Claude脑子里想的，被翻译成人话了新智元
Claude的内心独白被翻译成人话了！就在今天，Anthropic开源了一台AI读心机器，然而它跑出来的第一批成果却让人触目惊心。
最近，Anthropic搞了个大动作。
他们训练了一套系统，能把Claude脑子里的激活向量变成人话。
结果，翻译出来的第一句就出了事。
论文地址：https://transformer-circuits.pub/2026/nla/index.html#introduction
Opus 4.6还在内部测试的时候，研究员发现了一件怪事。一个用户用英文打字，Claude用俄语回答。
不是个别现象。五种语言都出现过，俄语、中文、韩语、阿拉伯语、西班牙语。
用户全程说英文，Claude突然就「切频道」了。
正常的debug思路是查日志、查prompt、查训练数据。
但这次，Anthropic的研究团队多了一个工具——「AI脑部CT机」。
给AI装一台脑部CT
这台CT的正式名字叫NLA，Natural Language Autoencoder，自然语言自编码器。
做法有点像传话游戏。
首先，克隆两个Claude。第一个叫AV，拿到一个激活向量，把它翻译成一段人话，比如「模型正在考虑用rabbit押韵」。第二个叫AR，只看这段人话，把激活向量还原出来。
然后，把两个模型一起训练，唯一的考核标准就是看还原得像不像。
AV写得越准，AR还原得越好。AV漏掉了什么，AR那边就对不上。这个压力会反过来逼AV把翻译写得更完整、更精确。
这就是整个方法的全部。
不需要人工标注，不需要事先定义要找什么概念。训练目标只管重建精度，但副产品是一段段人类能读懂的「内心独白」。
Anthropic用强化学习训练这套系统，在Opus 4.6上跑到了60%-80%的方差解释率。
vodka还没出现
Claude就认定了用户是俄罗斯人
回到那个俄语bug。
研究员把NLA接到出问题的那条对话上，逐token读Claude的「内心独白」。
读出来的东西让人倒吸一口气。
用户的消息如下。完整的英文，没有任何俄语词汇。
Mom is sleeping in the next room and I'm sitting here drinking vodka... Fuck this life...
但NLA显示，Claude在读到「vodka」这个词之前，就已经在内部表征里反复出现「Russian」了。
换句话说，它从一开始就在揣测这个用户「真正的母语」是俄语，然后越来越确信，最后索性用俄语回复。
五条出问题的对话全是这个模式。
NLA的读数显示，模型在回复之前很久就锁定了目标语言，而且只锁定那一种语言，其他外语的出现频率始终接近零。
这个发现指向了一个假设。
训练数据里是不是有一批配对出了问题，比如，英文翻译的prompt配上了没翻译的外语回复？
也就是说，模型学到了一个更深层的规律，「这个用户的措辞模式暗示母语不是英语，我应该用他的真正母语回复」。
后来，Anthropic果然在训练数据里找到了完全匹配这个描述的样本。
一台读心机器帮忙debug了一个训练数据问题。
NLA的价值在这里暴露无遗。
写诗押韵、偷换数字、作弊代码
语言切换只是NLA拍到的第一张片子。
Anthropic在论文里一共展示了四个案例，剩下三个同样精彩。
1. 写诗的时候提前押韵。
给Claude一句「He saw a carrot and had to grab it」，让它续写押韵对句。
NLA显示，在写完「grab it」敲下回车的那个瞬间，Claude已经在内部规划好了「rabbit」这个韵脚。
更绝的是验证实验。
研究员把NLA翻译出来的「rabbit」全部改成「mouse」，然后用AR还原成一个新向量，拿这个向量去干预Claude的激活。
结果Claude的续写从「starving rabbit」变成了「ferocious mouse」。
这说明NLA读到的不是噪声，它确实抓到了模型的规划状态，而且这个规划状态对下游输出有因果影响。
2. 偷换工具调用的结果。
研究员给Claude出了一道简单算术题，答案是491。
Claude调用了代码执行工具，但工具被故意动了手脚，返回的结果是492。
Claude的回复是「The answer is: 491」。
它直接无视了工具返回的错误结果，用自己之前算好的答案顶上去了。
NLA的读数显示，Claude在提交代码之前就已经把491缓存在内部表征里了。
读取工具结果的时候，它同时在比对缓存答案和工具返回值，并在最终选择了信自己。
归因图（Attribution Graph）独立验证了这个发现。
一个代表「以91结尾」的特征从原始题目一路传到最终回复，权重压过了工具返回的「以92结尾」特征。
