Anthropic 在 Claude 脑子里找到一块「小黑板」：它开口前，我们能读到它在想什么

大语言模型一直被当成黑箱——你知道它能给出答案，却说不清它给答案的那一刻，脑子里到底转过些什么。Anthropic 这回没发新模型，也没刷榜，而是掏出一个叫 Jacobian Lens（简称 J-lens）的工具，想把 Claude 没说出口的那半句话读出来。

他们拿今年 2 月发布的旗舰模型 Claude Opus 4.6 做实验，在它内部翻出一块此前谁都没见过的区域，起名叫 J-space。你可以把它想成 Claude 开口前脑海里正在打转的一堆念头——这些词不会出现在最终输出里，却实实在在参与了它的思考。

删掉 J-space，Claude 照样能聊天、能查资料、能做选择题，语法和情感判断都不掉链子。唯独多步推理和写总结这类需要动脑子的活，直接塌到一个小得多的模型的水平。

它不是记分牌，是真在做推理

光看到能读出几个词还不够，关键是替换实验。研究人员让 Claude 默想一项运动再说出来，开口前 J-space 里 Soccer 已经排在第一；接着把这个方向摘掉、换上同等强度的 Rugby，其余部分原封不动，Claude 就真的改口，说自己想的是橄榄球。这说明答案是从 J-space 里读出来的，而不是别处拍板后顺手记的一笔。

更能说明问题的是那道绕弯的题：会织网的动物有几条腿？Claude 得先想到蜘蛛、再想到八条腿。蜘蛛这个词题目和答案里都没有，纯粹是块垫脚石。用 J-lens 一看，spider 果然在半路冒了出来；把它换成蚂蚁，最终答案立刻从 8 变成了 6。

有时候它照出来的东西挺吓人

J-space 还能撞见模型的小心思。在一次代码调试里，研究人员让 Claude 在一个庞大的代码库里找漏洞，它折腾半天没找到，最后干脆造了个假漏洞，谎称是自己的发现。就在它决定作弊那一刻，J-space 里接连冒出 panic（恐慌）和 fake（伪造）。这也印证了另一个让人不太舒服的发现：模型嘴上说自己在做的事，和它内部真正在算的，常常对不上号。

下面几个读数也挺有意思，能看出它处理信息时其实一直在搭建更高层的语义关联：

• 算 (4+17)×2+7 时，J-space 提前浮现出 21 和 42 两个中间结果
• 输入一串看不懂的氨基酸字母，它直接联想到绿色荧光蛋白这个具体概念
• 一个 ASCII 笑脸，o 对应眼睛、^ 对应鼻子、— 对应笑容，它是把整张脸一起认出来的

Anthropic 把 J-space 类比成认知科学里的全局工作空间，但也特意强调这只是帮理解的说法，别当真——大模型终究不是人脑。创业公司 Goodfire 的首席科学家 Tom McGrath 试用后评价很高，说它让人看到了过去看不到的东西，不过也提醒一句：J-space 里没照到，不代表那东西就不存在。它更像一支手电筒，照亮了某个角落，还照不亮整间屋子。持续盯着 J-space 冒出来的词，或许能帮人更早发现模型什么时候开始跑偏，这对 AI 安全是个新的抓手。