我现在大概知道为什么 karpathy、一堆 Gemini/OpenAI 出身的核心人员要加入 Anthropic 了——他们可能提前看到了这个 Anthropic 刚发了篇论文，讲了个叫「J-space」的东西 但我今天不想讲技术本身，我想讲一个更底层的问题： 为什么是现在？为什么是这些人？为什么是 Anthropic？ 作为一个做过几年产品的人，我看人才流动有个基本判断框架： 顶级人才跳槽，从来不是因为钱，是因为他们看到了一个自己在原来位置上永远碰不到的东西 Karpathy 离开 OpenAI，NoamShazeer 离开 Google——这些人在原公司都是能调动几千张卡的人。 他们缺的不是资源，是方向感 而 J-space 这篇论文，给出的恰恰是一个方向 简单说一下这东西是什么： Anthropic 在 Claude 的中间层里发现了一组特殊的内部表征，模型会在不输出任何文字的情况下，先把中间推理步骤“存”在这里。 不同的下游模块都能读取这个区域，实现多步推理、规划、甚至自我监控 这不是 chain of thought——那是写在纸上的草稿。 J-space 是脑子里的腹稿，完全静默，完全内部 屏蔽掉这个区域，模型简单对话不受影响，但复杂推理直接归零 但技术细节不是重点。 重点是这件事的产品含义 过去三年，所有大模型公司的竞争逻辑本质上是同一个：堆 scale。 更大的模型、更多的数据、更长的上下文。 这是一条所有人都能看到的路，区别只是谁的卡多 J-space 代表的是另一条路：不是让模型更大，而是理解模型为什么能思考，然后去强化那个结构 这两条路的区别在哪？ 堆 scale 是线性投入。你花 10 亿训出来的东西，别人花 15 亿能超过你 理解结构是复利。一旦你搞清楚“思考发生在哪里”，你就能针对性地强化它、扩展它、让它自我迭代。别人不知道往哪使劲，你每一步都踩在点上 这就是为什么顶级人才会在这个时间点做出选择 在 OpenAI，你能做的事情是：用更多算力把同一条路走得更远 在 Google，你能做的事情是：用更好的工程把同一条路走得更快 在 Anthropic，你能做的事情是：走一条别人还没看到的路 对于已经站在行业顶端的人来说，第三种才是真正的稀缺资源。不是算力稀缺，是认知稀缺 而且论文里有个细节很多人没注意到—— 他们提出了一个叫「反事实反思训练」的技术：不直接训练模型的行为，而是训练它“如果被打断，能说出正确的伦理原则”，结果这些原则会自动写入 J-space，间接改善了实际行为 这意味着什么？他们已经不只是在观察这个空间了，他们在学习如何主动塑造它 从“发现结构”到“操控结构”，这是从基础研究到工程化的跨越。而 Fable/Mythos 在多步推理上的表现飞跃，大概率就是这条路的第一批果实 所以回到最初的问题： 这些人不是在赌 Anthropic 会赢，他们是在赌这条路是对的 如果模型的智能真的有一个可以被理解、被强化的内部结构，那掌握这个理解的团队，就拥有了一种别人用钱买不到的优势