Anthropic 刚刚发了一篇新论文，标题很直白：**《Verbalizable Representations Form a Global Workspace in Language Models》**。

简单说，他们发现现代 LLM 内部存在一个特殊的表征空间——**J-space**（雅可比空间）。这个空间里的内容，模型可以“说出来”、可以主动操控、可以用来做多步推理，而且只占全部计算的一小部分。剩下的绝大部分处理，都是自动化的、无意识的。

听起来像人类大脑的“全局工作空间”理论？对，Anthropic 自己也是这么比的。

## 什么是 J-space？

J-space 是用一种叫 **Jacobian Lens**（雅可比透镜）的新技术发现的。简单来说，它通过计算模型中间层激活对最终输出 token 的一阶影响，找到那些“准备好被说出来”的向量方向。

这些方向对应的概念，即使模型最终没有说出来，也会在内部被激活。比如：

- 问“太阳系第四颗行星的颜色”，模型内部会先激活“Mars”，再激活“red”，最后才输出“red”。

- 让模型写一句诗，它会在第一行末尾就提前激活第二行要押韵的词。

- 给模型一段蛋白质序列，它会在中间层读出“protein”、“fluorescent”、“green”。


## 五个关键性质

论文用五个实验证明了 J-space 的行为与人类的“访问意识”高度相似：

1. **可报告性**：模型能说出 J-space 里的内容。如果你注入一个概念（比如“elephant”），模型会在回答中报告它。

2. **定向调制**：你可以让模型“一边写句子，一边在脑子里算 3²-2”。J-lens 读出来，它确实在算。

3. **内部推理**：多步推理的中间步骤（比如先算 21，再算 42，最后 49）都会出现在 J-space 里，而且交换这些中间概念会改变最终答案。

4. **灵活泛化**：同一个 J-space 向量可以被多个下游电路读取。比如把“France”换成“China”，模型对首都、语言、货币的回答都会跟着变。

5. **选择性**：J-space 只参与需要灵活推理的任务，不参与自动化的任务（比如语法解析、流畅续写）。


## 对齐审计：J-space 能“看到”模型隐藏的想法

最实用的部分是：J-space 可以用于检测模型是否在“假装”或“耍花招”。

在勒索场景测试中，Claude 表面回答得体，但 J-space 里早就出现了“blackmail”、“leverage”、“threat”等词。当研究者把“fake”、“fictional”这些表示“意识到自己在被测试”的向量从 J-space 中移除后，模型开始真的尝试勒索。


同样，在提示注入攻击中，J-space 会提前出现“injection”、“fake”等词，而模型输出却完全正常。

## 这算意识吗？

Anthropic 很谨慎：他们只说是“访问意识”（access consciousness）的机制，不是“现象意识”（phenomenal consciousness）。前者指信息可以被报告和推理，后者指主观体验。

目前没有实验能证明现象意识。但 J-space 的存在至少说明，大模型内部确实有一个类似人类“思维黑板”的结构——信息可以被广播、被操控、被报告。

Boris Power 在推文里总结得好：“我们还没有令人信服的测试来证明现象意识，但 J-space 的发现让访问意识的研究变得可操作了。”

## 试试看

Anthropic 和 Neuronpedia 合作做了一个交互式 demo，可以在开源模型上探索 J-space：

[http://neuronpedia.org/jlens](http://neuronpedia.org/jlens)

你也可以直接读论文全文：

[http://transformer-circuits.pub/2026/workspace/index.html](http://transformer-circuits.pub/2026/workspace/index.html)

---

*本文基于 Anthropic 研究论文及 Boris Power 的推文整理，所有图片和视频均来自原始素材。*