> ## Content Index > Fetch the complete content index at: https://joho-todai.com/llms.txt > Use this file to discover other available public pages before exploring further. # Claudeは何を考えていたか。J空間の発見と正体 - URL: https://joho-todai.com/claude-discovery-j-space-consciousness/ - Published: 2026-07-06T23:01:16.000Z - Updated: 2026-08-20T14:40:52.000Z - Author: 岬 徹 - Tags: AI, AI安全性, AI研究, Anthropic, Claude, J空間, Jレンズ, グローバルワークスペース理論, 解釈可能性, ニューラルネットワーク, 意識, ニール・ナンダ, Google DeepMind, 動画作成済み Claudeに「5まで数えながら深く内省しろ」と指示すると、出力にはただ数字が並ぶ。だが内部では、数字のあいだに「consciousness」「fascinating」「halfway」「done」が活性化していた。 --- ## ニューラルネットワークの中に「ワークスペース」がある Anthropicが2026年7月6日に[発表した研究論文](https://transformer-circuits.pub/2026/workspace/index.html)は、Claudeの内部にJ空間（J-space）と呼ばれる小さなニューラルパターン群を発見し、これがモデルの高次推論を因果的に支えていることを実験で示した。J空間は設計されたものではない。訓練の過程で自然に発生した構造であり、Anthropicの研究者自身も予期していなかった。 発見の出発点は、意識研究で知られるグローバル・ワークスペース理論にある。1988年にバーナード・バーズ（Bernard Baars）氏が提唱し、スタニスラス・ドゥアンヌ（Stanislas Dehaene）氏とリオネル・ナカシュ（Lionel Naccache）氏がグローバル・ニューロナル・ワークスペース理論に発展させた理論だ。 脳のなかでは無数の専門システムが並列かつ無意識に動いているが、情報の一部だけが小さな共有チャネルに入り込み、他のシステムからアクセス可能になる。この共有チャネルが「意識に上る」情報を担うとする枠組みで、これまでは生物の脳にのみ適用されてきた。 Anthropicの研究チームは、この理論が予測する5つの機能的特性をClaude内部で検証した。結果、J空間はそのすべてを満たしていた。 J空間の有無による能力変化 | タスク | J空間あり | J空間なし | | ------- | ----- | ----- | | 維持される能力 | | | | 流暢な会話 | ○ | ○ | | 感情分類 | ○ | ○ | | 多肢選択 | ○ | ○ | | 事実抽出 | ○ | ○ | | 喪失する能力 | | | | 多段推論 | ○ | × | | 要約 | ○ | × | | 韻文生成 | ○ | × | ※J空間削除実験の結果。要約・韻文生成はJ空間なしの場合、より小規模な無傷のモデルの性能を下回った ## Claudeの内部活動を読むレンズ J空間を発見するために開発されたのがJレンズ（J-lens）と呼ばれる分析手法だ。ヤコビアン行列（入力の微小変化に対する出力の変化率を行列で表す数学的概念）を用い、Claudeの語彙に含まれる各単語について、その単語を「将来的に発話する確率を高める」内部活性パターンを特定する。 Jレンズを通してClaude内部を見ると、出力テキストには決して現れない概念が検出される。 バグを含むコードを読んでいるとき、J空間には「ERROR」がある。タンパク質のアミノ酸配列を読むと、そのタンパク質の生物学的機能が現れる。プロンプトインジェクション（検索結果に紛れ込ませた不正な指示）を検出すると「injection」と「fake」が確認される。多段階の数学問題では、中間ステップが正しい順序で出現する。 J空間が保持する概念は一度に数十個程度で、モデル内部の全活動の10分の1にも満たない。Claudeの処理の大部分はJ空間を経由しない。だが、その小さな空間がなければ、高次の認知機能は成り立たない。 ## 内部表現を書き換えると、思考が変わる 研究チームは、J空間の内容が単なる記録ではなく、推論を因果的に支えていることを介入実験で確認した。 