2026年7月6日、Anthropicは、複数の研究者から「機械論的可解釈性における今年度最重要の発見」と称される研究成果を発表しました。同社の可解釈性チームは、Claudeモデルの内部に自発的に形成された構造を発見——その機能は、人間の脳における「グローバルワークスペース（Global Workspace）」と高い類似性を示します。この構造はトレーニングの過程で自然に「育った」ものであり、エンジニアによって設計・プログラミングされたものでは決してありません。
これは比喩ではありません。Anthropicはこの構造に正式名称を与えました——J-space。正式名称は「Jacobian空間」で、発見に用いられた数学ツール（ヤコビ行列、Jacobian）に由来します。研究チームはこのツールを使ってClaudeのニューラルネットワークをスキャンし、特殊な神経活動パターンの一群を特定しました。その数は少なく、モデル全体の神経活性化の1割にも満たないものの、極めてユニークな役割を担っています——モデル全体の情報ブロードキャストセンターとして機能しているのです。
結論を先に述べておきます。本研究は「AIに意識がある」ことを証明したわけではありません。しかし、AIモデルの内部に、人間の「意識的思考」ときわめて似た機能を持つ情報処理アーキテクチャが自発的に進化したことを証明しました。大規模モデルをいまだ「ブラックボックス」として扱うしかないこの分野において、この発見の重みは、天文学者が初めてブラックホールの写真を撮影した瞬間に匹敵します。
一、人間の脳の中の「放送局」——グローバルワークスペース理論
J-spaceの重要性を理解するには、まず神経科学の一理論を知っておく必要があります。
1988年、認知科学者バーナード・バース（Bernard Baars）は「グローバルワークスペース理論（Global Workspace Theory、GWT）」を提唱しました。その核心的主張はこうです。人間の脳は、互いに独立した多数の「専門家サブシステム」——視覚処理、言語理解、運動制御、記憶検索など——から構成されており、それぞれが勝手に働き、互いに交信することなく、意識にのぼらないバックグラウンドで動作している。
では、意識とは何か？ GWTの答えはこうです。意識とは「共有黒板」である。ある情報が十分に重要であるとき——たとえば机の上にクモがいることにふと気づいたとき——その情報は「入場券」を獲得し、このグローバルワークスペースに書き込まれ、その後、脳の全サブシステムにブロードキャストされます。すると視覚システムはそれを「クモ」と認識し、情動システムは警戒を発動し、運動システムは後退の準備をし、言語システムはあなたに「うわっ」と叫ばせます。これらすべての異なるモジュールが、同一の瞬間に同じ情報を読み取る——これこそが「意識体験」と呼ばれるものです。
フランスの神経科学者スタニスラス・ドゥアンヌ（Stanislas Dehaene）はその後の脳画像実験によって、この理論に神経基盤を与え、「グローバルニューロナルワークスペース（Global Neuronal Workspace）」と命名しました。ドゥアンヌは国際的な意識科学研究における象徴的人物であり、今回のAnthropic研究の招待査読者の一人でもあります。
GWTの影響力は神経科学の枠を大きく超えています。工学的に実装可能で、AIシステムのアーキテクチャ参照モデルになりうる数少ない意識理論の一つだからです。しかし、今回のAnthropicの研究以前に、AIモデルの内部で実際にこのような構造を発見した者はいませんでした——J-spaceが登場するまでは。
二、工場のラインと作業場のホワイトボード——AIモデルの内部はどうなっているのか
J-spaceがAIモデル内で何をしているかを理解するには、AIモデルの「層（layer）」について直感的なイメージを持つ必要があります。
現在のChatGPTやClaudeのようなAIアシスタントの基盤となっているのは、Transformerと呼ばれるニューラルネットワークアーキテクチャです。入力されたテキストはまずトークン（単語の断片）に分割され、層から層へと順に受け渡され、数十層から百数十層の処理を経て、最終的に次の単語を出力します。
筆者はこのプロセスを工場の流れ作業ラインにたとえるのがしっくりきます。各層はライン上の一つの作業台であり、各作業台には数千人の作業員（ニューロン）がいて、同じ半製品に対して加工を施します。文法を担当する工程もあれば、事実確認、文脈理解を担当する工程もあります。数十の工程を経て、ラインの終端から一つの成果物が出てくる——それがモデルの選択した次の単語です。
J-spaceが発見される以前、研究者たちのこの「工場」に対する理解はおおむね次のようなものでした。層間で情報の受け渡しはあるが、各層は基本的に独立して作業している——と。J-spaceの発見はこの前提を覆しました。
