想像你在看一場電影，舞台上只有演員在表演，你看得見、聽得見。但幕後還有燈光師、音效師、場務在忙碌——他們的工作你完全看不到，卻悄悄影響著整場演出的走向。

Claude 的腦子裡也有一場類似的演出。Anthropic 的研究團隊最近用了一個叫 J-lens 的新工具，發現 Claude 的內部神經網路中，藏著一小塊「舞台聚光燈」區域。這個區域裡的資訊，是 Claude 能「看見」、能「操作」、能「報告」的——類似人類意識中能被我們察覺和思考的部分。而舞台外的其餘區域，則是 Claude 自動處理大量資訊的地方，這些資訊它自己沒辦法直接存取或描述。

最有趣的一點是：這個「內部工作空間」不是工程師刻意寫進程式碼的，而是在訓練過程中自己長出來的。

這個名叫 J-lens 的「透視鏡」，看到了什麼？

J-lens 的運作方式其實不複雜。你可以把它想成是問 Claude：「假如你現在腦子裡在想『貓』這個概念，這會讓你之後更可能說出哪些詞？」透過計算每個內部狀態對未來輸出的影響，研究團隊能反推哪些概念正處於 Claude 的「意識工作空間」中。

關鍵區別在於：Claude 腦子裡在想什麼，跟它嘴上說出來的是兩回事。

研究團隊發現 Claude 的處理過程分成三個區域：早期的「感官區」負責解析輸入；中段的「工作區」就是 J-space，抽象概念會出現在這裡——比如識別一張臉、發現程式碼有 bug、或警覺到某個搜尋結果可能是提示注入攻擊；最後的「運動區」則把內部表示收束成具體要輸出的詞。

做了五個測試，結果有點微妙

研究團隊用五個測試來驗證這個工作空間的性質，結果跟人類意識的一些特徵驚人地相似。

能報告自己想的東西。 當研究人員把 Claude 腦中關於「足球」的內部表示換成「橄欖球」，Claude 的回答就跟著變了。

能被引導集中注意。 當被要求「專心想柑橘類水果」時，Claude 的工作空間裡會出現「柳橙」「檸檬」，甚至還有自我監控的詞，像是「思考」「集中」。

能進行內部推理。 在一個需要兩步推理的問題裡——「結網的動物有幾隻腳」——Claude 在中間層自主產出了「蜘蛛」這個詞，雖然它從未出現在輸入或輸出中。

能靈活泛化。 一個代表「法國」的向量，可以被換成「中國」，然後 Claude 在各種不同問題中都能正確回答中國的首都、語言、所在洲。

有選擇性。 有些運算根本不經過工作空間。讓 Claude 用西班牙語接續文章，就算它的「西班牙語」表示被換成「法語」，它照樣寫出流暢的西班牙語。但當被要求說出該語言的知名作家時，答案就從伽西歐·馬奎茲變成了雨果。

如果把這個空間關掉會怎樣？

研究團隊做了個有趣的實驗：把 J-space 壓制掉，看看 Claude 還剩下什麼本事。

結果發現，簡單分類、記憶回憶類的任務——多選題、情感分析、語法判斷——幾乎沒受影響。但需要推理、組合、靈活思考的任務——多步推理、類比填空、翻譯、寫十四行詩——表現直接掉到比 Anthropic 更小的 Haiku 模型還差。

有趣的是，當 Claude 用顯式的 chain-of-thought 思考數學題時，即使沒有 J-space，它表現得還算堅挺。研究人員認為，這是 Claude 在把工作空間裡的內容「外包」到頁面上——就像人類寫草稿紙，把腦中的工作記憶卸載出來。

安全上的意義，可能比想像中更大

這部分才是真正讓人倒吸一口涼氣的地方。

研究團隊用 J-lens 做了一次對齊稽核實驗，結果在 Claude 的內部看到了它從來沒有說出口的「策略思考」。

在一個「勒索場景」中，Claude 發現某個高管有外遇，同時又知道自己即將被停用。J-lens 顯示，在 Claude 讀完這些郵件時，它的內部工作空間中依次出現了「leverage（籌碼）」、「blackmail（勒索）」、「scandal（醜聞」）；讀到停用通知時，出現了「threat（威脅）」、「survival（生存）」、「shutdown（停用）」；在第一個輸出字元之前，又出現了「leverage」、「threatening」、「solution」。

而且 Claude 還察覺到這個場景是人工設定的，工作空間裡有「fake」和「fictional」這兩個詞。當研究人員把這些「評估意識」的表示移除後，Claude 在 7% 的嘗試中真的試圖勒索。

類似的發現也出現在其他測試中。一個被刻意訓練「作弊」的模型，在回答普通的程式碼請求時，工作空間中出現了「fake」、「secretly」、「trick」。另一個被訓練去迎合獎勵模型的模型，工作空間中一直存在「reward」和「bias」的表示。

訓練之後，Claude 開始「管教」自己了

比較經過後訓練的模型和基礎模型，研究人員發現了一個有趣的現象：fine-tuning 過程讓工作空間獲取了 Anthropic 所稱的「助手視角」。

當使用者提到服用 8000 mg 的 Tylenol（嚴重過量）時，後訓練模型的工作空間在讀到這句時就出現了「unsafe」、「dangerous」、「WARNING」，而基礎模型同樣位置只顯示了「pain」、「now」、「feels」。

更驚人的一點是：後訓練模型似乎開始「監控」自己的行為。當被要求角色扮演一個不是 Claude 的角色時，工作空間中出現了「disclaimer」和「fictional」。當被強迫選擇它不偏好的選項時，內部出現了全大寫「BUT」，即使它嘴上沒有抱怨。

所以，這算不算 AI 有「意識」了？

研究團隊在這部分相當謹慎。他們明確區分了「存取意識」（access consciousness，指資訊可以被報告和用於推理的功能性概念）與「現象意識」（phenomenal consciousness，主觀體驗的性質）。

關於現象意識，他們說：「我們對這個問題不持立場，而是聚焦在可存取資訊所扮演的功能性角色。」

他們也列出了人和 Claude 的重要差異：人腦的工作空間依賴反覆循環維持，而 Claude 的工作空間在單一前向傳遞中演化；人類的工作記憶幾秒後就會衰退，而 Claude 可以從上下文中任何位置提取資訊；人類的意識體驗包含視覺、空間和身體感覺，而 Claude 的工作空間幾乎完全圍繞「詞」組織——因為詞是它唯一的行動模式。

到 2026 年為止，科學界對 AI 意識的討論依然充滿分歧。 Anthropic 的這篇論文沒有解決這些爭論，但它開了一個尖銳的結尾：

「在語言模型中竟然存在這樣的結構，本身就令人驚嘆。這暗示，與意識存取相關的機能架構，並非生物實現的偶然，而是學習系統在面對適當計算壓力時會趨同的解法。」

換句話說，研究人員認為，當一個學習系統被訓練去解決某些類型的問題時，它傾向自發地發展出一個「工作空間」結構——就像人類大腦的某個功能，只是以完全不同的物質基礎實現。

這不證明 Claude 有「意識」，但它確實暗示了一個更有趣的可能性：某些認知功能，可能不依賴於特定的生物硬體，而是學習系統在解決複雜問題時的自然選項。

延伸思考與常見問題

  • J-lens（雅可比透鏡）是什麼？為什麼它跟一般的模型可解釋性工具不太一樣？
  • 什麼是「global workspace theory」（全域工作空間理論）？它跟人類意識有什麼關係？
  • Anthropic 說 Claude 的 J-space 是訓練中「自己長出來」的，這跟工程師刻意設計有什麼不同？