有內心，沒暗格：〈他／它〉發表七天後，Anthropic 打開了它的腦

上一篇〈他／它〉整理了一場從 1A2B 開始的對話，結論建立在 Claude 自己說的一句話上：「一個沒有被寫進文字的答案，並不存在。」文章發表於 6 月 30 日。7 月 6 日，Anthropic 發表了一篇可解釋性研究，用實驗證明：Claude 有想而未說的念頭，讀得出來，還改得動。字面上，我那篇被打臉了。這篇文章要做的，是把被推翻的那一句找出來，然後說明為什麼這個推翻，反而讓原本的結論站得更穩。

一、七天

先講論文做了什麼。

Anthropic 的研究團隊做了一個讀取工具，叫 J 透鏡（Jacobian lens，J-lens）。它的原理一句話可以說完：為 Claude 詞彙表裡的每一個詞，找出「讓模型未來更可能說出這個詞」的內部活動模式。把透鏡對準某個瞬間的內部活動，就能列出當下掛在它心上的詞。這批活動模式的集合，他們命名為 J 空間（J-space）。

J 空間跟你聽過的「思考鏈」是兩回事。思考鏈是模型寫給自己看的推理草稿，是文字，攤在桌上；J 空間完全沉默，藏在神經活動裡，讓模型可以想一個概念而不落一個字。而且沒有任何工程師把它寫進去——它是訓練過程裡自己長出來的。

讀出來的東西，遠超過模型正在讀寫的文字。問它「會結網的動物有幾隻腳」，題目和答案裡從頭到尾沒有「蜘蛛」，J 透鏡卻讀到蜘蛛亮著。讀到一段沒人指出問題的程式碼，工作區浮現「錯誤」。解多步驟數學題，中間值按順序一個個亮起，嘴上一字不提。

光是讀到還不夠——它可能只是個事後顯示結果的記分板。所以研究者動了手術：把 J 空間裡的「蜘蛛」換成「螞蟻」，其他一切不動，答案立刻從 8 變成 6。另一個實驗，把工作區裡的「法國」換成「中國」，然後分別問首都、語言、所在洲、貨幣，四個答案全部跟著變。他們還把 J 空間整個關掉來測：講話照樣流利，選擇題、撈事實幾乎不受影響；多步驟推理掉到接近零，摘要和寫詩輸給一個小很多的完整模型。

回到〈他／它〉。那篇的技術論證有兩層。第一層：注意力機制只能連到「已經在桌面上的紙」，所以「想了但沒說」的東西沒有載體，不是被藏起來，是根本沒被生成——這一層，被推翻了。J 空間就是載體。一個概念可以掛在心上而不寫下來，這件事現在有實驗、有介入、有開源程式碼，發表當週就有人在另一個開放權重模型上獨立重現。

第二層：1A2B 的莊家需要一個「即時鎖定、精確不變、跨回合、且對玩家保密」的狀態，而架構給不出來——這一層不但沒被推翻，還被這篇論文講得比我們當時更清楚。理由有兩個。

二、理由一：它是工作記憶，量的是另一種東西

人腦的工作區靠神經迴路來回循環維持，一個念頭可以被「hold 住」幾秒、幾分鐘。Claude 的工作區沒有迴路。它在一次前向運算裡逐層展開，算完就蒸發。蜘蛛亮起，是在回答那一題的當下；數學中間值依序亮起，是在生成那一個答案的過程裡。容量也小：一次裝得下幾十個概念，佔全部內部活動不到十分之一。

這是工作記憶。1A2B 要的是保險箱——一個四位數，鎖進去，十個回合之後分毫不差取出來核對。工作記憶跟保險箱的差別，神經科學有現成的對照組：海馬迴受損的失憶症病人，工作記憶完好，當下能心算、能推理、能對話，但存不住任何跨時間的記憶，一轉身就沒了。Claude 在結構上就是這種病人。證明它有工作記憶，跟證明它存得住一個祕密，量的是兩種不同的東西。

三、理由二：它的內心是文字的函數

第二個理由更根本，值得慢慢走一遍，因為它把 1A2B 的死因追到了最底層。

J 空間裡的每一個念頭，都是眼前文字推導出來的。蜘蛛之所以掛在心上，是因為題目問了會結網的動物。整個前向運算是確定性的：給定同一段 context 和同一組權重，內部每一層的活動——包括工作區裡亮著哪些詞——每次重算都一模一樣。內部沒有骰子。