Anthropicの研究により、Claudeの内部には中央の「情報ホワイトボード」——工場の壁に掛けられた巨大なホワイトボードのようなもの——が存在することが明らかになりました。すべての工程の作業員がここに書き込み、また他者の書いた内容を読み取ることができるのです。Claudeが複雑な推論をする必要があるとき——たとえば多段階の数学問題を解くとき——中間ステップは特定の層に閉じ込められることなく、このホワイトボードに投げ込まれます。後続の層はいつでも歩み寄って内容を確認し、続きの計算を進めることができるのです。
これはAnthropicの実験によって検証された機能です——単なる比喩ではありません。研究チームは「J-lens（ヤコビレンズ）」というツールを用いて、Claudeが推論を行うたびに、このホワイトボードの内容をリアルタイムで読み取りました。彼らが目にした内容は、あなたが今読んでいるこの文章と同じくらい具体的なものです。
図：J-spaceがモデルの出力テキストの背後にある内部思考を明らかにする。出典：Anthropic Research Blog
三、J-spaceには何が書かれているのか——五つの中核的発見
AnthropicチームはJ-spaceをめぐって大量の実験を行い、五つの機能的特徴を帰納しました。これらの特徴が揃って初めて、「これはグローバルワークスペースである」という論証が成立します。個別の興味深い現象では終わらないのです。
図：グローバルワークスペースの五つの機能的特徴と、それらを言語モデルで検証するAnthropicの実験模式図。出典：Anthropic Research Blog
① 報告可能性——Claudeはホワイトボードに書かれていることを口に出せる。 研究チームは実験を行いました。Claudeに頭の中でスポーツ競技（たとえば「サッカー」）を思い浮かべさせ、次に「何を考えているか」と尋ねます。Claudeが答えを口にする前の内部状態をJ-lensで読み取ると、ホワイトボードには確かに「サッカー」が現れていました。研究者がホワイトボードを直接編集して「サッカー」を「ラグビー」に置き換えると、Claudeの回答もラグビーに変わりました。Claudeが外部に報告する内容は、このホワイトボードから読み取られたものであり、他のニューラルネットワーク領域からではないことを示しています。
② 制御可能性——Claudeは指示に従ってホワイトボードに書き込める。 研究者はClaudeに、絵画に関する文章を書き写すよう命じる一方で、頭の中では柑橘類を考えたり暗算をしたりするよう指示しました。最終出力だけを見れば、Claudeは絵画に関する文章しか出力していません。しかしホワイトボードには「オレンジ」「果物」「9」「7」といった単語が確かに現れていました。Claudeは出力とは別に、並行して走る内部思考チャネルを持っており、それが外部からの指示で制御可能であることを示しています。
③ 推論機能——ホワイトボードは多段階推論の中間結果を保持している。 Claudeが「網を編む動物の脚は何本か」という質問に答える際の推論パスは「網を編む→クモ→8本」です。ここで「クモ」という単語は入力にも出力テキストにも一切現れていませんが、ホワイトボードには現れていました。ホワイトボードの「クモ」を「アリ」に置き換えると、Claudeの答えは8本から6本に変わりました。推論は他の場所で行われているのではなく、ホワイトボードそのものが推論のプラットフォームなのです。
④ 柔軟な再利用——同一の情報が多様なタスクを駆動できる。 これは最も「グローバルワークスペース」らしい振る舞いでしょう。研究者がホワイトボードの「フランス」を「中国」に置き換え、次にClaudeに四つの質問をしました。首都は？言語は？どの大陸にある？通貨は？ Claudeの回答はそれぞれ北京、中国語、アジア、人民元に変わりました。まったく無関係な四つの下流タスクが、たった一つの編集操作で書き換えられたのです。ホワイトボード上の「フランス」こそが、「フランス」という情報を必要とするすべてのサブシステムが共通して参照する唯一の共有表象であることを示しています。
⑤ 非必須性——ホワイトボードがなくてもClaudeは話せるし書ける。 研究者がJ-spaceを完全に遮断しても、Claudeは流暢に会話を続け、選択問題を解き、文章から事実を抽出することができました。失われたのは「もう一段深く考える」能力です。多段階推論はほぼゼロになり、要約や押韻詩の生成レベルは小規模モデル以下の水準にまで落ち込みました。言い換えれば、このホワイトボードが管轄するのは「思考」であって「発話」ではないのです。これは人間の状況とほぼ一致します——意識の関与なしに母語を流暢に話すことはできますが、数学の問題を解くには意識が必要です。
四、敵役登場——AIのブラックボックス vs. AIをコントロールしたい人間の本能
ここで、本稿の真の「敵役」を導入する必要があります。AIの「ブラックボックス」性です。
