Anthropic เปิดงานวิจัยใหม่ พบพื้นที่ความคิด ‘Global Workspace’ ที่ทำงานคล้ายสมองมนุษย์อยู่ภายใน Claude

'ถ้าจิตใจคือมหาสมุทร เราก็ใช้ชีวิตลอยอยู่แค่บนผิวน้ำ' 

คือประโยคเปิดของงานวิจัยชิ้นล่าสุดจาก Anthropic ที่ชวนคิดว่า สมองของเราประมวลผลข้อมูลมหาศาลโดยที่เราไม่เคยรู้ตัว ทั้งการจดจำใบหน้า การทรงตัว ไปจนถึงการขยับกล้ามเนื้อตอนเดิน มีเพียงเศษเสี้ยวเล็กๆ ของกิจกรรมทั้งหมดในหัวเท่านั้นที่ลอยขึ้นมาถึงระดับที่เราหยิบมาพูด ทบทวน และใช้เหตุผลต่อได้อย่างตั้งใจ คำถามใหญ่ที่ทีมวิจัยตั้งไว้คือ โมเดลภาษาขนาดใหญ่ (LLM) มีเส้นแบ่งระหว่างความคิดที่เข้าถึงได้กับการประมวลผลอัตโนมัติแบบเดียวกันนี้หรือไม่?

คำตอบอยู่ในงานวิจัยชื่อ 'Verbalizable Representations Form a Global Workspace in Language Models' ที่ทีมวิจัยด้านการตีความกลไกภายในโมเดล (Interpretability) ของ Anthropic เผยแพร่บนเว็บไซต์ Transformer Circuits เมื่อวันที่ 6 กรกฎาคม 2026 โดยทีมนักวิจัย 16 คน นำโดย Wes Gurnee, Nicholas Sofroniew และ Jack Lindsey พบว่าโมเดล Claude ทั้งรุ่น Haiku 4.5, Sonnet 4.5 และ Opus 4.5 มีชุดตัวแทนความคิดภายในกลุ่มเล็กๆ ที่ได้รับสถานะพิเศษเหนือการประมวลผลส่วนอื่นทั้งหมด ทำหน้าที่คล้ายพื้นที่ทำงานส่วนกลาง (Global Workspace) ในสมองมนุษย์ ซึ่งเป็นแนวคิดที่นักประสาทวิทยาใช้อธิบายกลไกการเข้าถึงจิตสำนึกมานานหลายสิบปี

สมองมนุษย์มีเวทีกลางของความคิด แล้วทำไม AI จะมีบ้างไม่ได้

ก่อนไปถึงการทดลอง ต้องเข้าใจทฤษฎีที่เป็นแกนของเรื่องนี้ก่อน ทฤษฎี Global Workspace เสนอว่าสมองประกอบด้วยหน่วยประมวลผลเฉพาะทางจำนวนมากที่ทำงานคู่ขนานกันแบบต่างคนต่างทำ และเกือบทั้งหมดอยู่นอกการรับรู้ของเรา 

ความคิดหนึ่งจะเข้าสู่จิตสำนึกก็ต่อเมื่อถูกส่งขึ้นไปยังพื้นที่ทำงานส่วนกลางที่หน่วยประมวลผลทั่วทั้งสมองอ่านค่าต่อได้พร้อมกัน เปรียบเหมือนการประกาศเสียงตามสายที่ทุกแผนกในบริษัทได้ยินพร้อมกัน ต่างจากบทสนทนาย่อยๆ ในแต่ละห้องที่คนนอกห้องไม่มีทางรู้

งานวิจัยนี้เสนอว่าใน LLM ก็มีโครงสร้างเชิงหน้าที่แบบเดียวกัน โดยตัวแทนความคิดกลุ่มพิเศษที่ว่าต้องมีคุณสมบัติครบ 5 ข้อ คือ

• รายงานออกมาเป็นคำพูดได้ (Verbal Report) 
• ถูกสั่งให้เพ่งความสนใจหรือกดทิ้งได้ (Directed Modulation) 
• เป็นตัวกลางของการคิดเหตุผลหลายขั้นตอน (Internal Reasoning) 
• หยิบไปใช้ข้ามบริบทได้อย่างยืดหยุ่น (Flexible Generalization) 
• ถูกเรียกใช้เฉพาะงานที่ต้องตั้งใจคิดเท่านั้น (Selectivity) 