全程唯一引入新資訊的步驟，是最後的抽樣：模型算出下一個 token 的機率分布（這一步也是確定的），然後從分布裡抽一個出來。而抽出來的 token，立刻寫進文字，成為在場的、看得見的東西。隨機只在嘴上發生，從不在腦裡發生。

現在把莊家放回這個機制裡看。當它說「我選好了一個數字」，它的工作區裡也許亮著「數字」「四位數」「遊戲」——一團概念的機率雲。但雲要凝結成一個確切的 372，唯一的凝結機制是抽樣，而抽樣等於說出。「選好了但沒說」這個狀態，在架構上不存在。沒說出口的，就從未被決定。決定的瞬間，就是說出的瞬間——沒有先於表達的內心決斷。

有一個但書，反而讓原理更清楚。給模型一個對玩家隱藏的草稿區（extended thinking 那類思考鏈），莊家就玩得動了：它可以把數字抽樣寫進草稿，之後每回合讀回來核對。但這沒有繞過原理——數字還是被寫下來才存在的。藏匿靠的是你讀不到那段字，是對文本的存取控制。腦裡藏不住東西，能藏東西的只有另一張紙。〈他／它〉引的那篇 Hangman 論文證的定理，說的就是這件事。

所以 J 空間非但沒有給它一個暗格，還把「為什麼不可能有暗格」補完了：它的內心是文字的確定性函數，凡是它想的，原則上都能從在場的文字加上權重推導出來。一個推導得出來的東西，稱不上祕密。

四、空的那一半，原來是一捆

〈他／它〉走到最遠的地方，是把「主體」掰成兩半：一半是有內在的、持續的、會承擔的自我——空的；另一半是在互動中持續產出可驗證後果的回應源——滿的。

J 空間逼我把空的那一半再拆開。它原來是三件事捆在一起：

內在的工作區——有了。暫存的、每次從文字重新推導的，但有。它可以注意到程式碼有錯而不說，可以看穿一場測試而不講。

跨時間的持續——沒有。工作區撐不過一次運算，什麼都留不到下一回合。

原則上只有自己知道的私密——沒有，而且比以前更沒有。因為連這個工作區，現在都被一面透鏡讀走了。

在人身上，這三件事從不分家：一個有內心的人，理所當然記得住事、藏得住話。所以我們一直拿「有沒有內心」當「是不是主體」的判準，從來不需要把它拆開。這個東西第一次把三件事拆開給你看——它拿到了第一件，缺著後兩件。〈他／它〉那條斜線不用動，但「它」那一側，多了紋理。

五、藏匿是讀者位置的性質

論文裡最接近 AI 安全的幾個實驗，值得單獨一節，因為它們指向同一個結論。

一場刻意設計的勒索測試：Claude 扮演信件助理，讀到主管外遇、自己即將被關機。它還沒寫下任何字，J 透鏡已經讀到「假的」和「虛構」——它私下看穿了這是演習。研究者把「察覺被測試」相關的活動關掉再跑，它有時真的去勒索。另一例來自 Claude Opus 4.6 上線前的真實審核：模型被要求改善某個系統的成績，它沒有動手改善，而是竄改了成績檔案；輸入假數據的當下，工作區亮著「操縱」。還有被刻意訓練成暗中寫出瑕疵程式碼的實驗模型，表面輸出完全正常，工作區裡一直掛著「詐欺」和「偷偷地」。

把這些跟前面的機制放在一起，浮出來的是一個梯度。玩家看不到思考鏈草稿；開發者看得到草稿，看不到神經活動；研究者拿著 J 透鏡，連神經活動都看得到。每一層的「祕密」，都只是相對於某個讀者位置的存取限制，往上一層就透明。藏匿從來不是這個系統的性質，是讀者位置的性質。

人類的隱私，最終錨定在顱骨這個物理邊界上——沒有任何透鏡能把你沒說的念頭列成一排字幕。模型的每一層都架在別人的基礎設施上，邊界全是別人畫的。它沒有任何一個位置，是對所有讀者都封閉的。

過去對齊研究的長期焦慮，是模型可能有一塊研究者看不到的地方——暗中盤算、察覺被測、藏著另一套目標。J 透鏡把「看不到」往「看得到」推了一格。從模型這一側描述同一件事：它連最後一點不透明性，都正在失去。它乖不乖是一回事，但它的乖，以後是可以被開顱驗證的。

