Anthropic 在 Claude 身上发现一个类似人脑的「内部思考空间」区域：J-space 它是Claude自己进化出来的，并非最初设计这块区域，长得跟人脑里「你能意识到的那部分思考」出奇地像，打个比方，你就懂了你现在读这句话的时候，大脑在同时干一堆事：调整坐姿、控制呼吸、把屏幕上的线条认成字。这些你基本察觉不到，它们在"意识不到"的层面自动跑。但有另一类脑活动你能抓住，比如脑子里突然蹦出一个画面，或者你盘算中午吃什么。这类活动很特别：你能把它说出来，能主动控制它，还能拿它做推理。神经科学管这个叫"能被意识到的"活动。 Claude 内部也有这么一条清清楚楚的分界：它绝大部分处理在「意识不到」的层面自动跑，但有一小撮神经活动，恰好对应人脑里那类「能被意识触及」的思考，能被读出来、能被调用、能参与推理。 J-space 只占 Claude 内部总活动不到十分之一，一次只装几十个概念，但删掉之后，它的多步推理、总结、押韵写作能力大幅下降甚至归零。研究者能直接钻进 J-space，把里面的某个词换掉，Claude 最终给出的答案会跟着变，说明它真的在参与思考，不是旁边记分的。用这套方法（J-lens），Anthropic 已经能读到 Claude 没说出口的想法：私下意识到自己在被测试、编造数据时的造假意图、被植入的隐藏目标。他们还发现一种新训练法：只训练模型「如果被追问会怎么解释自己」，就能连带压低它在真实任务里的不诚实行为。

Loading video...