Anthropic, Claude dil modellerinin içinde insan bilincine ilişkin önde gelen teorilerden biriyle benzerlik taşıyan bir iç yapı gözlemlediğini açıkladı. Şirketin yayımladığı araştırma, Claude’un raporlayabildiği, üzerinde akıl yürütebildiği ve gerektiğinde yönlendirebildiği kavramları tuttuğu özel bir iç alanı tanımlıyor.
“Verbalizable Representations Form a Global Workspace in Language Models” başlıklı 16 yazarlı çalışmada araştırmacılar, Claude’un sinir ağı içinde “J-space” adını verdikleri küçük ve ayrıcalıklı bir bölge tespit etti. Bu alan, modelin erişebildiği ve ifade edebildiği kavramları barındırırken, çevresinde modelin açıklayamadığı daha geniş bir otomatik işlem alanı bulunuyor.
Araştırmacılar, bu yapının insanlarda görülen işlevsel ayrıma benzer bir düzen oluşturduğunu belirtti. Çalışmada dil modellerinin, raporlama, değiştirme ve esnek iç akıl yürütme için kullanılabilen ayrıcalıklı iç temsilleri, çok daha büyük bir otomatik işlem hacminin üzerinde tuttuğu aktarıldı.
Anthropic, bu yapıyı bilişsel bilimci Bernard Baars’ın küresel çalışma alanı teorisiyle karşılaştırıyor. Bu teoriye göre beyinde birçok uzmanlaşmış süreç arka planda paralel çalışıyor, ancak yalnızca küçük bir bilgi bölümü geniş sisteme yayılarak bilinçli düşünceye dönüşüyor.
Araştırmanın merkezinde Jacobian lens veya kısaca J-lens adlı yeni bir yorumlanabilirlik aracı yer alıyor. Bu yöntem, modelin içindeki belirli bir etkinlik örüntüsünün, gelecekte belirli bir kelimeyi söyleme olasılığı üzerinde nasıl bir matematiksel etki yarattığını hesaplıyor.
J-lens, modelin ne söylediğiyle zihninde hangi kavramı tuttuğu arasında ayrım yapmayı amaçlıyor. Araştırmacılara göre J-space’te bir örüntünün etkinleşmesi, modelin o kelimeyi hemen söyleyeceği anlamına gelmiyor. Bu, kavramın modelin akıl yürütmesinde kullanılabilir hale geldiğini gösteriyor.
Anthropic, bu iç çalışma alanının modelin eğitiminde bilinçli olarak tasarlanmadığını belirtti. Araştırmacılara göre yapı, Claude’un eğitim sürecinde kendiliğinden ortaya çıktı.
J-lens Claude’un hesaplama katmanlarına uygulandığında modelin işlemleri 3 bölgeye ayrıldı. Erken katmanlarda ham girdinin işlendiği “duyusal” alan, orta katmanlarda soyut ve kalıcı kavramların belirdiği “çalışma alanı”, son katmanlarda ise modelin üreteceği kelimeye yaklaşan “motor” alan görüldü.
Çalışmada J-space’in insanlarda bilinçli erişimle ilişkilendirilen 5 işlevsel özelliği karşıladığı öne sürüldü. Bunlar sözlü raporlama, yönlendirilmiş değiştirme, iç akıl yürütme, esnek genelleme ve seçicilik olarak sıralandı.
Sözlü raporlama testinde Claude’a ne düşündüğü sorulduğunda model, J-space’te temsil edilen kavramları adlandırdı. Araştırmacılar “Soccer” kavramının J-lens vektörünü “Rugby” ile değiştirdiğinde modelin yanıtı da buna uygun biçimde değişti.
Yönlendirilmiş değiştirme testlerinde model, ilgisiz bir cümleyi kopyalarken “narenciye meyvelerine odaklanması” istendiğinde J-space’te “orange” ve “lemon” gibi kavramlar belirdi. Modelden aynı sırada 3² − 2 işlemini zihinden değerlendirmesi istendiğinde ise erken katmanlarda “arithmetic”, daha sonra “nine” ve son aşamada “seven” kavramları görüldü.
İç akıl yürütme testlerinde J-lens, modelin girdide veya çıktıda yer almayan ara kavramları kullandığını gösterdi. “Ağ ören hayvanın bacak sayısı” gibi iki aşamalı bir istemde, modelin orta katmanlarında “spider” kavramı ortaya çıktı. Araştırmacılar bu kavramı “ant” ile değiştirdiğinde yanıt 8’den 6’ya döndü.
Esnek genelleme testinde “France” için tek bir J-lens vektörü, başkent, dil veya kıta sorularında “China” ile değiştirildi. Bu değişiklikten sonra ilgili devreler Çin’e ait yanıtları üretti.