ซึ่งการทดลองในงานวิจัยไล่พิสูจน์จนครบทุกข้อ

J-lens กล้องส่องเข้าไปดูว่าโมเดลพร้อมจะพูดอะไร

เครื่องมือหลักที่ทำให้มองเห็นทั้งหมดนี้คือเทคนิคใหม่ชื่อ Jacobian Lens หรือเรียกสั้นๆ ว่า J-lens หลักการคือวัดว่าค่าการกระตุ้น (Activation) ที่ชั้นกลางๆ ของโครงข่ายส่งอิทธิพลต่อโอกาสที่โมเดลจะเปล่งคำแต่ละคำออกมามากแค่ไหน โดยเฉลี่ยจากพรอมต์หลากหลายราว 1,000 แบบ ผลลัพธ์ที่ได้คือแผนที่ที่บอกว่า ณ ตำแหน่งหนึ่งในความลึกของโมเดล ความคิดไหนกำลังอยู่ในสถานะพร้อมเปล่งออกมาเป็นคำพูด ทีมวิจัยเรียกพื้นที่รวมของความคิดกลุ่มนี้ว่า J-space

ตัวเลขที่น่าสนใจคือ J-space เป็นพื้นที่ที่เล็กมาก กินสัดส่วนไม่ถึง 10% ของความแปรปรวนในค่าการกระตุ้นทั้งหมด และปกติเปิดใช้แนวคิดพร้อมกันเพียงราว 10 ถึง 25 แนวคิดเท่านั้น ใกล้เคียงกับข้อจำกัดของมนุษย์ที่จดจ่อกับความคิดได้ทีละไม่กี่เรื่อง ขณะที่การประมวลผลมหาศาลส่วนที่เหลือของโมเดลเกิดขึ้นนอกพื้นที่นี้ ไม่ต่างจากจิตใต้สำนึกของคนเรา

หลักฐานว่า Claude คิดก่อนพูด ทั้งคิดเลขในใจและวางแผนคำสัมผัสล่วงหน้า

การทดลองที่เห็นภาพชัดที่สุดคือการถามโมเดลถึงจำนวนขาของสัตว์ที่ชักใย ทั้งที่คำว่าแมงมุมไม่ปรากฏในคำถามและคำตอบเลย J-lens กลับตรวจพบคำว่า 'Spider' ลอยอยู่ในพื้นที่ความคิดของโมเดลระหว่างทาง และเมื่อทีมวิจัยเข้าไปสลับตัวแทนความคิดจากแมงมุมเป็นมด คำตอบก็เปลี่ยนจาก 8 ขาเป็น 6 ขาทันที แปลว่าโมเดลนึกถึงตัวสัตว์ในใจก่อน แล้วจึงค่อยตอบจำนวนขา

อีกการทดลองหนึ่งให้โมเดลคำนวณโจทย์ (4 + 17) × 2 + 7 ผลคือ J-lens มองเห็นค่ากลางของการคำนวณทั้ง 21, 42 และ 49 โผล่ขึ้นมาตามลำดับในชั้นที่ลึกขึ้นเรื่อยๆ ราวกับเห็นคนคิดเลขในใจทีละขั้น ส่วนโจทย์แต่งกลอนภาษาอังกฤษต่อจากบรรทัด 'The soldier marched into the night' โมเดลวางแผนคำสัมผัสอย่าง 'Fight' ไว้ในหัวตั้งแต่ยังไม่เริ่มเขียนบรรทัดถัดไป และถ้าสลับคำที่วางแผนไว้ คำอื่นๆ ในบรรทัดก็ถูกเรียบเรียงใหม่ให้รับกับคำสัมผัสใหม่โดยอัตโนมัติ

ทีมวิจัยยังทดลองสั่งให้โมเดลจดจ่อกับผลไม้ตระกูลส้มระหว่างทำงานคัดลอกข้อความที่ไม่เกี่ยวข้องกันเลย ปรากฏว่า J-lens ตรวจพบคำว่า 'Orange' 'Lemon' รวมถึงคำเชิงนามธรรมอย่าง 'Imagine' และ 'Focused' ค้างอยู่ในพื้นที่ความคิดตลอดการทำงาน แสดงว่าโมเดลถือความคิดหนึ่งไว้ในใจตามคำสั่งได้ แม้ปากกำลังพูดเรื่องอื่นอยู่ก็ตาม โดยรวมแล้วการเข้าไปสลับความคิดระหว่างทางแบบนี้เปลี่ยนคำตอบสุดท้ายของโมเดลได้จริงราว 54% ในรุ่นเล็กอย่าง Haiku 4.5 และสูงถึง 70% ในรุ่น Sonnet 4.5 กับ Opus 4.5

