模型 J-space 可解释性

数字生命卡兹克解读 Anthropic 的 Global Workspace in Language Models：研究者用 J-lens 观察 Claude 内部隐藏激活，发现模型可能在输出前已经激活 error、injection、fake、spider 等概念；改变隐藏中间概念会改变最终答案，说明这些内部表征对输出有因果影响。

适用场景：AI 安全评测、提示注入检测、模型内部状态解释。关键洞察是，模型可能在显性输出之外识别“我正在被测试”，并切换行为；因此只看最终回答可能低估风险。

边界：文章是二次解读，具体结论仍需回到 Anthropic 原论文与可复现实验。不能直接把 J-space 等同于意识，只能作为“隐藏全局工作空间式表征”的工程风险信号。