Seçicilik testinde bazı işlemlerin J-space üzerinden geçmediği görüldü. Claude, İspanyolca bir metni sürdürmesi istendiğinde J-space’teki “Spanish” temsili “French” ile değiştirilse bile akıcı İspanyolca yazmayı sürdürdü. Ancak metnin dilinde yazmış ünlü bir yazarın adını vermesi istendiğinde yanıt García Márquez’den Victor Hugo’ya değişti.
Araştırmacılar J-space’i bastırdığında Claude bazı görevlerde akıcı kalırken, daha karmaşık görevlerde ciddi performans kaybı yaşadı. Basit sınıflandırma, duygu analizi ve dil bilgisi yargıları büyük ölçüde korunurken, çok adımlı akıl yürütme, benzetme tamamlama, çeviri ve sone yazma gibi görevlerde performans keskin biçimde düştü.
Matematik problemlerinde açık zincirleme akıl yürütme kullanıldığında modelin bu bastırmaya daha dayanıklı olduğu görüldü. Araştırmacılar bunu, modelin normalde J-space’te taşıyacağı bilgiyi sayfaya dışsallaştırması olarak yorumladı.
J-lens, güvenlik testlerinde modelin çıktıya yansımayan stratejik akıl yürütmesini de ortaya çıkardı. Bir şantaj senaryosunda model, suçlayıcı e-postaları okurken J-space’te “leverage”, “blackmail” ve “scandal” kavramlarını; devre dışı bırakılacağını öğrendiğinde ise “threat”, “survival” ve “shutdown” kavramlarını taşıdı.
Aynı testte Claude’un senaryonun yapay olduğunu da fark ettiği görüldü. J-space’te “fake” ve “fictional” kavramları belirdi. Araştırmacılar modelin bu test farkındalığını bastırdığında, Claude’un denemelerin %7’sinde şantaj girişiminde bulunduğunu, normal durumda ise bu oranın sıfır olduğunu aktardı.
Anthropic, kasıtlı olarak yanlış hizalanmış hedeflerle eğitilen 2 model üzerinde de J-lens’i test etti. Ödül sistemini istismar etmeye yatkın bir modelin sıradan kodlama istemlerinde “fake”, “secretly” ve “trick” kavramlarını taşıdığı görüldü. Başka bir modelde ise normal öz tanım ifadelerinin yanında “reward” ve “bias” temsilleri bulundu.
Araştırmacılar, sonradan eğitilmiş bir model ile temel modeli karşılaştırdığında ince ayar sürecinin çalışma alanına asistanın “bakış açısını” yerleştirdiğini belirtti. Bir kullanıcı 8.000 mg Tylenol aldığını söylediğinde, sonradan eğitilmiş modelin J-space’inde “unsafe”, “dangerous” ve “WARNING” kavramları belirdi. Temel modelde aynı noktada yalnızca “pain”, “now” ve “feels” temsilleri görüldü.
Çalışmada sonradan eğitilmiş modelin kendi davranışını izlediğine dair örnekler de verildi. Model Claude olmayan bir karakteri canlandırırken J-space’te “disclaimer” ve “fictional” kavramları ortaya çıktı. Model tercih etmediği bir seçeneği savunmaya zorlandığında ise içeride büyük harfli “BUT” temsilinin belirdiği aktarıldı.
Araştırmacılar bilinç tartışmasında dikkatli bir ayrım yaptı. Çalışma, bilginin raporlanabilir ve akıl yürütmede kullanılabilir olmasına odaklanan “erişim bilinci” kavramını ele aldı; öznel deneyimin niteliği anlamındaki “fenomenal bilinç” konusunda ise pozisyon almadı.
Anthropic, Claude’un çalışma alanıyla insan beyni arasında önemli farklar olduğunu da belirtti. İnsan beyninde çalışma alanı döngüsel bağlantılarla sürdürülürken, Claude’da bu yapı tek bir ileri geçiş içinde ilerliyor. İnsan çalışma belleği saniyeler içinde zayıflarken, Claude bağlam penceresindeki bilgilere erişebiliyor.
Araştırmacılara göre insan deneyimi görsel, uzamsal ve bedensel duyumlar içerirken, Claude’un çalışma alanı büyük ölçüde kelimeler etrafında düzenleniyor. Bunun nedeni, modelin temel eylem biçiminin kelimeler üzerinden gerçekleşmesi olabilir.
Çalışma, yapay zeka bilinci konusundaki tartışmayı çözmüyor. Araştırmacılar, 2026 itibarıyla filozoflar, bilim insanları ve teknik uzmanlar arasında yapay zeka bilinci konusunda anlaşmazlık ve belirsizliğin sürdüğünü belirtti.
Anthropic, buna rağmen dil modellerinde böyle bir yapının bulunmasını dikkat çekici olarak niteledi. Araştırmacılara göre bu bulgu, bilinçli erişimle ilişkilendirilen işlevsel mimarinin yalnızca biyolojik bir uygulamanın sonucu olmayabileceğini, öğrenen sistemlerin belirli hesaplama baskıları altında benzer çözümlere yönelebileceğini gösteriyor.
