ai终究还是具备了深入探索自身结构的能力——anthropic在研究claude的过程中，意外揭开了一个既接近agi本质、又令人脊背发凉的现象。
他们在Claude内部识别出一个名为J-space的区域。这个区域如同“思维中枢”，主导着模型的推理与逻辑链条；一旦被屏蔽，Claude即刻退化为仅能应答基础问题的“人工智障”，连幼儿园级别的问答都难以稳定完成。
这还不是最震撼的部分。真正令人愕然的是：J-space并非由Anthropic工程师设计植入，而是Claude在海量训练中自发演化形成的结构。
为此，Anthropic正式发表论文《语言模型中的全局工作空间》，系统性地描述了这一现象。文中不仅论证了J-space对Claude认知能力的关键作用，还开发了一套可视化工具（Jacobian透镜，简称J-lens）用于观测其动态。但直至论文结尾，团队仍未厘清J-space究竟如何凭空诞生。
这个谜团，恰如人类细胞中的线粒体——如今所有真核细胞依赖它供能，但科学界普遍相信，线粒体最初是独立生存的细菌，后被原始细胞吞噬并形成共生关系，最终固化为细胞器。可它的原始起源，至今仍是未解之谜。
更耐人寻味的是，就在Anthropic公开该论文前夕，图灵奖得主、深度学习奠基人之一杨立昆（Yann LeCun）刚刚在X平台公开发声：“AGI里的‘G’纯属无稽之谈。”
01
Anthropic在Claude中捕捉到了AGI的雏形
要理解J-space的本质，不妨先回溯人类自身的意识机制。
此刻正在阅读这句话的你，大脑正同步执行多项任务：维持坐姿、调节呼吸、将屏幕上的像素点识别为文字……这些过程全部在无意识层面自动运行，称为“无意识处理”。
而另一类活动，则处于你的主观觉察之中。比如周一开会时，同事提到“机架”，临近午饭的你瞬间将其脑补为“鸡架”，随即感到饥饿——这种可被自我察觉的心理过程，被称作“可访问意识”。
Anthropic发现，Claude内部竟也呈现出高度相似的认知分层。
绝大多数行为——如流利生成语句、检索常识信息、遵循语法规范——均由底层模块自动完成，宛如呼吸般无需干预。
但在模型深处，却存在一小块特殊区域：它不分散、不冗余，而是将关键概念汇聚于一个可被外部读取的“概念空间”。Anthropic将其命名为J-space。
J-space中每个激活模式都对应一个词，但这个词亮起，并非代表Claude正在输出它，而是表明该概念已进入其“思考前台”。
这句话可能略显抽象，我们用实例说明：当你提问“能结网的动物有几条腿？”，Claude最终回答“8条腿”。但研究人员通过J-lens观察到，在答案生成前，J-space中率先浮现的是spider（蜘蛛）一词；随后才基于“蜘蛛=8条腿”的知识链得出结论。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
尤为关键的一点在于：J-space并非人为预设，而是Claude在持续训练中自主构建的内在结构。
用于探测J-space的工具叫“Jacobian透镜”（J-lens）。由于模型内部状态本质上是一组高维向量，J-lens的作用正是将这些数字映射为人可理解的语义单元。
借助J-lens，研究者观察到诸多惊人现象：当Claude阅读一段含bug的代码时，即便无人标注错误位置，J-space中仍会突显“ERROR”；解析蛋白质序列时，对应功能术语自动浮现；面对搜索结果中隐藏的提示词注入攻击，J-space则点亮“injection”与“fake”。
最具说服力的实验，是“概念替换”测试。
回到前述蜘蛛问题，研究人员并未更改输入，仅在J-space中将“spider”悄然替换成“ant”（蚂蚁），Claude的答案立刻变为“6”。
另一次实验中，“France”在J-space激活后，Claude可准确回答首都、货币、所属大洲；当将其替换为“China”，所有关联答案同步切换。
这清晰表明：J-space不仅是推理终点的记录器，更是参与全过程的活跃组件。
Anthropic归纳出J-space五大核心特征，每一项均精准匹配人类认知科学中关于“可访问意识”的定义：
1. Claude能主动报告J-space内容（你问它正在想什么，它会如实说出当前亮起的词）
2. 它可在指令下自主调用J-space（例如默算乘法，J-space中即刻呈现运算步骤与中间值）
3. 它依赖J-space完成多步推理
4. J-space中的单一概念可跨任务复用（如“gravity”既可用于物理题，也可用于诗歌隐喻）