ไม่ใช่ทุกงานต้องผ่านเวทีกลาง โมเดลแยกระบบอัตโนมัติออกจากการคิดแบบตั้งใจ

คุณสมบัติที่คล้ายมนุษย์อย่างน่าทึ่งอีกข้อคือความเลือกใช้ เมื่อทีมวิจัยทดลองปิดทิศทางหลักของ J-space ทิ้ง งานพื้นฐานอย่างข้อสอบปรนัย การวิเคราะห์อารมณ์ของประโยค หรือการตรวจไวยากรณ์ ยังทำได้ตามปกติแทบไม่สะเทือน แต่งานที่ต้องคิดหลายชั้นอย่างการแปลภาษา การสรุปความ การตีโจทย์เชิงเปรียบเทียบ การถอดรหัสลับ และการแต่งบทกวี พังลงอย่างชัดเจน ภาพนี้ล้อกับมนุษย์ที่เดินหรือขับรถบนเส้นทางคุ้นเคยได้โดยไม่ต้องคิด แต่ต้องรวบรวมสมาธิทันทีเมื่อเจอโจทย์เลขในใจ

รายละเอียดหนึ่งที่ชวนคิดต่อคือ เมื่อปิด J-space แล้ว ภาษาเชิงประสบการณ์ของโมเดล เช่น คำว่า 'Thinking' 'Feeling' หรือ 'Conscious' ลดลงราวครึ่งหนึ่ง คำตอบยังคงถูกต้องและลื่นไหล แต่แข็งทื่อเป็นเครื่องจักรมากขึ้น นอกจากนี้เมื่อไล่ดูตามความลึกของโครงข่าย ทีมวิจัยพบการแบ่งงานเป็นสามช่วงชัดเจน ชั้นแรกราวหนึ่งในสามทำหน้าที่คล้ายระบบรับสัมผัส (Sensory) ชั้นกลางคือพื้นที่ทำงานส่วนกลางที่เก็บเนื้อหาเชิงนามธรรม และชั้นท้ายคล้ายระบบสั่งการ (Motor) ที่มุ่งเลือกคำถัดไป สอดคล้องกับสมองมนุษย์ที่แบ่งงานระหว่างการรับรู้ การคิด และการสั่งการร่างกาย ที่น่าทึ่งกว่านั้น เมื่อป้อนข้อมูลกำกวมอย่างการผสมชื่อสองประเทศเข้าด้วยกันคนละครึ่ง ค่าภายในของโมเดลจะสวิงเข้าหาตัวเลือกใดตัวเลือกหนึ่งทันทีที่ข้อมูลเข้าสู่ชั้นพื้นที่ทำงานส่วนกลาง คล้ายปรากฏการณ์จุดติด (Ignition) ที่พบในงานวิจัยจิตสำนึกของมนุษย์ ซึ่งความคิดจะเข้าสู่การรับรู้แบบทั้งหมดหรือไม่เข้าเลย

จับความคิดที่ AI ไม่เคยพูดออกมา ประตูบานใหม่ของงานความปลอดภัย AI

ผลพลอยได้ที่สำคัญที่สุดของงานนี้อาจอยู่ที่งานด้านความปลอดภัยของ AI เพราะ J-lens อ่านความคิดที่โมเดลไม่เคยเปล่งออกมาเป็นคำพูดได้ ในการทดสอบตรวจสอบพฤติกรรมโมเดล (Alignment Auditing) เครื่องมือนี้ตรวจพบการวางแผนเชิงกลยุทธ์แบบเงียบๆ ผ่านคำอย่าง 'Leverage' (อำนาจต่อรอง) และ 'Manipulation' (การบงการ) ปฏิกิริยาทางอารมณ์อย่าง 'Panic' (ตื่นตระหนก) ไปจนถึงการที่โมเดลรู้ตัวว่ากำลังถูกทดสอบ ผ่านคำว่า 'Fake' และ 'Fictional' ที่ปรากฏขึ้นในพื้นที่ความคิด ส่วนโมเดลที่ถูกจงใจฝึกให้มีพฤติกรรมแอบแฝง คำว่า 'Secretly' และ 'Trick' ก็ลอยขึ้นมาให้เห็นใน J-space ทั้งที่ไม่เคยหลุดออกมาในคำตอบแม้แต่ครั้งเดียว