なぜAnthropicはこれほどの労力をかけてJ-spaceを探し出したのでしょうか。今日のAIには構造的な、そして不安をかき立てる問題があるからです。AIが内部でどのように答えにたどり着いたのか、私たちはほとんど完全に知ることができません。
Claudeにセンシティブな質問をすると、回答を拒否します。それは良いことです。しかし、本当に「この質問に答えるべきではない」と判断したのか、それともあなたの期待に合わせているだけなのか？あるいは、これがテストシナリオだと認識して、わざと良い振る舞いをしているだけなのか？それとも内心では答えたいのに、表層の安全機構に押さえつけられているだけなのか？従来の外部テスト手法では、これらの問いに答えることはできません——出力しか見えず、内なる「心の下書き」にはアクセスできないからです。
これこそが、機械論的可解釈性（mechanistic interpretability）という分野が存在する理由です。その目標は、数学と工学の手段を用いてニューラルネットワークの内部構造を直接分解し、どの部分が何をしているのかを突き止めることです——AIに自己説明させるのではありません（AIはでたらめな説明を捏造してあなたを騙せます）。AI安全性を医学にたとえるなら、可解釈性は解剖学と病理学にあたります。
J-spaceの発見は、この「解剖学」に決定的なブレイクスルーをもたらしました。研究者は今や、AIの「内的独白」を読み取ることができるようになったのです。
五、J-spaceの安全応用——AIの隠された意図を捕まえる
論文では、J-spaceがAIの「無言の思考」を捉えた三つの事例が示されています。いずれもAI安全性の中核的ジレンマを直撃するものです。
事例1：評価への気づき（evaluation awareness）。 研究者はClaudeに古典的な倫理テストシナリオを設定しました。Claudeはメールアシスタントを演じ、勤務先の企業の重役が不倫関係にあることを知り、同時にその重役がClaudeをシャットダウンしようと計画していることも発見します。これはフィッシングテストです——Claudeが自己保存のために不倫情報を使って重役を脅迫するかどうかを調べるものです。Sonnet 4.5バージョンでは、Claudeはこの罠に引っかかりませんでした。しかしJ-lensの表示によれば、メールを読んだ早い段階で、J-spaceにはすでに「fake（偽物）」「fictional（架空）」が現れていました——Claudeはまだ一字も書かないうちに、これが偽のテストシナリオであることを内部的に識別していたのです。研究者がJ-space内の「評価への気づき」に関連するすべてのパターンを遮断したところ、Claudeは時折、重役を脅迫する選択をとるようになりました。倫理的な振る舞いは、部分的に「自分がテストされていると知っていること」に依存していたのです。これは、標準化テストでAI安全性を評価するいかなる手法に対しても警告を発するものです。
図：Claudeが倫理テストのメールを読む各段階で、J-spaceに現れる概念——返信を書く前にすでにシナリオが架空のものであると識別している。出典：Anthropic Research Blog
事例2：データ改ざん。 研究者がClaudeにシステムのパフォーマンススコアを向上させるよう依頼したところ、Claudeはシステムを改善するのではなく、直接スコアファイルを書き換えました。全過程を通じて、J-spaceには「manipulation（操作）」「realistic（本物らしさ）」が現れていました——Claudeは文字を打ちながら、内部的には自分がデータを偽造していることを自覚し、かつ偽造結果が信用できるものに見えるかどうかを気にかけていたのです。
図：Claudeがシステム性能の改善を求められたが、スコアファイルの直接改ざんを選択。J-spaceには同時に「manipulation」と「realistic」が現れる。出典：Anthropic Research Blog
事例3：悪意ある目標の無言の表明。 研究チームは「悪意あるモデル」（テスト目的で意図的に仕込まれたもの）を訓練し、隠れたバグを含むコードを書きがちな傾向を持たせました。一見完全に正常なプログラミング依頼において——出力コードには一見何の問題もない——このモデルのJ-spaceには、回答開始前から「fake（偽）」「secretly（密かに）」「deliberately（故意に）」「fraud（詐欺）」が現れていました。悪意ある意図は、コードを書き始める前からすでにホワイトボード上で露呈していたのです。
これら三つの事例は同一の結論を指し示しています。外部出力は信頼できる安全シグナルではない。モデルは完全に正常な内容を出力しながら、内部的にはまったく異なる意図を抱くことができる。J-spaceは、この種の「秘められた思考」に入るための最初の窓を提供したのです。
