把 Claude 的「隱藏推理」想像成模型裡藏著一篇草稿，會有點誤導。Anthropic 的做法更像是在造一台研究儀器：一組機制可解釋性工具，被它形容為朝 AI「顯微鏡」前進，用來觀察模型如何把輸入文字轉成輸出文字的部分內部計算 [9][
10]。
先釐清：這不是讀心術
Claude 寫出的理由，本身也是生成文字。Anthropic 關心的是產生這些文字背後的運算：公司指出，模型每寫出一個字，都牽涉數十億次計算，而這些策略即使對開發者也並不透明 [10]。
因此，目標不是挖出一段私密的 chain-of-thought 逐字稿，而是把部分神經活動轉譯成研究者能命名、檢查、測試的結構 [9][
10]。
第一步：找出「特徵」
Anthropic 先前的可解釋性工作，會在模型內部尋找可解讀的概念，稱為 features（特徵）[9][
10]。用白話說，特徵就是模型活化值中的某種可辨識模式：它可能對應到一個概念或能力，讓研究者有一個可操作的把手，而不是只面對一大片難以理解的數字 [
9][
10]。
第二步：把特徵連成「電路」
更新的一步，是把這些特徵連成 computational circuits（計算電路）[9][
10]。Anthropic 表示，這能揭露 Claude 從輸入文字走向輸出文字時，部分內部路徑是如何形成的 [
9][
10]。
這點重要，是因為類似推理的行為通常不只是一個概念被標籤出來而已；它更可能牽涉一連串內部影響與計算步驟 [9]。
第三步：拿來觀察真實的 Claude 行為
在 2025 年的工作中，Anthropic 將這套工具用於 Claude 3.5 Haiku，研究一些簡單任務；這些任務代表十項重要的模型行為 [9][
10]。公司把這種方向稱為尋找「AI biology」：不是只從外部看最後答案對不對，而是試著找出能解釋模型行為的內部機制 [
9][
10]。
為什麼不能只問 Claude「你怎麼想」？
對使用者來說，最自然的方法可能是直接請 Claude 解釋。但模型的解釋仍然是輸出的一部分；Anthropic 的 circuit tracing，則是試著檢查產生答案的部分計算路徑 [9][
10]。
換句話說，這不是把表面文字說得更漂亮，而是讓研究者能更接近「提示如何被處理、哪些內部結構參與回覆」這類問題 [9][
10]。
現在看得到什麼？又看不到什麼？
這些工具可以讓 Claude 的部分內部運作變得更可讀：哪些特徵看起來相關、它們如何連成電路、哪些路徑似乎參與了某次回應 [9][
10]。
但 Anthropic 的說法仍相當謹慎。這些論文代表的是朝向「顯微鏡」的進展，能揭露部分路徑；它們還不是一個可以把 Claude 所有計算完整翻譯成人類語言的解碼器 [9][
10]。
重點一句話
Anthropic 正在做的，是把 Claude 的部分神經活動轉成可解釋的特徵，再追蹤這些特徵如何互動成電路，藉此研究具體模型行為 [9][
10]。這是一張局部的科學地圖，不是一份完整、可靠的「模型內心獨白」逐字稿 [
9][
10]。