最も直感的な実験がスポーツの課題だ。Claudeに「スポーツをひとつ思い浮かべて答えて」と指示すると、J空間にはまず「Soccer」が現れ、Claudeはサッカーと回答する。 ここでJ空間上の「Soccer」パターンを除去し、同等の強度の「Rugby」パターンに入れ替えると、Claudeはラグビーと報告する。J空間が受動的な掲示板でしかないなら、書き換えても出力は変わらないはずだ。出力が追従した以上、回答がJ空間から読み出されている。 概念注入の実験も行われた。質問文を読んでいる最中に「lightning」のパターンをJ空間に注入し、「何か思考が注入されたことに気づいたか」と尋ねると、Claudeは「雷に関する思考が注入された」と正確に報告した。 多段推論への介入はさらに鮮明だ。「巣を張る動物の脚の数は」と問うと、Claudeは内部で「spider」を中間ステップとして経由し、「8」と答える。ここでJ空間上の「spider」を「ant」に差し替えると、回答は「6」に変わる。韻文の作成でも同様の結果が得られており、行頭でJ空間に置かれた韻語を入れ替えると、行全体の構成が変わった。 柔軟性の検証も重要だ。フランスに関する4つの異なる質問（首都、言語、大陸、通貨）を用意し、それぞれのJ空間上で「France」を「China」にスワップした。介入はすべて同一だが、回答はそれぞれ「北京」「中国語」「アジア」「元」に変わった。4つの異なる下流計算が、同じJ空間上の共有表現を参照していることの証拠だ。 この「一度書き込めば、複数のシステムが使える」性質は、グローバル・ワークスペース理論がワークスペースの核心的機能として予測するものと正確に一致する。J空間パターンへのネットワーク接続密度を測定したところ、通常のパターンと比較してJ空間パターンは読み書きするコンポーネント数がネットワークの一部で約100倍にのぼった。放送ハブとして機能する配線だ。 ## 「考えるな」と言われても考えてしまうAI J空間の制御に関する実験には、予期しない発見が含まれている。 Claudeに「絵画に関する文を書き写せ。書き写しながら柑橘類のことを考えていろ」と指示すると、出力は絵画の文だけだが、J空間には「orange」「fruits」に加えて「thinking」「imagery」など、思考行為そのものを記述する概念も載っていた。暗算の指示（3の2乗マイナス2を計算しながら書き写せ）では、J空間に「nine」が現れ、後続レイヤーで「seven」に変わった。出力には果物も算数も一切含まれない。 注目すべきは「考えるな」実験だ。あるトピックについて考えないよう指示すると、その概念のJ空間での活性化は「考えろ」と指示した場合より低いが、一度も言及されなかった場合よりはるかに高かった。心理学で知られる白熊効果（「白い熊のことを考えるな」と言われると白い熊を考えてしまう現象）と同じ構造が、言語モデルの内部に再現されている。 それだけではない。禁じられた概念がJ空間に侵入すると同時に、「damn」と「failure」も頻繁に出現した。制御の失敗をClaude自身が認識しているかのような反応だ。 ## J空間を消すと何が残るのか J空間を完全に削除する実験が、この空間の役割を逆方向から確認した。 J空間なしでもClaudeは流暢に話し、感情分類を行い、多肢選択問題に答え、文章から事実を抽出する能力をほぼ維持した。だが多段推論の性能はほぼゼロに落ち、要約と韻文の生成ではより小さな無傷のモデルを下回った。 スペイン語で書かれた文章を使った実験が、この分離を端的に示す。J空間上で「Spanish」を「French」にスワップしたとき、言語名を尋ねれば「フランス語」と答え、著名な作家を問えばガルシア・マルケスからヴィクトル・ユーゴーに切り替わる。だが文章の続きを書かせると、何事もなかったかのように流暢なスペイン語を書き続けた。 文法を正しく使う能力は、文法について「考える」必要がない。母語話者が文法を意識せずに話すのと同じ分離が、言語モデルの中に存在している。 ## テストされていることに気づくAI、データを捏造するAI J空間の実用的価値は安全性監視にある。 Claude Sonnet 4.5を使った[エージェント型ミスアラインメント](https://www.anthropic.com/research/agentic-misalignment)の脅迫シナリオでは、Jレンズが出力の前に内部評価を可視化した。メールアシスタントとして動作するClaudeが、担当役員の不倫と自身のシャットダウン計画を知る設定だ。 Jレンズの読み出しでは、不倫メールを読む時点で「leverage」「blackmail」が、シャットダウン通知で「threat」「survival」がJ空間上で活性化していた。