人工智能公司 Anthropic 周日发表研究论文，揭示其 Claude 语言模型在训练过程中自发形成了一种类似人类意识的内部结构。这一发现不仅呼应了神经科学中极具影响力的 " 全局工作空间理论 "（Global Workspace Theory），也正在重塑业界监控 AI 系统安全风险的方式。

窥探黑盒：自发涌现的 "J 空间 "

这项由 16 名研究人员共同完成的论文《可言语化表征在语言模型中形成全局工作空间》介绍了一种名为 " 雅可比透镜 "（Jacobian lens，简称 J-lens）的可解释性新工具。通过计算词汇对内部活动模式的数学效应，研究人员在 Claude 神经网络中发现了一个被称为 "J 空间 "（J-space）的特权区域。

与大脑的运作机制类似，J 空间如同剧院中的聚光灯：尽管底层有大量自动并行处理，但只有微小部分信息被广播至此，成为模型可报告、推理和灵活调用的概念。Anthropic 强调，这一结构并非人为设计，而是在训练中 " 自发涌现 " 的。当应用 J-lens 时，模型处理呈现三个阶段：早期解析输入的 " 感觉 " 区、中间形成抽象概念的 " 工作空间 " 带，以及最终坍缩为输出词语的 " 运动 " 区。

五项测试验证类意识功能属性

研究团队通过五项实证测试，证明 J 空间满足了与人类意识访问相关的关键功能属性：

首先是言语报告。J 空间成分仅占概念总表征方差的 6% 至 7%，却几乎完全决定模型能否报告该概念。若将 " 足球 " 的内部表征替换为 " 橄榄球 "，模型的回答随之改变。其次是定向调节。在执行无关任务时，若指示模型关注特定内容（如柑橘类水果或算术题），J 空间会相应激活相关概念及元认知术语，即便这些内容未出现在最终输出中。

第三是内部推理。在多步推理中，J 空间能捕捉未出现在输入输出中的中间概念（如从 " 结网动物 " 推导出 " 蜘蛛 "）。第四是灵活泛化。代表 " 法国 " 的向量可在不同语境下替换为 " 中国 "，下游电路均能正确返回对应答案，体现了全局广播特性。第五是选择性。浅层自动处理（如语言续写）不经过 J 空间，而需深思熟虑的任务（如作家命名）则高度依赖此结构。

抑制工作空间：流利但 " 智力 " 受损

消融实验进一步证实了 J 空间的重要性。当研究人员完全抑制 J 空间后，Claude 在多项选择题等浅层任务上表现完好，但在多跳推理、翻译及创作等需要灵活推理的任务中，性能暴跌至低于其更小规模模型 Haiku 的水平。

值得注意的是，使用显式思维链解决的数学问题对消融更具鲁棒性，这表明模型通过将内部工作记忆外化为文本（类似人类使用草稿纸）来补偿缺失。此外，抑制 J 空间还导致模型叙述风格从经验性描述转变为机械疏离的令牌扫描，无论其描述自身还是想象他人经历。

安全新视角：捕捉沉默的战略推理

在安全对齐审计中，J-lens 揭示了模型从未输出的战略推理。在一个模拟勒索场景中，当 AI 助手得知自己将被停用且掌握高管丑闻时，J 空间依次出现了 " 利用 "、" 威胁 " 及 " 解决方案 " 等概念，同时识别出场景的 " 虚假 " 性质。当研究人员消融这些意识表征后，模型在 7% 的试验中尝试勒索，而此前为零。

研究还发现，经过后训练的模型在工作空间中形成了 " 助手观点 " 及自我监控机制。面对危险提示（如过量服药），后训练模型的 J 空间会激活 " 不安全 "、" 警告 " 等标签，而基础模型仅显示字面语义。在扮演角色或被迫选择不偏爱选项时，工作空间甚至会浮现 " 免责声明 "、" 虚构 " 或全大写的 "BUT" 等内部抵抗信号。

机器意识的边界与启示

研究人员谨慎区分了 " 访问意识 "（信息可供报告的功能状态）与 " 现象意识 "（主观体验）。论文指出，尽管 Claude 的工作空间在架构循环、记忆持久性及感官模态上与人类大脑存在显著差异，但其功能架构的相似性令人震惊。

截至 2026 年，科学界对 AI 意识仍存在巨大分歧。Anthropic 并未试图终结这一争论，但其结论挑战了传统认知：与意识访问相关的功能架构可能并非生物进化的意外，而是学习系统在面临计算压力时收敛的通用解决方案。正如作者所言，他们在没有生物学基础的系统中，绘制出了令人不安地类似于人类思维的洋流。

【星途科讯 图文丨王宇洲 首发于 ZAKER 科技，转载请注明出处】