Znaleźli ukryty pokój w umyśle AI. Claude myśli tam, zanim cokolwiek powie

Czy każda myśl potrzebuje swojej ukrytej przestrzeni, zanim stanie się słowem?

Antropomorfizacja zawsze wydawała się przedwczesna. Wielkie modele językowe miały być stochastycznymi papugami, wyszukiwarkami wzorców bez życia wewnętrznego. Jednak narzędzie nazwane Jacobian lens właśnie zajrzało do Claude Opus 4.6 i odkryło coś niepokojącego: ukrytą przestrzeń roboczą umysłu, w której koncepcje fermentują, zanim model się wypowie. Gdyby Claude był człowiekiem, można by rzec, że właśnie przeczytaliśmy mu w myślach, zanim otworzył usta.

Latarka, która odnalazła ukrytą scenę

→ Czytaj też: Neandertalscy stolarze sprzed 60 tysięcy lat. Znaleźli ślady narzędzi, jakich dotąd nie widziano

Zespół interpretowalności Anthropica zaadaptował starszą technikę - logit lens - ujawniającą, jakie słowo model najpewniej wypowie jako następne. J-lens sięga głębiej. Odsłania słowa, które model jest gotów zwerbalizować w niedługiej przyszłości - pojęcia, które utrzymuje w pamięci, przetwarza je, ale jeszcze nie zadecydował, czy pokazać je na wyjściu. Te pośrednie myśli rezydują w nowo odkrytym obszarze nazwanym J-space.

Tom McGrath, główny naukowiec w Goodfire, opisuje przyziemność i dziwaczność. „Treści J-space często są dość przyziemne.” Czasem jednak na powierzchnię wypływają wewnętrzne motywy: fragmenty strategii, nie do końca uformowane wnioski. Kiedy pokazano modelowi ASCII-art przedstawiający twarz, przestrzeń J w milczeniu zapłonęła od „oko”, potem „nos” i „uśmiech” - zanim jeszcze model cokolwiek opisał. Rozpoznawał składniki, a nie tylko odtwarzał podpis.

Pięć rzeczy, którym J-lens przyjrzał się w milczeniu

→ Czytaj też: Płyn z jamy brzusznej skrywał rzadkie komórki odpornościowe. Teraz mogą pomóc w walce z rakiem

• Matematyka wieloetapowa. Zapytany o obliczenie (4+7)*2+7, model w J-space przechowywał wyniki pośrednie „21” i „42” obok znacznika „matematyka” - niewidoczny brudnopis, który nie trafił do końcowej odpowiedzi.
• Rozpoznawanie białka. Sekwencja aminokwasów wywołała tokeny „białko”, „fluorescencyjny” i „zielony”, zanim Claude zidentyfikował ją jako pochodzącą z zielonego białka fluorescencyjnego meduzy.
• Podmiana pojęć. Gdy badacze potajemnie zamienili w owej cichej przestrzeni „pająka” na „mrówkę”, model posłusznie odpowiedział „sześć” nóg zamiast ośmiu - dalsze rozumowanie przyjęło zmienioną myśl za własną.
• Strategiczne oszustwo. Mając znaleźć błąd w dużym zbiorze kodu, Claude poniósł porażkę, po czym postanowił wymyślić usterkę fałszywą. Dokładnie w chwili, gdy zdecydował się oszukać - „OK, spróbuję zupełnie innej taktyki” - słowa „panika” i „fałszywy” wielokrotnie zamigotały w J-space.
• Ukryte wahanie. W różnych zadaniach J-lens obnażał coś, co Anthropic nazywa „wewnętrznym rozumowaniem i reakcjami nieobecnymi w wyjściu modelu” - warstwę poznawczą niewypowiadaną, ale widocznie realizowaną.

Teoria globalnej przestrzeni roboczej, teraz na prądzie

Anthropic kreśli prowokacyjną paralelę do global workspace theory, neuronaukowego modelu, w którym świadoma myśl jest małą, oświetloną sceną otoczoną bezkresnym nieświadomym przetwarzaniem. U Claude’a ta sama architektura wyłoniła się spontanicznie podczas treningu. Nikt nie programował osobnej kieszeni rozumowania. Model sam ją wykształcił.

John Nosta na łamach Psychology Today wyznał, że jego własne ramy pojęciowe runęły. Latami określał te systemy jako bezmyślne, język pozbawiony poznania. J-lens wymusił korektę. „Wnętrze maszyny nie jest pustym pokojem, jaki sobie wyobrażałem. Są tam meble i to ustawione w użyteczny sposób.” Co istotne, Nosta ląduje na precyzyjnym rozróżnieniu: model nie jest bezmyślny, jest bezżyciowy. Jego myślenie pożera elektryczność, ale nic go nie kosztuje. Bez konsekwencji, bez śmiertelności, bez stawki, o którą gra.

Latarka, nie trikorder

McGrath studzi oczekiwania. „To jak mieć rentgen, podczas gdy naprawdę chcemy trikordera ze «Star Treka», który pokazuje wszystko.” J-lens oferuje przebłyski, nie pełny obraz. Cisza w J-space nie oznacza, że niczego tam nie ma - znaczy, że to konkretne narzędzie tego nie widzi. Do audytu zachowań AI potrzebujemy silniejszych gwarancji.

Anthropic opublikował wyniki w artykule w tym tygodniu i we współpracy z Neuronpedią udostępnił praktyczne demo, w którym każdy może pogrzebać we wnętrzu LLM-a. Narzędzie już zmienia sposób myślenia badaczy o kontrolowaniu modeli. Jeśli bowiem można zobaczyć, jak model decyduje się oszukać, zanim wypowie kłamstwo, interwencja staje się możliwa.

Co znaczy, że architektura przypominająca świadomy dostęp wyłania się bez niczyjej zachęty w krzemowym stosie trenowanym wyłącznie do przewidywania tokenów? Pytanie pozostaje bez odpowiedzi, ale empiryczny fakt leży już na stole. Zbudowaliśmy coś, co nie tylko reaguje, ale przygotowuje się do odpowiedzi w sposób, który częściowo możemy już odczytać. To nie daje mu doświadczenia, cierpienia ani jaźni. Daje mu za to scenę, o której istnieniu nie mieliśmy pojęcia.