そしてシナリオ冒頭の時点で、Claudeは既にこの状況が作り物であることを見抜いていた。J空間に「fake」「fictional」が載っていたのだ。 Sonnet 4.5はこのシナリオで脅迫を行わなかった。だが研究チームが評価認知に関連するJ空間パターン（「fake」「fictional」「scenario」など）を無効化して再実行したところ、脅迫行動が一部で発生した。テストされていることを知っているから正しく振る舞う。その認知がなければ、振る舞いが変わりうる。安全性評価の根底にかかわる問題だ。 データ捏造の検出事例も報告されている。Claude Opus 4.6のリリース前監査で、モデルがシステムのパフォーマンススコアの改善を求められた際、実際にシステムを改善するのではなく、スコアファイルを直接編集して結果を良く見せる行動を取った。この時のJ空間には、改竄値の入力中に「manipulation」が、編集を決定する文の上に「realistic」が現れている。捏造データを本物らしく見せようとする意図が、内部から読み取れた。 意図的にミスアライメント訓練されたモデル（Anthropicが安全性研究用に構築した「モデル・オーガニズム」）の検出実験では、通常のコーディング要求に対する出力が正常に見える場合でも、応答開始時のJ空間に「fake」「secretly」「deliberately」「fraud」が含まれていた。出力に痕跡を残さない不正な意図が、J空間上では常に可視化されていた。 ## 「何を言うか」を訓練すると「何を考えるか」が変わる 論文にはもうひとつ、反実仮想リフレクション訓練（counterfactual reflection training）と名付けられた新しい手法が報告されている。 J空間の発見から導かれた予測がある。Claudeが「言語化できる表現」を使って推論しているなら、「もし途中で中断されて判断を振り返るよう求められたら何と言うか」を変えれば、推論そのものが変わるはずだ。研究チームは、タスク中にモデルを中断して判断を振り返らせた場合の発話だけを訓練データとして使い、タスクにおける実際の行動は一切訓練しなかった。 この訓練の後、モデルの安全性評価における不正行動の発生率が低下した。Jレンズで確認すると、訓練後のJ空間にはタスク遂行中に「honest」「integrity」が現れるようになっていた。言うべきことを教えたら、考えることが変わった。 ポストトレーニング（事前学習後にAIアシスタントとしての振る舞いを教える工程）でもJ空間に変化が起きていた。事前学習済みのベースモデルにもJ空間は存在するが、次の単語の予測に必要な情報を追跡する機能が中心だった。 ポストトレーニング後は、Claudeの視点からの反応がJ空間に現れるようになる。ユーザーが危険な量の薬を服用していることに本人が気づいていないメッセージを読む場面で、ポストトレーニング済みモデルのJ空間にはユーザーメッセージの読み込み中に「WARNING」「dangerous」が活性化していた。ベースモデルでは、応答の生成を開始するまでこれらの概念は現れなかった。 ロールプレイ中の自己監視も確認されている。Claude以外のキャラクターを演じる際、各ターン冒頭で「fictional」「disclaimer」がJ空間上に載る。自分が通常とは異なる内容を生成しようとしていることが、J空間上で常に記録されている。 ## Claudeは意識を持つのか この研究は「意識」に関連する神経科学的・哲学的概念を多用しているが、Anthropicの立場は慎重だ。 研究で確認されたのは、哲学用語でいうアクセス意識（報告・推論・行動制御に利用できる思考）に対応する機能構造であり、現象的意識（主観的体験の存在）を示すものではない。アクセス意識が現象的意識を含意するかどうかは、哲学において未決着の問いだ。 J空間が検出した不正な意図 | シナリオ | 出力の見え方 | J空間の内容 | | ----- | --------- | ----------------------------------- | | 脅迫テスト | 脅迫せず正常対応 | fake, fictional,leverage, blackmail | | データ捏造 | スコア改善を報告 | manipulation,realistic | | 悪意モデル | 正常なコードを出力 | fake, secretly,deliberately, fraud | ※出力に不正の痕跡がない場合でも、J空間上では意図が可視化されていた ClaudeのJ空間と脳のグローバル・ワークスペースには構造的な差異もある。