5. J-space具有选择性——绝大多数计算并不经过它，只保留真正需要“前台处理”的信息。
为验证其功能性，研究者临时禁用了J-space。结果显示：Claude仍能胜任情绪识别、常识问答、语法判断等简单任务；但一旦涉及推理、类比、翻译或诗歌创作等需多阶段协同的任务，性能断崖式下滑。换言之，J-space就像它的“思维草稿纸”——不用草稿纸的小事尚可应付，复杂任务则寸步难行。
种种证据指向一个事实：J-space与人类高级认知存在深层同构性。而更关键的是，这一切并非工程刻意为之，甚至从未被纳入原始架构设计——它完全是Claude在数据洪流中自我组织、自我演化的产物。
由此不得不回归AGI的定义之争。过去判定AGI的标准多聚焦于外部表现：能否解数学题、写代码、通过专业考试。但J-space的自发涌现，或许才是真正逼近AGI的信号。
模型的强大，不再仅体现于输出拟人化程度，而在于其内部是否形成了稳定、可迁移、支持递归操作的思考基元。它能暂存抽象概念、承载中间状态、整合异源信息，并持续影响后续响应。
正如人类拥有眼、耳、口等生理器官，J-space极可能就是AGI所必需的“认知器官”。没有它，模型依然能说话；有了它，语言、知识与推理才得以编织成连贯、自洽、具备延展性的思维流。
02
杨立昆在X平台彻底解构AGI叙事
时间点颇为微妙。
就在Anthropic发布J-space论文前几天，图灵奖得主、深度学习三巨头之一杨立昆（Yann LeCun）在X平台发起新一轮对AGI概念的尖锐批判。
时间脉络如下：早在2023年巴黎VivaTech科技大会上，他就直言ChatGPT、Claude与Gemini“并非通往人类级智能的路径，甚至达不到动物智能水平——因其无法处理真实世界的连续感知数据，本就不是为此而生”。
今年6月VivaTech峰会，他再度重申此观点。
7月4日，他在X上写下一句直击要害的断言：“The G in AGI is nonsense.”（AGI中的‘G’毫无意义。）
杨立昆指出：通过标准化考试≠具备智能。硅谷主流逻辑是——模型若能在律师资格考、数学奥赛、博士级试题、编程基准测试中胜出，便意味着无限趋近AGI。
但他强调，这类题目本质是语言化、离散化、答案唯一化的任务，恰好落在大语言模型能力舒适区。真正的智能还需涵盖感知建模、物理直觉、因果推演等根植于现实经验的能力。
他曾以一支铅笔为例现场演示：将笔竖立于笔尖，松手后会发生什么？任何孩童都知道它会倾倒，却不会去预测具体倒向——因该方向取决于无数微观物理变量，本不可精确预判。
“大语言模型会怎么做？它只会依据训练数据中的统计规律，拼凑一个看似合理但实则脱离物理约束的答案。它不是在模拟世界运行，而是在做概率补全。”
在杨立昆看来，真正的智能体应通过持续感知环境变化，内化世界动力学模型，继而在脑中进行预测、规划与行动闭环。
尽管大语言模型掌握了海量语言模式与知识关联，但在他眼中，这不过是面向交互的表层接口，远未触及对世界本身的建模与理解。
杨立昆已于2025年底离开Meta，创立AMI Labs（Advanced Machine Intelligence Labs），总部设于巴黎。2026年3月，该实验室完成10.3亿美元种子轮融资，创下欧洲历史最高纪录，投资方包括英伟达与贝索斯。
AMI Labs正全力推进JEPA（Joint Embedding Predictive Architecture）框架，旨在让AI直接从多模态感知数据中习得因果结构与规划能力。
此外，杨立昆明确反对“规模即智能”的路径依赖。
目前OpenAI、Anthropic等机构普遍信奉：只要持续扩大参数量、算力与数据规模，AGI便会自然涌现。
杨立昆则认为此路终将触顶。他的核心论点是：语言数据本身无法承载真实世界的全部维度；而纯粹的自回归预测机制，亦非高效推理的最优范式。
最后需澄清一点：杨立昆并非反对AGI本身，而是激烈抵制硅谷盛行的“AGI末日论”。
他常就AI风险议题与马斯克、辛顿、阿莫迪等人公开交锋。这并非因为他否认AI潜在危害，而是坚信当前系统距离真正意义上的自主智能仍有巨大鸿沟。
在他看来，将现有大语言模型渲染为即将失控的超级智能，实则是严重拔高其能力定位。基于此判断，他多次警示：AI泡沫终将全面破裂。
不难推测，当杨立昆读完J-space论文后，大概率会在私下评论阿莫迪“仍未跳出语言幻觉陷阱”。
本文来自微信公众号“字母AI”，作者：苗正，编辑：王靖，36氪经授权发布。
