Anthropic 可解释性突破：Claude 内部存在"全局工作空间"式思维

2026 年 7 月 6 日，Anthropic 可解释性（Interpretability）团队发布研究《A global workspace in language models》，给出了一个颇为颠覆性的发现：Claude 内部浮现出一个"心智工作空间（mental workspace）"，其中持有不出现在模型输出中的内部思考。

这项研究发现了什么

通俗地说，研究者发现 Claude 在生成回答的过程中，内部并非简单"一输入、一输出"，而是存在一个独立于最终输出的"工作空间"，模型会在这里进行不直接呈现给用户的内部思考。这一发现为理解大语言模型的推理机制提供了新的证据——模型并不是在"背诵答案"，而是在一个内部空间中"运算"后给出结论。

对可解释性研究而言，这意义重大：如果模型的"思考过程"可以被定位、被读取，那么对齐（alignment）、安全审计与错误诊断就有了新的抓手——不再只能看输出，还能看"过程"。

一年来的可解释性研究密集输出

把这项研究放回 Anthropic 2026 年的研究时间线，可见其持续投入：

| 日期 | 研究 | |