En diskusjonstråd på Lobsters AI koker akkurat nå rundt ny forskning fra Anthropic som treffer et spørsmål folk i AI-undergrunnen har kranglet om i årevis: finnes det noe som ligner bevissthet inne i en transformer?

Svaret er ikke ja — men det er heller ikke et enkelt nei.

Forskerne identifiserer det de kaller et «global workspace» i språkmodeller, inspirert av Global Workspace Theory fra kognitiv nevrovitenskap. Ideen er at hjernen har et lite, sentralt «scene» der informasjon fra ulike moduler samles og broadcast-es videre — og at dette er kjernen i bevisst tilgang til informasjon hos mennesker.

Det Anthropic nå hevder å ha funnet, er et funksjonelt analogt mønster i LLM-er: en liten, dynamisk samling av «uuttalte tokens» som modellen bruker internt under resonnering, før den genererer output.

De byttet «edderkopp» med «maur» midt i modellens interne beregning — og svaret på «hvor mange bein?» endret seg fra åtte til seks.

Det er ikke trivia. Det er kausalitet. Det betyr at denne interne sonen ikke bare reflekterer tenkning — den driver den.

Hvorfor er dette interessant akkurat nå? Fordi det gir et nytt rammeverk for å forstå noe community-en har irritert seg over lenge: hvorfor er LLM-hukommelse så merkelig begrenset og uforutsigbar?

Hjernen i maskinen: Anthropic finner bevisst-lignende kjerne i LLM-er - Bilde 1

Bakgrunnen er velkjent: context windows på papir (Llama 4 Scout sier 10 millioner tokens, Gemini 1.5 Pro én million) er langt fra context windows i praksis. Modeller begynner å degradere 30–40 % før oppgitt grense. Informasjon i midten av lange kontekster faller gjerne fra 70 % til 55 % treffsikkerhet — det klassiske «lost in the middle»-problemet. KV-cachen spiser rundt 2,6 GB per 1000 tokens.

Men global workspace-forskningen peker på noe dypere: problemet er ikke bare teknisk kapasitet, det er arkitekturell smalhet. Det interne arbeidsrommet bærer bare 6–7 % av et konsepts totale representasjonsvariance. Det er en sliver, ikke et hav — og alt annet pakkes ned til generaliserte mønstre modellen ikke kan hente frem presist.

Hva betyr dette framover? Fellesskapet spekulerer allerede: kan man trene modeller til å ha et bredere, mer stabilt internal workspace? Kan man bruke dette til å bygge bedre agentic memory-systemer? Noen trekker linjer til State Space Models og Mamba-arkitekturer som prøver å løse minnebegrensninger på andre måter.

Dette er fortsatt tidlig forskning og community-signaler — ikke et gjennombrudd med konsensus bak seg. Men retningen er fascinerende, og det er sjelden Anthropic slipper noe som får både kognitionsforskere og hardcore ML-folk til å lene seg fremover samtidig.

Verd å følge.