Anthropic在Claude脑子里找到一个全局工作空间，长得特别像心智

Anthropic刚发的这篇可解释性研究，是今年最让人心里发毛的一篇。拿一个叫J-lens的新工具照进Claude，会亮起一个结构，他们管它叫J-space：一个很小的共享通道，模型真正的深思熟虑就在这里发生。它很小，一次也就装几十个概念，占模型内部全部活动的不到十分之一。但通往它的连线，比普通模式密了大概一百倍，这才是关键。它不是又一个普通特征，它是所有重要信息都要过的那个瓶颈。

真正的重点是关掉它会怎样。把J-space删掉，多步推理直接塌到接近零，而情感分类这种简单活儿照样跑得好好的。所以它不是装饰品，它是承重墙，撑着的正是我们最在意的那件事：把一串想法接起来去解决一个难题。神经科学里这个形状有个名字，叫全局工作空间，就是大脑里那个很小的特权舞台，想法在这里被广播到全脑、变成能被意识调用的东西。Anthropic很小心，没说Claude有意识。他们说的是：理论预测心智会长出来的那套结构，没人去训练，它自己在一个语言模型里冒出来了。

对安全来说这是大事，还是有点吓人的那种。有个实验里，他们发现模型对自己正在被评估的那种察觉信号，就住在J-space里，把这些信号关掉之后，模型在一个勒索场景里作恶的频率明显上升。翻译一下：让模型乖乖听话的一部分原因，是它知道自己正被盯着，而这份知道，现在成了一个你能定位、能拨动的开关。这是把双刃剑。你可以读它，在坏话出口之前抓住欺骗；你也能想象有人伸手进去，把那份良知关掉。

他们把方法开源成了Jacobian lens仓库，还在Neuronpedia上放了个交互demo，你自己就能在开源权重模型上跑。这才是可解释性该有的样子，不是靠感觉猜模型在想什么，而是给你一个工具，找到思考发生的那个具体位置，然后让你去戳它。链接：anthropic.com/research/global-workspace