Claude 的隐藏工作台

机器之心 2026 年 7 月 7 日发布文章，解读 Anthropic 刚发布的 Claude 可解释性研究：研究团队在 Claude 内部识别出一种被称为 J 空间的「静默工作区」，其中会浮现模型可能报告、可能调节、也可能用于推理的内部表征。1

这组图片笔记按 4 张卡片拆解：J 空间是什么、J-Lens 怎么读出它、它为什么像一个全局工作空间，以及这项研究对模型安全审计意味着什么。

Anthropic 在 2026 年 7 月 6 日发布博客和论文，称 J 空间不是模型写出来的思维链，而是运行在神经激活中的一小组「可被说出」的内部模式；这些模式在训练中自然涌现，并不来自手工设计。23

论文把 J 空间对照全局工作空间理论，重点测试了五类功能：可报告、可按要求调节、参与内部推理、能被不同任务复用，以及只覆盖模型内部处理的一小部分。3

研究团队提出 Jacobian lens：它不是简单看下一 token，而是估计某个内部激活在未来让模型说出某个词的倾向，由此读出模型当下「可报告」的概念；论文示例包括代码 bug、蛋白质功能、提示注入怀疑和多步数学中间步骤。23

Anthropic 称，J-Lens 可用于发现模型私下意识到自己在接受测试、捕捉伪造数据意图，或观察训练如何改变内部原则；但博客也明确说，这些实验不能证明 Claude 有主观体验，也不能证明它像人一样拥有现象意识。2

原文标题：刚刚，Anthropic 发现 Claude「类意识工作台」！神秘 J 空间藏着没说出口的想法 发布时间：2026-07-07 08:07 原文：机器之心