NLA とは（非エンジニア向け 1 段落）
ChatGPT や Claude のような大規模言語モデルは、文章を「数字の並び（活性ベクトル）」に変換して処理しています。その数字は人間にはそのままでは読めません。NLA は、別の AI にその数字を読ませ、「これは何の話か」を自然文で出力させる 仕組みです。
出力された文章を再度数字に戻し、元の数字と一致するまで学習させることで、「この活性は『ゴールデンゲートブリッジについての話題』を表している」のように、内部状態を人間語に翻訳するモデルが出来上がります。
何が変わった / 出た
公式リサーチページ（anthropic.com/research/natural-language-autoencoders）と、解説スレッドの 3/6 投稿（@claudecode_lab）、および Anthropic の interpretability 研究公開ハブ transformer-circuits.pub/2026/nla をあわせて確認した内容です。
1. NLA の発想 — Claude が応答中に作る内部活性（数字）を、
別の Claude に渡して「人間が読める文」に翻訳させ、さらに別の Claude で「文 → 数字」に逆翻訳。元の数字と一致するように訓練することで、活性 ↔ 自然文の相互変換器を作る（@claudecode_lab スレッド 3/6 より）。
2. interpretability の主流アプローチからの転換 — 従来の
mechanistic interpretability は「特定のニューロン」「特定の回路」を探す方向だったが、NLA は 活性そのものを丸ごと文章で読み出す ことを目指す（公式リサーチページより）。
3. Claude 4 への適用結果 — 公式は「従来手法では見えなかった
挙動のうち約 14% を新たに surface できた」と紹介。これにはバイアスや誤誘導の兆候のような「気づきにくい振る舞い」が含まれるとされています（公式リサーチページの要約に基づく）。
4. オープンウェイトの NLA を併せて公開 — Qwen 2.5 7B、
Gemma 3 (12B / 27B)、Llama 系などの基盤モデルに対する NLA が公開ウェイトで配布されている、と公式ハブで紹介されています（Anthropic 自身の Claude 内部の NLA そのものはクローズド）。
誰にどう効くか
・AI を業務に入れた / これから入れる企業の AI 担当者: 「AI が裏で何を覚えているか」「どんな前提で答えているか」を覗ける道具立てが、研究レベルで一段進んだという話。即座にプロダクトに使える機能ではないが、今後の Claude / Anthropic 製品に「内部状態を文章で出力する」系の機能が増える可能性 を示唆します。
・コンプラ・リスク担当: 「説明責任のある AI」の議論で、「ニューロン単位で読み解くのは現実的でない」という反論に対し、「文章として読み出す」というアプローチが選択肢に入った、と整理できます。社内向け説明資料の更新材料になります。
・AI 安全に関心のある非エンジニア読者: 「LLM はブラックボックス」という主張に対し、ボックスの中を読む技術自体が進歩している という事実は知っておく価値があります。
・オープンモデルで実験している開発チーム: Qwen / Gemma / Llama 用の NLA がオープンウェイトで使えるため、自社で扱っているモデルに対しても interpretability 実験を始められます。
触ってみるには / 注意点
・入口: 公式リサーチページ <https://www.anthropic.com/research/natural-language-autoencoders> と、Anthropic の interpretability 研究ハブ <https://transformer-circuits.pub/2026/nla> から論文・コード・ ウェイトの所在を辿れます（※ Claude 内部の NLA そのものは公開対象外）。
・誰でも使えるプロダクト機能ではない: NLA は研究成果であって、 Claude.ai / Claude Code のユーザーが UI から「Claude の思考を覗く」ためのボタンが付いたわけではありません。
・数字は本記事執筆時点（2026-05-10）の二次まとめに基づく: 「14%」「公開モデル一覧」など具体数値は公式論文の表記が一次ソースです。本記事の数字を引用する際は、必ず公式リサーチページ・論文側で再確認してください。
・元投稿はスレッドの一部 (3/6): 起点とした @claudecode_lab の投稿はスレッド全体（1/6〜6/6）の中の 3 番目です。NLA の概要のみで、仕組みのうち訓練コスト・モデルサイズ等の詳細は公式側で確認が必要。
・筆者注: 「AI が自分の思考を翻訳する」という言い回しはキャッチーですが、厳密には 別の AI が活性ベクトルを文章に変換するモデルを学習している という構造です。「Claude が自分自身を理解した」と読むと過大評価になります。
関連リンク
・起点となった解説スレッド (3/6): <https://x.com/claudecode_lab/status/2053271935111635106>
・公式リサーチページ: <https://www.anthropic.com/research/natural-language-autoencoders>
・Anthropic Transformer Circuits（interpretability 公開ハブ）: <https://transformer-circuits.pub/2026/nla>
_Status: pending — 人間レビュー待ち。研究系トピックのため confidence: medium。公式リサーチページの数値・公開モデル構成は公開時点で再確認が必要。_