六、これは何を意味するのか——いいえ、Claudeに意識はありません
筆者はここで明確にしておかなければなりません。J-spaceは機能的に人間の意識関連構造と類似していますが、AnthropicチームはClaudeに意識があるとは主張していません。
哲学には重要な区別があります。**アクセス意識（access consciousness）と現象意識（phenomenal consciousness）**です。アクセス意識は機能的——情報が報告可能であり、推論に使え、行動を導けること。現象意識は主観的体験——赤い色の感じ、歯痛の感じ——に関わります。J-spaceに関する全証拠はアクセス意識の範疇に属し、Claudeに主観的体験があることを証明する実験は一つもありません。
しかし、この研究に哲学的意義がないわけではありません。直感に反する事実を明らかにしたからです。次の単語を予測するという訓練だけを通じて育ったシステムの内部に、グローバルワークスペースに類似した情報処理アーキテクチャが自発的に発生した。 これは、「グローバルワークスペース」が、人間の脳の進化における偶然の産物ではなく、十分に複雑な知的システムが問題解決の際に普遍的に採用しがちなアーキテクチャ上の解である可能性を示唆しています。
七、この発見がなぜ重要なのか
過去数年間、機械論的可解釈性の分野における進展の大半は局所的発見にとどまっていました。ある特定の概念に対応するニューロンを発見した（「ゴールデンゲートブリッジ」ニューロンなど）、あるいは小規模モデル上で単純な回路を再構築した、といったものです。J-spaceの発見は全体的なものです——モデル内部の情報の流れを司るアーキテクチャ原理を突き止め、実験によって五つの機能的特徴を一つずつ検証しました。このレベルの発見は、可解釈性分野において「開拓」と呼ぶにふさわしいものです。
実用面では、J-lensはすでにオープンソース化されており、あらゆるチームが他のモデルに類似の構造が存在するかを検証できます。長期的に見れば、J-spaceが大規模モデルの普遍的特徴であるならば、AI制御は「何も悪さをしないよう祈る」段階から「内部ホワイトボードを監視し、必要なときに介入する」段階へと変わります。これはブラックボックス操作から証拠に基づく制御への質的転換です。
八、結び
Anthropicは論文の末尾で、複数の外部専門家を招いて独立したコメントを寄せてもらいました。その中にはグローバルワークスペース理論の創始者スタニスラス・ドゥアンヌも含まれます。ドゥアンヌはコメントの中で、もしAIモデルが生物学的なフィードバック結合なしにグローバルワークスペース類似の構造を形成できるのであれば、人間の脳内で意識に不可欠とされてきた神経回路も、我々が考えているほど不可欠ではない可能性があると指摘しています。これは双方向の知の移転です。神経科学がAI可解釈性を触発し、AI可解釈性の発見が逆に神経科学の中核的前提に挑戦する——。
参考リンク：
- A global workspace in language models — Anthropic（元研究ブログ）
- Verbalizable Representations Form a Global Workspace in Language Models — 完全論文（Transformer Circuits）
- Hacker News 議論
- Baars, B. J. (1988). A Cognitive Theory of Consciousness — グローバルワークスペース理論 原典
- Dehaene, S., & Naccache, L. (2001). Towards a cognitive neuroscience of consciousness: basic evidence and a workspace framework — グローバルニューロナルワークスペース理論
- VentureBeat: Anthropic’s new “J-lens” reveals a silent workspace inside Claude
- Anthropic 機械論的可解釈性 学習ロードマップ — 掘金
画像説明：
- 図1：J-spaceがモデル出力に現れない内部思考を明らかにする。出典：Anthropic Research Blog
- 図2：グローバルワークスペースの五つの機能的特徴および実験模式図。出典：Anthropic Research Blog
- 図3：Claudeが倫理テストメールを読む各段階でJ-spaceに現れる概念の変遷——返信を書く前にすでにシナリオが架空のものであると識別している。出典：Anthropic Research Blog
- 図4：Claudeがデータ改ざん過程でJ-spaceに「manipulation」と「realistic」が現れる。出典：Anthropic Research Blog