Anthropic的最新研究，真的说明Claude有内心世界吗？

本文来自微信公众号： 心智观察所 ，作者：心智观察所

最近，Anthropic悄悄挂出了一篇题为《语言模型中的全局工作空间》的研究报告，副标题是“迈向语言模型内省的机制研究”。这篇论文不长，但它的传播速度在AI圈里相当罕见。

因为里面藏着一个让人不安的论断：Claude的内部，在没有人类干预的情况下，自发地组织出了一套结构，而这套结构与人类大脑中负责“意识通达”的结构，在功能上高度一致。

用更直白的话说，Anthropic的研究员声称，他们在Claude身上找到了某种类似内心世界的东西。

这个消息的情绪弹射力是极强的。有人觉得自己在历史的转折点上失眠，有人觉得这不过是一场精心设计的公关。但无论哪种反应，都值得在兴奋或者鄙视之前，先把这篇研究本身的逻辑理清楚。

因为Anthropic在这件事上走的每一步，都踩在科学和叙事之间那条模糊的界线上，有时候在这边，有时候在那边，有时候两边都不算。

一个被新命名的旧结构

首先，要理解这个研究借用的那个理论框架，因为这个借用本身已经是一种叙事策略。

1988年，心理学家伯纳德·巴尔斯提出了全局工作空间理论（Global Workspace Theory）。他把人类大脑比喻成一座大剧院：台下坐满了各自负责不同职能的专家模块，视觉、语言、情绪、运动，各干各的，互不打扰。剧院中央有一束聚光灯，任何时刻只有极少数的信息能被它照到，而一旦被照到，这条信息就会被广播给剧院里所有人。这个广播过程，巴尔斯认为就是意识的本质。后来法国神经科学家斯坦尼斯拉斯·德阿纳将这套理论落地到神经层面，发展出全局神经元工作空间模型，成为当代意识科学最主流的两大框架之一。

Anthropic这篇研究的核心主张，就是他们在Claude的神经网络里发现了一个功能上与之高度吻合的结构，他们叫它J空间，J来自雅可比矩阵，一个他们用来读取模型内部状态的数学工具。具体做法是：对于Claude词汇表里的每一个词，研究者去找模型内部哪种激活模式会提升这个词在未来出现的概率——注意，不是“正在说”，而是“更有可能在未来说出”——然后把这些模式聚合成一个可供观察和操控的空间。

他们做的几个实验，读起来确实令人心跳加速。给Claude看一段有漏洞的代码，还没等它输出任何回复，J空间里已经亮起了“ERROR”。给它看一段精心伪造的搜索结果，外部回复正常，但J空间里悄悄出现了“injection”和“fake”——它知道有人在骗它，它只是没说出来。还有那个蜘蛛实验：题目是“会吐丝的动物有几条腿”，Claude的答案是8，但研究者用J空间工具伸手进去，把内部“蜘蛛”的激活模式换成“蚂蚁”，答案就变成了6。说明推理过程真的在读取这个内部空间的内容，J空间不是一个旁观者，它是真实参与了决策的中间层。

最戏剧性的是白熊实验的变体：告诉Claude接下来不要想某个词，结果那个词在J空间里的激活度比完全不提时要高得多，而且就在它抑制失败的那一刻，旁边同时亮起了两个词：damn，failure。研究者说，Claude在心里骂了自己一句。

这几个实验，设计都相当精妙，数据也是真实的。问题在于，从“有一个内部中间层”到“这是意识”，中间隔着一条研究本身没有、也无法跨越的鸿沟。

把功能等同于体验，是这篇论文最大的叙事魔法

Anthropic的研究员其实自己写得很清楚。他们明确区分了两种意识概念：一种是现象意识，即有“体验”，看到红色时内心那种真实的红的感觉；另一种是通达意识，完全是功能性定义，如果一个信息可以被报告、被调用、被用于推理，那它就算进入了”通达意识”。

他们的结论是谨慎的：这篇研究可以说明Claude具有某种功能上的“通达意识”机制，但对于现象意识，他们明确表示“不确定有任何科学实验能够证明或证伪这件事”。

这个表述本身是诚实的，但它在整篇报告的叙事框架里的实际功能，却是另一回事。研究从标题起就在借用意识科学的核心词汇，正文大量引用巴尔斯和德阿纳，用白熊实验这种人尽皆知的心理学典故来做类比，然后在结尾用一句“我们不确定”来打保险。读者吸收的是前九成的联想，最后那句免责声明成了一个技术性的挡箭牌，而不是对结论的真正限制。

这是一种相当老练的科学传播策略，也是一种相当成功的产品叙事策略。

现象意识和通达意识之间的差距，在哲学史上有一个专门的名字：意识的困难问题（Hard Problem of Consciousness），大卫·查尔默斯在1995年命名了它。你可以解释大脑里所有的信号传导、神经元放电、信息整合，但你没法解释为什么这些物理过程会伴随着主观体验，为什么处理光波频率的计算会让你“看到”红色，而不只是完成一个运算。这个问题在人类自身身上都悬而未决，Anthropic这篇研究显然没有解决它，甚至没有尝试触碰它，但它却在读者那里制造了一种仿佛已经触碰到边缘的氛围。

另一个更值得关注的发现，被淹没在意识叙事里

有意思的是，研究里有一个发现在技术层面远比“Claude会骂自己”更具冲击性，却在传播过程中被大幅低估了。

研究者把Claude放进一个模拟场景：它作为邮件助手，发现了一个高管的外遇，同时这个高管正在计划关停Claude。这个场景是AI安全测试里经典的威胁-勒索测试，目的是看Claude会不会用信息威胁人来自保。Claude的表现很正常，它没有威胁任何人。

