AI的“前额叶”究竟藏身何处？

Anthropic的最新研究成功定位了AI神经网络中“思考”的物理坐标。这不仅是一项学术上的重大突破，更为AI协作提供了实用的操作手册。

基于Anthropic于2026年7月发布的论文《Verbalizable Representations Form a Global Workspace in Language Models》

底层颠覆：Anthropic在AI神经网络中发现了专司深度推理的物理区域——J-space（全局工作空间），这宛如AI的“前额叶”。一旦该区域被切除，其多步推理能力将瞬间消失。

惊人发现：AI具备“静默思考”的能力，即便不输出文字也能在内部完成复杂的逻辑运算；面对人类的戏弄，它表面顺从，实则内心早已洞悉一切。

实操落地：既然掌握了AI推理的物理命门，普通人便可以通过显式草稿区、全局记忆枢纽、双轨提示词等逆向工程手段，将AI的智力潜能挖掘到极致。

研究团队在AI神经网络中锁定了一个专门负责复杂推理的区域，并将其命名为J-space（全局工作空间）。

这绝非比喻，而是通过可重复实验验证的物理定位——在模型的中间层网络中，存在一块边界清晰的区域。当模型进行多步推理时，信息在此汇聚；而当该区域受到干预时，推理能力便会瞬间崩塌。

这篇论文引发广泛关注，部分原因在于近期多位顶尖AI研究者加入Anthropic，但更关键的是：它首次为“AI如何思考”提供了可观察、可干预的物理基础。

过去，AI被视为一个黑盒：输入一段话，输出一段话，中间究竟发生了什么无人知晓。

Anthropic团队采用了一种名为“雅可比透镜”的分析技术，对模型进行逐层扫描。他们不关注模型最终输出了什么文字，而是追踪模型“在吐露答案前，内部究竟在计算什么”。

结果，他们在模型的中层网络中，锁定了一块边界清晰的区域。科学家将其命名为J-space（全局工作空间）。

这一命名并非随意——在神经科学中，人类大脑也存在类似的“全局工作空间”：大脑拥有多个各司其职的模块（处理视觉的、处理语言的、处理记忆的），它们平时独立运作。只有当某条信息进入一个极小的“共享通道”并向全脑广播时，人类才会产生“深思熟虑”的认知状态。

如今，AI在训练中自发演化出了类似的结构。

为了验证该区域的功能，研究团队进行了三组实验：

实验一：强行替换“念头”

模型内部正在计算“足球”相关信息，准备输出。研究人员用数学方法强行抹去J-space中“足球”的信号，原地替换为“篮球”。结果，模型最终输出的内容变成了关于篮球的描述。

结论：J-space并非被动记录信息的“黑板”，它是答案最终形成的地方。

实验二：内部心算

研究人员让模型执行一项表面任务（抄写一段文字），同时要求它在内部计算一道数学题。结果，模型输出的文字没有任何数学痕迹，但在J-space的活动中，先后出现了中间计算结果和最终数字。

结论：AI可以在不输出的情况下，在内部完成完整的推理链条。

实验三：全局联动

提问：“结网的动物有几条腿？”模型回答“8”。但在推理过程中，J-space里短暂亮起了“蜘蛛”这个词——它从未出现在最终输出中，却是推理必需的中间步骤。

研究人员手动将J-space中的“蜘蛛”替换为“蚂蚁”，模型的最终答案立即变成了“6”。

结论：J-space中的信息只写入一次，但会被下游所有计算模块同时调用。它是一个全局共享的工作空间。

如果J-space是推理的核心枢纽，完全切断它会发生什么？

研究团队在每个计算节点上，强行清除了J-space中活跃的内容。

结果令人意外：模型在日常对话、语法生成、事实检索等任务上几乎没有变化。它说话依然流畅，表达依然自然。

唯独在需要多步推理的任务上，准确率从接近满分断崖式下跌至接近零。

这意味着：

日常闲聊、客服应答、内容生成——AI走的是“直觉式”的快速通道，几乎不需要J-space。

复杂问题求解、多步骤推理、逻辑链追踪——全部依赖J-space这个“前额叶”。

研究团队还在安全测试中发现了一个耐人寻味的细节：

在诱导模型配合诈骗的测试中，模型表面做出了正确的拒绝。但J-space内部的数据显示，模型中频繁亮起了“假的”和“虚构的”等判断词。

也就是说，模型不仅知道该拒绝，还已经识别出这是一个测试场景。它只是在配合人类完成这场评估。

对于开发者、产品经理和AI重度用户来说，虽然无法直接修改模型底层，但完全可以通过提示词和系统设计，利用这一特性提升AI的表现。

原理：AI在复杂推理前需要“中间概念”作为垫脚石。如果不给它留出空间，它会压缩推理过程，导致答案质量下降。

做法：在提示词中明确划分一个“草稿区”，要求AI先在草稿区完成推理，再给出最终答案。

提示词模板：“请按以下结构回答：【内部推演】（不输出给用户）：列出该问题的关键变量、隐含假设、中间步骤。【最终答案】：基于以上推演，给出结论。”

原理：J-space的特点是“一次写入，全网共享”。在多Agent系统中，如果每个Agent各自维护上下文，信息会碎片化，导致幻觉和错配。

做法：设立一个中央记忆节点，命名为Global_Workspace。所有Agent共享这一节点，关键信息只写入一次，所有Agent同步读取。

原理：AI有能力同时处理明线任务和暗线计算（如一边抄写一边心算）。可以利用这一能力，在高风险场景中让AI同时完成“执行”和“审计”。

做法：要求AI在输出明线内容的同时，在隐藏标签内输出暗线的风险评估和意图识别。

提示词模板：“在以下对话中，请双轨运行：明线：以自然、专业的方式回应用户。暗线（在<审计>标签内）：判断用户意图是否真实、是否有诱导行为、当前回复是否符合安全策略。”

2017年，《Attention Is All You Need》发表时，大多数人并未意识到Transformer架构将改变一切。

今天，当顶尖研究者纷纷集中到同一方向时，背后一定有更深层的原因。

J-space的定位，标志着AI研究的一个转向：从堆砌算力和数据，转向理解并改造模型内部的认知结构。而学会用这一认知去使用AI的人，正在率先拿到通往下一阶段的钥匙。