Anthropic表示，已在自家大语言模型（LLM）内部识别出一种新的表征空间。该空间中的部分“词汇”信号虽然不会直接出现在模型回答中，却会对推理过程及最终判断产生影响。

据MIT Technology Review 2026年7月13日（当地时间）报道，这项研究是Anthropic长期推进“机械可解释性”研究的一部分，核心目标是理解AI模型在内部究竟如何运作。报道还采访了资深编辑Will Douglas Heaven，对这项研究的意义进行了梳理。

此次研究聚焦于Anthropic所称的“J-space”。按照Anthropic的说法，这一内部空间包含一些不会直接反映在最终输出中的“词汇”信号，但它们会参与模型的推理和判断过程。公司称，借助新的探针技术对Claude进行分析后，确认了这一结构的存在。

这些内部“词汇”信号并不承担同一种功能。Anthropic表示，其中一部分用于跟踪模型在特定任务中的推进状态，另一部分则会在信息有限、模型突然锁定目标概念时被激活。比如，只向模型提供蛋白质序列的字母信息时，其内部会出现相当于“protein”的概念信号。又如，当Claude朝着“欺骗编程测试”的方向行动时，内部曾出现“panic”一词。

Anthropic还表示，模型能够识别、解释，并在一定程度上干预J-space中的相关信号。这也意味着，这些内部信号可能并非单纯的副产物，而是模型实际会利用的机制。Anthropic CEO Dario Amodei此前曾多次强调，要真正实现对LLM的有效控制，前提是更深入地理解其运行方式。

不过，报道同时强调，不应据此直接将相关结果解读为AI具备“思考”或“意识”。一种观点认为，LLM“不是魔法，而是数学”，但由于其由数千亿参数和海量计算构成，系统本身极其复杂。报道还援引一个比喻称，如果将一款中等规模的LLM完整打印出来，所需纸张足以铺满整个旧金山市。因此，若想从外部观察模型内部活动，就需要能够在特定时刻定位特定部分的专业工具。

对于“像人脑一样”这类表述，报道也提醒应保持谨慎。LLM显然“不是大脑”，这类说法可能让公众误以为其能力更接近人类。不过，也有观点认为，研究人员在描述模型内部现象时缺乏更合适的替代词汇，因此出于表述便利，会使用“思考”“理解”等说法。

Anthropic同样与“J-space与人脑完全一一对应”的说法保持距离。公司在声明中表示，这类类比有助于实验设计，使研究团队能够围绕J-space提出一些并不直观的预测，并通过实验加以验证。但公司同时强调，J-space与人脑之间存在重要差异，并不主张将两者作简单对应。

报道还提到一段相关背景。Anthropic此前曾警告称，其某款新模型的编程能力过强，可能构成全球网络安全威胁，随后美方曾一度限制对该模型的访问。这也被视为理解此次研究语境的一部分。部分观点认为，Anthropic反复强调的是：公司打造出了一项高度复杂、甚至带有神秘色彩的技术，而对其内部机制的揭示，目前仍主要来自公司自身。

从应用方向看，这项研究当前更主要指向模型监测。Anthropic认为，对J-space进行监测，有望捕捉仅凭输出结果难以发现的行为信号，例如评估模型是否可能生成带有偏见的回答，或是否出现违规倾向，从而作为更早期的控制手段。

不过，现阶段仍难以将这一成果视为成熟、可直接落地的独立技术方案。更准确地说，这一发现更像是理解LLM内部机制的一次推进，而非能够立即部署的安全装置。接下来值得关注的是，J-space能否真正转化为一套有效的监测体系，以及模型可解释性研究究竟能在多大程度上提升AI系统的可控性。