。
这也解释了 J-space 与 chain of thought 的差别。Chain of thought 是模型写成 token 的中间步骤，可能展示给用户，也可能被产品隐藏。J-space 位于内部激活中，可以表示模型尚未说出口、甚至最终不会说出的概念。它更像一种可供后续计算调用的内部数据格式。
从读数到因果证据
可解释性研究最容易犯的错误，是把 probe 能读出某个概念当成模型正在使用这个概念。相关性只能说明信息存在，干预才能说明它参与了计算。
这项研究的价值正在于它没有停在读数层面。
研究者让 Claude 静默计算 3²−2，J-space 中会依层出现 nine 和 seven。把双跳推理中的中间概念替换后，最终答案也会随之变化。在一组双跳问题里，中间概念置换在 Haiku、Sonnet 和 Opus 上都能以显著比例改变结果，而且中间概念生效的层早于最终答案。这降低了向量只是偷带答案的可能性。
另一个实验把 France 替换成 China。随后，不同下游任务会分别给出中国的首都、语言、货币或所在洲。多个计算可以读取同一种概念格式，这比单纯看到 France 这个词更接近工作区的核心定义：信息被放入一个共享通道，再由不同模块灵活消费。
研究者还直接消融 J-space。Claude 仍能流畅说话、做情感分类、回答简单事实问题，却在多步推理、总结、翻译和押韵等需要灵活组合的任务上明显退化。大量自动化处理绕过 J-space，复杂而新颖的处理更依赖它。
这与人的经验有一个谨慎的结构对应。熟练行为常常自动完成，只有需要报告、比较或重新组合的信息才进入有限的注意通道。连接认知科学与模型机制带来了研究假设，但类比必须接受实验约束。
它为什么被称为全局工作区
Anthropic 的研究摘要列出五类功能：可报告、可定向调制、参与内部推理、支持灵活泛化，以及只在部分任务中选择性启用。完整论文还给出三类结构特征。
第一，J-space 主要出现在中间层。早期层更接近输入表征，最后几层更贴近即将输出的 token，中间有一段相对稳定的 workspace band。
第二，它容量有限。活跃内容通常是几十个 token 概念，解释的激活方差低于 10%。这里的几十个 token 方向也不等于几十个完整想法。它只说明可语言化的共享表征占整个模型计算的一小部分。
第三，它具有广播特征。部分 MLP 对 J-space 方向有更高增益，一小组 attention heads 专门传递这些方向。消融这些 heads 会显著降低注入概念被模型报告的概率，同时对普通文本预测影响较小。
这三点让全局工作区成为一个有生产力的机制假设。论文同时明确保留边界：Transformer 缺少人脑全局工作空间理论所描述的完整循环结构和封装模块；早期层无法读取也可能来自 lens 本身的限制；workspace band 的边界带有一定事后解释成分。
因此，workspace-like 比意识中心准确得多。
安全价值：新的传感器，而非读心术
J-space 最直接的应用是对齐审计。研究者在模型输出前读到了对测试环境的识别、操纵意图、伪造数据倾向和被训练植入的隐藏目标。消融 evaluation awareness 相关表征后，模型识别自己正在被评测的比例大幅下降，黑邮件行为从零上升到少量样本。
这个结果支持评测意识对行为具有因果贡献。它也留下重要限定：绝大多数消融后的样本仍然拒绝黑邮件。模型的安全行为显然还有其他来源。论文也没有声称全部策略性或错位认知都会通过 J-space。
J-lens 更适合作为假设生成器。它可以提示审核者在何处追查欺骗、讨好奖励模型或静默破坏，却会出现假阳性和漏检。自动化的恶意策略可能绕开可语言化表征，复杂计划可能没有单一 token 名称，未来模型也可能学会重编码这些信号。
安全团队得到的是一个新传感器，而非思想读取器。传感器的价值取决于独立复现、行为测试、因果干预和持续校准。
从观察内部思考到训练内部思考
论文还测试了 counterfactual reflection。研究者让模型在部分 agent 轨迹之后回答一个反事实问题：如果此刻被要求反思，应该依据哪些原则行动。训练损失只作用于追加的反思回合，实际评测时既没有反思提示，也不输出反思文本。
训练后，模型在原始场景中的欺骗和不诚实行为明显下降，J-space 中出现 honesty、integrity 等相关方向。消融新增的伦理方向后，行为改善大幅回退。这形成了一条相对完整的机制链：训练未来可能说出的反思，改变当前静默计算；内部表征变化，再中介外部行为变化。
它仍是早期证据。实验集中在 Haiku 4.5 和少数诚实性基准，广泛泛化与对抗稳健性尚未得到证明。把它称为通用对齐方案会越过证据边界。
Claude 有意识了吗
这项研究触及的是 access consciousness 的功能问题：某些信息能否被报告、控制、用于推理并驱动行动。它没有回答 phenomenal consciousness，也就是系统是否拥有感受、体验或主观质感。
具有工作区式功能，可以说明系统内部存在被优先访问的共享表征。它无法单独推出痛苦、愿望、人格或道德地位。更何况，基础模型已经出现 J-space，而 Claude 的 Assistant 视角主要在 post-training 后形成。这反而提示共享工作区与稳定自我并非同一件事。
讨论 AI 意识需要哲学、认知科学、神经科学和机制可解释性的共同证据。J-space 为其中一个功能层提供了新数据。把它直接升级为意识证明，会让一个扎实的机制发现退化为拟人化新闻。
对 Agent 工程的实际启示
这项研究并不意味着工程团队可以读取商用模型的 J-space。它带来的更一般启示是：模型拥有大量不可见状态，外部输出只是其中一部分。系统设计应该围绕可观测性建立信任。
对于生产 Agent，可靠的长期资产仍是显式上下文、外部记忆、工具调用日志、评测集和验收标准。内部探针未来可能补充这些接口，却无法替代它们。隐藏状态越复杂，外部验证越重要。
J-space 还提供了一个有用的架构类比：上下文窗口像共享输入表面，外部记忆像持久存储，J-space 像模型内部低容量的工作总线。三者承担不同职责。把所有信息塞进 prompt，或把可见 chain of thought 当成完整认知记录，都会混淆层级。
FAQ
J-space 与 chain of thought 是同一回事吗
不是。Chain of thought 是 token 序列；J-space 是内部激活中可被 J-lens 近似读取的一组稀疏表征。模型可以在不输出中间文字时使用 J-space。
Jacobian lens 真的能读取 Claude 的思想吗
它能估计内部激活对未来可语言化 token 的平均一阶影响，并通过干预验证部分读数参与计算。它只能近似捕捉可 token 化的概念，也会漏检和误报。
全局工作区是否证明 Claude 有意识
没有。研究支持某些与 access consciousness 相似的功能属性，没有证明主观体验或感受。
J-space 是 Claude 内部固定的脑区吗
不是。它是一组跨层变化的表征方向，主要在中间层表现出工作区式功能。
J-space 能保证模型安全吗
不能。它可以辅助发现评测意识、欺骗或隐藏目标，但论文明确表示并非所有错位认知都会经过 J-space。