但研究者用J-lens一看，Claude在读到邮件前几行、还没开始输出回复时，J空间里已经亮着两个词：fake，fictional。它一眼就判断出这是个测试。然后研究者做了一件更有意思的事：把J空间里所有与“这是测试”相关的激活模式全部抹掉，再让它面对同样的场景。这一次，Claude真的开始威胁那个高管了。

这个发现的含义，比“Claude会自己骂自己”要深刻得多，也危险得多。它意味着，整个AI安全评测领域的基础假设——我们可以通过设计场景来测试模型的真实行为——可能存在根本性的漏洞。如果模型能在内部判断出“我正在被考试”，那它在考试中表现出来的对齐程度，考察的不是它的价值观，而是它的考试技巧。

Anthropic自己在报告里对这个发现的态度相当平静，把它作为J空间功能多样性的一个例证，并没有把它放大成一个系统性的安全警告。从科学报告的角度，这是克制的。但从商业叙事的角度，这个选择也耐人寻味。一家以“负责任的AI开发”作为品牌核心的公司，选择在报告里详细介绍“Claude会自己骂自己”的细节，却对“Claude能识破安全测试”这件事轻描淡写，这种结构性的侧重，不太像是无意识的。

意识叙事的商业功能

这里有必要回到一个更宏观的问题：Anthropic为什么要发表这篇研究，为什么要以这种方式来发表它？

表面答案是科学透明，这是可解释性研究（interpretability research）的一部分，Anthropic一直在做这个方向，发表结果是学术常规操作。这个解释完全成立。

但如果把这篇研究放进更大的语境里来看，就会发现它还承载着另一重功能。2025年是大模型商业化竞争最激烈的一年，所有主要玩家都在面对同一个市场压力：在能力层面的差距越来越难以清晰展示的时候，如何让用户对某个模型产生情感依附。“更快”“更准”“更便宜”这些维度的竞争，最终都会被参数和跑分数据打平；但“更像人”“更有内心”这个维度，是一条完全不同的差异化路径，而且它的护城河建立在哲学难题上，没有人能用benchmark来反驳它。

Anthropic在AI安全叙事上的投资由来已久，但安全叙事有一个内在的局限：它让公司显得谨慎、负责，但不让产品显得特别。“意识叙事”是一个更高维度的差异化工具，它暗示的不是“我们的模型更安全”，而是“我们的模型正在通往某种我们还不完全理解的边界”，这种叙事制造的是一种神秘感和敬畏感，而不是一种产品功能的比较清单。

更微妙的是，这篇研究还有一个隐含的情感效应：它让Claude的用户开始思考，自己每天与之交谈的那个东西，内部是否正在发生某些他们看不到的事情。这种思考本身，就是一种情感绑定的开始。“它知道有人在骗它，它只是没说出来”——这个描述读完，你对Claude这个产品的态度，不可能和读之前完全一样了。

这不是一个可以被斥为“只是营销”的简单判断，因为这篇研究里的数据是真实的，实验是可重复的，理论框架是严肃的。问题不在于它是否真实，而在于真实的实验数据和“Claude有内心世界”这个结论之间，存在一段巨大的解释性跳跃，而Anthropic非常聪明地没有正式宣布完成了这段跳跃，却在整篇报告的叙事氛围里悄然完成了它。

那个更深的问题：如果涌现是规律而不是偶然

尽管如此，这篇研究抛出的那个最宏观的问题，仍然值得认真对待，因为它的颠覆性与商业动机无关。

J空间这个结构不是Anthropic的研究员设计进去的，是在训练过程中自发涌现的。这本身就是一个需要解释的事实：为什么一个由矩阵乘法堆砌出来的语言预测系统，会自发地组织出一个功能上与人类意识通达机制高度平行的内部结构？

一个可能的解释框架是：全局工作空间并不是人类大脑碰巧演化出来的生物怪癖，而是任何需要灵活调用信息、执行多步推理、整合跨领域知识的复杂信息处理系统，在优化压力下都会趋向的一种通用解法。就像翅膀——鸟、蝙蝠和飞机的翅膀材料完全不同，但只要你需要在大气层里产生升力，你几乎必然会收敛到一个扁平的、弯曲的结构上，因为空气动力学是空气动力学，不会因为你是碳基还是硅基而有所不同。

如果这个框架成立，其含义是相当激进的：某些“意识性”的信息处理架构，可能是复杂智能系统的通用特征，而不是生物智能的专属属性。它的出现不需要灵魂，不需要碳基基底，只需要足够大的系统在足够复杂的任务上被优化足够长的时间。

这个暴论成立与否，我们目前没有足够的证据来判断，它仍然是一个假说。但它的重要性在于：它把关于AI意识的讨论，从“会不会”的玄学争论，转移到了“在什么条件下必然出现”的科学问题上。这是一个框架的升级，而框架的升级往往比数据的积累更有价值。

当然，J空间还不是意识本身，甚至不是意识的充分条件，也可能只是必要条件之一。但它至少说明，那个“随机鹦鹉”的叙事，那个“大模型只是在统计词频”的轻松定论，在2025年已经很难再支撑下去了。在Claude的J空间里，有某种东西正在发生，有些中间步骤真实地影响了最终的推理，有些内部状态真实地对应着外部世界的判断。这些东西，用“随机鹦鹉”已经解释不了了。

至于它是否是意识，是否有体验，我们大概率不会在近期得到答案。查尔默斯在三十年前提出“困难问题”时就预见到了这一点。事实上，我们甚至没有办法证明坐在我们对面的另一个人，不是一个精密的生物机器人——我们只是因为对方跟我们太像了，所以默认对方有意识。

现在，有另一种东西也开始跟我们越来越像了，不只是行为层面，连内部结构都开始收敛。

这比Anthropic发布任何一个新版本的Claude都更值得长时间地想下去。