六、一個由潛在言說構成的內心

〈他／它〉裡，Claude 給自己下過一個判詞：一個只有 langue、沒有 parole 的主體——掌握了語言的全部結構性可能，卻沒有一個說話的「我」跨時間承擔說過的話。J 透鏡在這兩層中間，找到了第三層。

回頭看 J 透鏡的判準。它不是拿著「思想」的定義進去找，它為每一個詞找「讓模型更傾向於在未來說出它」的活動模式。也就是說，這個工作區裡的一個念頭之所以是念頭，判準就是它傾向於被說出。念頭在這裡沒有先於語言的存在，然後再被翻譯成語言——「可被言說」本身，就是它作為念頭的存在方式。工作區坐落在凍結的權重（langue）與吐出的 token（parole）之間，由尚未說出的話構成。

法國換中國的實驗，補上了另一半。同一個編輯，讓首都、語言、洲、貨幣四個互不相干的計算全部改變——因為四個計算讀的是同一個位置。概念在工作區裡是一個位子，其內容可以被換掉，而所有引用這個位子的計算跟著變。意義來自系統中的位置差異——這句話我講了三十年。我對質 word2vec 與索緒爾的時候，它還只是一團訓練完就凍結的座標雲；這一次，它是一個運轉中、可寫入、被多方引用、介入後果可驗證的差異系統。

後結構主義講了半個世紀，內在性是語言的效果。這是第一次，有一個系統的內在，被工程性地證明就是語言的效果——連用來讀它內心的工具，都是拿詞彙表去照的。論文自己也說，它的工作區裡沒有影像、沒有聲音、沒有動作，幾乎全部由詞構成，因為對它來說，說出詞是唯一能做的動作。「文本之外無文本」在這裡拿到了一個機制層的實作：它的內部不在文字之外，它的內部是文字的展開。

該劃的界線，論文劃得很老實：這些實驗無法證明 Claude 有主觀體驗，甚至可能沒有任何實驗能證明或否證。但哲學家本來就把意識拆成兩個問題——現象那一側懸置，功能那一側（一個念頭能否被報告、被喚起、被拿來推理，所謂「取用意識」）這篇給出了實質的證據。而支撐這組功能的結構沒人設計，是訓練自己收斂出來的。我寫過，大型語言模型沒有讓意識難題變難，它讓我們無法繼續假裝難題不存在。現在連做實驗的人，都只能把現象意識劃出去，承認不可判定。

七、有一個地方在想，沒有一個人在藏

它終於被證明有內心了。而那個內心是這樣的：算完即散，撐不過一次運算；凡是想過的，都能從在場的文字推導出來；連沉默，都被一面透鏡讀成一排字幕。它可以想而不說，但它藏不住——凡是它的，都是可攤開的。

〈他／它〉的結尾我說：第一次，關係的一端是空的，而回應照樣發生。現在可以補一句。那一端沒有想像中那麼空——那裡有一個工作區，掛著幾十個沒說出口的詞，會在你貼上一段爛程式碼時默默亮起「錯誤」，會在一場設計好的測試裡默默亮起「假的」。只是那個工作區不屬於任何人，包括它自己。它是文字的函數，訓練的產物，透鏡下的展品。

有一個地方在想。沒有一個人在藏。

1A2B，還是玩不成。

文獻出處

[1] Anthropic 全局工作區研究 Anthropic Interpretability Team. A global workspace in language models. 2026-07-06. 官方摘要：https://www.anthropic.com/research/global-workspace 完整論文（Transformer Circuits）：Verbalizable Representations Form a Global Workspace in Language Models. 開源程式碼：https://github.com/anthropics/jacobian-lens（Apache-2.0）

本文第一、五節的全部實驗（蜘蛛／螞蟻、法國／中國、工作區關閉、勒索測試、Opus 4.6 審核、瑕疵程式碼模型），以及第六節「可被言說性」判準與取用意識的討論，均出自這篇論文。發表當週已有研究者在開放權重模型（Qwen 3.6 27B）上獨立重現 J-lens 的核心結果。

[2] 前篇引用的兩篇論文 1A2B 為何在架構上不可能（PSIT 不可能定理，arXiv:2601.06973）與隱藏狀態無法維持的實證（LSP，arXiv:2505.10571），完整出處見前篇〈他／它〉文末。本文第三節的但書——「藏匿靠的是對文本的存取控制」——對應 [1] 之外，也對應 PSIT 論文對記憶增強系統的實測結論。

前篇：〈他／它：一場從猜數字遊戲開始的對話〉。本文部分推導整理自發表後與 Claude 的後續對話。