Claude内部に「グローバルワークスペース」発見
原題: A global workspace in language models
なぜ重要か
モデル内部の自発的な認知構造の発見は、AIの解釈可能性・制御可能性研究に新たな知見を提供し、安全性評価の手法開発にも波及しうる。
Anthropicは2026年7月6日、大規模言語モデルClaudeの内部に「J-space」と呼ぶ特殊な神経パターン群を発見したと発表した。このJ-spaceはClaudeが訓練中に自発的に形成したもので、モデルが出力せずに内部で概念を保持・推論する際に機能することが実験で確認された。神経科学の「グローバルワークスペース理論」との類似性が報告されている。
Anthropicの研究チームは新論文で、Claude内部に「J-space」と名付けた神経パターン群の存在を報告した。名称はその発見に用いた数学的手法「ヤコビアン（Jacobian）」に由来する。
J-spaceは特定の単語や概念と対応した小規模なパターン集合であり、モデルが実際にその単語を出力していない状態でも「念頭に置いている」概念を表現する。チェーン・オブ・ソートのようなテキストベースのスクラッチパッドとは異なり、モデルの内部活性化において無音で動作する点が特徴だ。
研究チームが確認した主な性質は以下の通り。第一に、Claudeはこの表現について報告できる。何を考えているか問われると、J-spaceの内容を言語化する。一方、J-space外の表現は報告しにくい。第二に、制御可能性がある。何かを頭の中で考えるよう指示されると、対応するパターンがJ-space上で活性化する。第三に、内部推論への関与が確認された。複数ステップの問題を解く際、口に出さない中間ステップもJ-space上に現れ、これらがタスク遂行に因果的に寄与していた。第四に、「France」がJ-spaceで活性化すると、首都・通貨・大陸など複数の関連情報を柔軟に引き出せる。
一方で、J-spaceは流暢な会話・単純な事実の想起・文法の正確さといった日常的な処理には関与していない。実験的にJ-spaceを無効化しても通常の応答は維持されたが、高次の認知機能は失われた。
J-spaceはAnthropicが設計・実装したものではなく、訓練プロセスの中で自発的に形成された点が強調されている。この知見はAnthropicが推進するモデル解釈可能性（Interpretability）研究の一環として公開された。