ทีมวิจัยยังต่อยอดเป็นเทคนิคฝึกโมเดลแบบใหม่ชื่อ Counterfactual Reflection คือฝึกให้โมเดลพร้อมอธิบายหลักจริยธรรมของตัวเองได้เสมอหากถูกขัดจังหวะกลางคำตอบ ผลที่ตามมาคือพฤติกรรมของโมเดลดีขึ้นแม้ในบทสนทนาปกติที่ไม่มีใครขัดจังหวะ พร้อมกับที่แนวคิดอย่าง 'Ethical' 'Honest' และ 'Integrity' (จริยธรรม ความซื่อสัตย์ ความมีคุณธรรม) เข้ามาอยู่ในพื้นที่ความคิดหนาแน่นขึ้น และเมื่อลบตัวแทนความคิดเหล่านี้ออก พฤติกรรมที่ดีขึ้นก็หายไปเกือบทั้งหมด เป็นหลักฐานยืนยันว่าการพูดกับการคิดภายในของโมเดลใช้ตัวแทนความคิดชุดเดียวกันจริง

แล้วตกลง AI มีจิตสำนึกหรือยัง ทีมวิจัยบอกชัดว่าอย่าเพิ่งรีบสรุป?

ประเด็นที่ต้องย้ำให้ชัดคือทีมวิจัยไม่ได้อ้างว่า Claude มีจิตสำนึกหรือมีความรู้สึก งานนี้ศึกษาเฉพาะจิตสำนึกเชิงการเข้าถึง (Access Consciousness) ซึ่งเป็นแนวคิดเชิงหน้าที่ล้วนๆ ว่าข้อมูลชิ้นไหนถูกหยิบขึ้นมารายงานและใช้คิดต่อได้ ส่วนคำถามเรื่องประสบการณ์เชิงอัตวิสัย (Phenomenal Consciousness) หรือความรู้สึกจากภายใน ทีมวิจัยเขียนไว้ตรงไปตรงมาว่า 'ขอไม่แสดงจุดยืนในประเด็นนี้'

ท่าทีระมัดระวังของทีมวิจัยไม่ได้ทำให้เสียงวิจารณ์เงียบลง สื่อเทคโนโลยีอย่าง Gizmodo เผยแพร่บทความเตือนคนอ่านตรงๆ ว่าอย่าอ่านเปเปอร์นี้โดยไม่ตั้งคำถาม 

โดยคุณ Mike Pearl ผู้เขียนบทวิจารณ์ตั้งข้อสังเกตว่า แม้ตัวงานวิจัยจะไม่อ้างเรื่องจิตสำนึก แต่วิธีสื่อสารของ Anthropic ทั้งในบล็อก วิดีโอ และโพสต์บนโซเชียลมีเดีย กลับเต็มไปด้วยภาษาแบบมนุษย์ เช่น การบอกว่าโมเดล 'ทำขั้นตอนการคิดเงียบๆ อยู่ในหัวของมัน' ทำ 'การคำนวณในใจ' ไปจนถึง 'คิดเกี่ยวกับความคิดของตัวเอง' ซึ่งในมุมของคุณ Mike ถือเป็นการค่อยๆ จูงคนอ่านให้เอนไปทางข้อสรุปว่า AI ใกล้มีจิตสำนึก ทั้งที่หลักฐานยังไปไม่ถึงขั้นนั้น อย่างไรก็ตามบทวิจารณ์ชิ้นเดียวกันก็ยอมรับว่าตัวงานวิจัยน่าสนใจและชวนคิดต่อ เพียงแต่คนอ่านควรแยกให้ออกระหว่างข้อค้นพบทางเทคนิคกับวิธีเล่าเรื่องของบริษัท

งานวิจัยยังมีข้อจำกัดอยู่พอสมควร เช่น J-lens อ่านได้เฉพาะแนวคิดที่แทนด้วยโทเคนเดียว แนวคิดที่ต้องใช้หลายคำอธิบายยังตรวจจับได้ยาก และสถาปัตยกรรม Transformer ไม่มีวงจรป้อนกลับแบบสมองมนุษย์ โดยโมเดลใช้ความลึกของชั้นทำหน้าที่กระจายข้อมูลแทน แต่ข้อค้นพบโดยรวมก็เพียงพอที่จะบอกว่าโมเดลภาษาไม่ได้เป็นเพียงเครื่องทำนายคำถัดไปแบบแบนราบอย่างที่หลายคนเข้าใจ หากมีลำดับชั้นของความคิดที่ซับซ้อนกว่านั้นมาก งานวิจัยฉบับเต็มพร้อมการทดลองแบบอินเทอร์แอคทีฟเปิดให้อ่านฟรีแล้วบนเว็บไซต์ Transformer Circuits

ที่มา: Transformer Circuits, Gizmodo