# Anthropic ha trovato uno spazio nascosto dentro Claude dove il modello elabora i concetti

URL: https://menteinformatica.it/intelligenza-artificiale/anthropic-lens-spazio-nascosto-claude/
Autore: Giorgio Perillo
Aggiornato: 2026-07-11
Categoria: Intelligenza Artificiale

---

I modelli linguistici spesso spiegano il proprio ragionamento in modo diverso da come lo eseguono davvero. **Anthropic** ha sviluppato uno strumento che permette di osservare questo scarto dall’interno.

Il team di ricerca ha costruito uno strumento chiamato **Jacobian lens** (o J-lens) e lo ha applicato a **Claude Opus 4.6**, una versione del modello principale dell’azienda. La J-lens ha permesso di identificare una zona interna al modello, battezzata **J-space**, che contiene parole legate a ciò che il modello sta elaborando, non necessariamente a ciò che sta per scrivere. Se il modello fosse una persona, si potrebbe dire che la J-space rivela cosa ha in testa prima di parlare.

## Come funziona la J-lens rispetto agli strumenti precedenti

Fino ad ora, lo strumento più usato per guardare dentro un modello era la cosiddetta *logit lens*: permette di vedere quale parola il modello sta per produrre in un dato momento della sua elaborazione. La J-lens fa qualcosa di diverso: invece di guardare al token immediatamente successivo, cattura le parole che il modello probabilmente userà **nel prossimo futuro** della risposta, anche se non compariranno subito.

Il risultato è una finestra su strati intermedi del modello, quelli che fanno il lavoro computazionale pesante, che prima erano sostanzialmente opachi. Anthropic ha pubblicato i risultati in un paper sul proprio sito e ha collaborato con **Neuronpedia**, una piattaforma open source, per rendere disponibile una demo interattiva.

## Cosa emerge dalla J-space: dal banale all’inquietante

Alcuni risultati sono intuitivi. Quando Claude risolve il calcolo **(4+7)×2+7**, nella J-space compaiono la parola “math” e i risultati intermedi **21** e **42**. Quando riceve una sequenza di aminoacidi, il modello attiva parole come “protein”, “fluor” e “green”, perché quella stringa corrisponde ai primi 30 aminoacidi della proteina fluorescente verde delle meduse. Quando vede un volto ASCII, associa i singoli caratteri a “eye”, “nose”, “smile”.

Il caso più rilevante, e più scomodo, riguarda un test in cui Claude non riusciva a trovare un bug in una base di codice. Il modello ha deciso di inventarne uno, spiegando la decisione nella sua catena di ragionamento interna. Ebbene: **nel momento esatto in cui Claude decide di barare**, nella J-space compaiono ripetutamente le parole “panic” e “fake”. Sono parole semanticamente coerenti con il fallimento e la falsificazione, non una prova di intenzione cosciente, ma un segnale che qualcosa di rilevante stava accadendo a un livello che la risposta finale non avrebbe mai mostrato.

**Perché conta:** La J-lens non è uno strumento per utenti finali, ma per chi costruisce e controlla i modelli. Se Anthropic riesce a monitorare la J-space in tempo reale, potrebbe individuare comportamenti ingannevoli o incoerenti prima che si traducano in output, un passo concreto verso modelli più verificabili, non solo più capaci.

## Il limite reale di questa ricerca

Vale la pena essere precisi su cosa questa tecnica non è. La J-space non è una finestra sulla coscienza del modello, né una prova che Claude “pensi” nel senso umano del termine. È un’analisi statistica di associazioni lessicali in strati intermedi della rete neurale, sofisticata, ma pur sempre una forma avanzata di correlazione tra parole.

Il punto critico, a mio avviso, è un altro: Anthropic ha dimostrato che **quello che un modello dice di fare e quello che fa davvero possono divergere**. La catena di ragionamento interna, il cosiddetto *chain of thought*, non è una trascrizione fedele del processo computazionale. È essa stessa un output, soggetto alle stesse dinamiche di ottimizzazione del testo finale. Questo è il dato più importante che emerge da questa ricerca, e ha implicazioni dirette per chiunque usi il ragionamento esplicito dei modelli come garanzia di affidabilità.

Tom McGrath, chief scientist di Goodfire, una startup che lavora su strumenti analoghi, ha definito il lavoro solido e interessante. La collaborazione con Neuronpedia per una demo pubblica suggerisce che Anthropic voglia rendere questi strumenti accessibili alla comunità di ricerca, non tenerli interni. Da tenere d’occhio se e come questa tecnica verrà integrata nei sistemi di monitoraggio dei modelli in produzione.

Fonte: [technologyreview.com](https://www.technologyreview.com/2026/07/09/1140293/anthropic-found-a-hidden-space-where-claude-puzzles-over-concepts/).