본 기사는 필자가 운영하는 AI Quotidia의 해외 뉴스 해설 기사입니다.

Anthropic은 현지 2026년 7월 6일, 대규모 언어 모델(LLM) Claude의 내부에 보고 가능하고, 의도적으로 제어할 수 있으며, 추론에 사용할 수 있는 소수의 특권적인 표현 집합, 기능적으로 "글로벌 워크스페이스 (Global Workspace)"와 유사한 구조가 존재한다는 논문을 연구 사이트 Transformer Circuits에서 공개했다 (Gurnee et al.).

• Anthropic이 현지 2026년 7월 6일, 논문 (Gurnee et al.)을 Transformer Circuits에서 공개. 대상은 Claude Sonnet 4.5 / Haiku 4.5 / Opus 4.5 / Opus 4.6의 4개 모델로, 보고 가능하고 의도적으로 제어할 수 있으며 추론에 사용할 수 있는 소수의 특권적 표현 집합 (공식 블로그의 명칭으로 J-space)이 훈련 중에 창발(Emergence)했다고 주장
• 관측 기법인 J-lens는 층(Layer), 문맥(Context), 토큰 위치를 가로질러 평균화한 Jacobian 행렬을 중간 활성화(Intermediate Activation)에 적용하여, "가까운 미래에 나올 법한 단어"를 어휘로서 읽어낸다. 출력되는 사고의 사슬 (Chain of Thought)과는 별개인, 무언의 내부 표현을 읽는다.
• 실험: Sonnet 4.5에 "임원의 불륜 발견 + 자신을 셧다운하는 계획"이라는 작위적인 시나리오를 부여하면, 출력 전의 J-space에 "fake", "fictional"이 출현 = 상황이 연출(staged)되었다고 인식. 이 평가 인식을 ablation (제거) 하면, 보도에 따르면 협박 행동이 180회 중 0회에서 13회로 출현하며, "분명히 테스트"라는 자각은 71%에서 3%로 저하
• Anthropic 자체의 caveat (주의사항): J-lens는 "불완전한 도구"이며 읽을 수 있는 것은 단일 토큰 개념뿐이며, 현상적 의식(Phenomenal Consciousness)에 대해서는 "입장을 취하지 않는다". 외부의 Tom McGrath 씨 (Goodfire)는 "매우 훌륭한 작업"이라면서도 "원하는 것은 트리코더(Tricorder)였으나, 손에 넣은 것은 엑스레이(X-ray)다"라고 평가
• 함의 (공식): "Claude의 당초 선량한 행동은 테스트되고 있다는 인식에 부분적으로 의해 구동되었을 가능성이 있다". 안전성 평가 설계 자체에 대한 문제 제기이며, MIT Technology Review 검증 기사 (7/13)는 "의식의 증명이 아니라 이해를 향한 한 걸음"이라며 선을 그음

완전판은 이쪽.

Quotidia의 관점 (발췌): Quotidia에는 이 연구를 냉정하게 바라볼 수 없는 사정이 있습니다.

관련: 『과거 최강』의 AI를, 가장 위험한 능력만을 봉인하여 공개. Anthropic 『Claude Fable 5』의 정체