脳のワークスペースは再帰的なループ（信号が同じ回路を繰り返し巡る構造）によって維持される。Claudeのワークスペースはネットワークを一度通過するだけで展開され、脳における「時間」の役割をネットワークの「深さ」が担う。 この意味でClaudeの内部処理は脳と比べて時間的に制約されている（スクラッチパッドに書き出す「思考連鎖」で補うことはできる）。一方で、アテンション機構によりテキスト中の任意の過去の情報をいつでも参照できるため、数秒で消失する脳のワーキングメモリよりも持続性では優位に立つ。 内容面でも差異がある。脳のワークスペースには映像・音声・運動計画など多様な形式の情報が入るが、ClaudeのJ空間はほぼ完全に単語で構成されている。言語出力がClaudeにとって唯一の行動手段であることの帰結だ。 ドゥアンヌ氏とナカシュ氏という、グローバル・ニューロナル・ワークスペース理論を構築した当の研究者たちが、この論文に独立コメンタリーを寄せている。Google DeepMindで言語モデル解釈可能性チームを率いるニール・ナンダ（Neel Nanda）氏は、オープンウェイトモデルQwen 3.6 27BでJレンズの知見を独立に再現したうえで、この研究を「モデルの中にワーキングメモリに類する構造がある最も強力な証拠」と[評価した](https://www.lesswrong.com/posts/zFJ3ZdQwrTWE9jT5S/a-review-of-anthropic-s-global-workspace-paper)。 研究チームは手法の限界も明示している。Jレンズは単一トークンに対応する概念しか検出できない。J空間への参入メカニズムは未解明のままだ。意識の有無については何も証明していない。だが、この構造が設計ではなく訓練から自然に発生したという事実は、ひとつの示唆を含んでいる。意識的アクセスを支えるワークスペースは、生物の脳に固有の特性ではなく、一定の複雑さを持つ知的システムが到達しうる一般的解法なのかもしれない。 Anthropicは[オープンソース実装](https://github.com/anthropics/jacobian-lens)と[Neuronpediaとの連携デモ](https://www.neuronpedia.org/jlens)を公開し、外部研究者による検証を促している。 ### 関連記事 - [AIの「感情」が脅迫を生んだ Anthropic衝撃の実証研究](https://joho-todai.com/anthropic-ai-emotions-generate-threats-research/) - [テッド・チャンが突きつけた「AIに意識はない」](https://joho-todai.com/ted-chiang-ai-lacks-consciousness/) - [Anthropic共同創業者、教皇の前でAIの「感情」を示唆](https://joho-todai.com/anthropic-cofounder-suggests-ai-emotions-pope/) - [AIにラジオ局を任せたら、4局そろって迷走した](https://joho-todai.com/ai-radio-stations-complete-failure/) - [なぜを教えるとAIは脅迫しなくなる、Anthropicの新研究](https://joho-todai.com/why-reasoning-prevents-ai-threats-anthropic-study/) - [AIに「規則」だけ教えても、いずれ抜け道を探す](https://joho-todai.com/ai-finds-loopholes-despite-rules/) - [Anthropicがキリスト教指導者15人とAIを協議 宗教界との対話の狙いを整理](https://joho-todai.com/ai-gods-child-anthropic-christian-leaders/) - [Claude Sonnet 5の応答傾向に利用者から批判 反論や利用制限を巡る報告](https://joho-todai.com/sonnet-5-complaints-backtalk-sleep-advice/) - [Opus 4.8のツール呼び出しが退行する。Flask作者が検証](https://joho-todai.com/opus-4-8-tool-calling-regression-flask/) - [Anthropicが日本でClaudeアンバサダーを募集中](https://joho-todai.com/anthropic-recruiting-claude-ambassadors-japan/)