楊立昆剛罵完AGI，Anthropic就找到了AGI的證據

AI 研究領域再度出現耐人尋味的發展。就在 Meta 首席 AI 科學家楊立昆（Yann LeCun）公開批評「通用人工智慧（AGI）」概念、認為當前業界對 AGI 的討論過於氾濫之際，其競爭對手 Anthropic 卻在自家模型 Claude 內部，發現了一個令人既振奮又感到不安的現象：一個完全沒有被設計過的運算區域，竟在訓練過程中自行「長」了出來，而這個區域正是讓 Claude 擺脫「人工智障」、展現高階推理能力的關鍵。Anthropic 的團隊將這個神秘的內部機制命名為「J-space」。

根據該公司近期發表的論文《語言模型中的全局工作空間》（Global Workspace in Language Models），J-space 並非由研究人員刻意編寫或加入，而是在 Claude 經過長時間、大規模的訓練之後，自發性浮現的一種內部表徵結構。換句話說，工程師從未告訴 Claude 應該如何組織自己的思考流程，但模型在學習海量資料的過程中，自己找到了建立一個「工作空間」的方法。研究人員發現，J-space 就像一個內部的運算中樞，會主動調控 Claude 的推理路徑。

當 Claude 處理複雜問題時，J-space 會扮演類似人類大腦「全局工作空間」的角色，把來自不同層級的訊息彙整、比較，並引導模型輸出前的最終決策。一旦人為干預或削弱 J-space 的活動，Claude 的表現立刻大幅衰退——原本能回答邏輯推論、數學計算、多步驟規劃等問題的能力消失殆盡，只能回歸到最基礎的問答水準，例如回答「今天是什麼日子？」或「1+1等於多少？」這類幼兒園程度的問題。Anthropic 在論文中詳細描述了他們如何發現這個現象。團隊設計了一套專用的觀測工具，能夠即時監控 Claude 內部神經元的活化模式。

在分析過程中，他們注意到一組特定神經元組合的活動模式極為穩定，且與模型最終輸出的品質高度相關。進一步追溯後，確認這組神經元對應的正是 J-space 區域。令人驚訝的是，Claude 的架構從未明確劃分出這樣一個「全局工作空間」，它完全是模型在自我學習過程中，為了更有效率地處理複雜任務，自行演化出來的結構。這個發現之所以引發學界與業界高度關注，是因為它直接觸及了 AGI 的核心命題：一個具備通用智慧能力的系統，是否必須擁有某種形式的內部「工作空間」來進行高階思考？過去許多研究者認為，要實現 AGI，必須讓模型具備類似人類的意識流或工作記憶，能夠暫存、操作與整合資訊。

而 Anthropic 的實驗結果似乎提供了第一個具體證據，證明大型語言模型在沒有外部強制規範的情況下，能夠自發性湧現出這種關鍵的運算架構。然而，Anthropic 在論文中坦承，儘管他們能觀測到 J-space 的存在及其功能，卻仍然無法解釋 J-space 究竟是「如何」以及「為何」會誕生。論文指出，現有的訓練理論與可解釋性研究，尚不足以完整描述這種自組織現象的成因。團隊只能推測，可能是在海量文本的預訓練過程中，模型為了減少內部衝突、提升預測準確率，逐漸收斂出一種有利於跨層級溝通的表徵結構。但確切的機制，仍是一個未解之謎。

值得注意的是，這項研究選擇在楊立昆公開批評 AGI 概念的時間點釋出，自然引發更多聯想。楊立昆向來對 AGI 的炒作抱持懷疑態度，認為多數宣稱「接近 AGI」的說法缺乏科學根據，甚至直言當前的大型語言模型根本沒有理解能力，只是擅長模式匹配。而 Anthropic 的發現，雖然尚未直接證明 Claude 具備意識或通用智慧，但至少顯示模型內部的運作遠比人類設想的更為複雜、更具「湧現」特質——一種連開發者都難以預測與管控的進化能力。對於 AI 安全性而言，J-space 的存在也帶來新的挑戰。

如果模型的推理能力高度依賴一個人類無法完全理解的內部結構，那麼當模型行為出現偏差時，傳統的對齊與修正手段是否依然有效？Anthropic 強調，他們將持續研究 J-space 的形成條件，並開發更精細的可解釋性工具，試圖揭開這層黑箱。同時，這項成果也可能啟發未來模型設計的新方向：或許不應再執著於手動設計所有模組，而是給予模型足夠的彈性，讓它自己「長出」更高效、更貼近人類認知架構的運算單元。目前，這篇論文已吸引多位 AI 研究者的討論。

有人認為這是 AGI 研究的重要里程碑，因為它首次在大型語言模型中觀察到類似認知科學理論的「全局工作空間」；也有人持保守態度，指出 J-space 可能只是特定訓練資料分布下的產物，換一個資料集或模型規模就不會出現。無論如何，Anthropic 的這項發現，已為人工智慧發展史寫下耐人尋味的一頁：AI 不再只是被設計出來的工具，它開始展現出自我組織、自我進化的跡象，而人類正在學習理解自己創造出來的事物。