AI 可解释性接近突破了吗?一篇新文章让研究者意见分裂
Cammarata 发长文称大模型内部远比此前认为的干净,挑战他参与提出的叠加假说;OpenAI 的 Roon 称这是历史性时刻,DeepMind 的 Neel Nanda 则警告不要过度炒作。若其判断成立,机制可解释性与 AI 安全研究路径可能被重估。
原贴
查看原文原文
中文翻译
AI 可解释性接近突破了吗?一篇新文章让研究者意见分裂
根据叠加假说背后的人物之一 Nick Cammarata 的说法,神经网络远没有研究人员假设的那么纠缠。OpenAI 的 Roon 称其为历史性时刻。Google DeepMind 研究员 Neel Nanda 警告不要过度炒作它。在一篇题为《Neural Networks Are Already Clean》的长文中,Nick Cammarata 认为,大型 AI 模型的内部运作远比之前认为的更容易理解。Cammarata 是可解释性实验室 Goodfire 的研究员。通过这篇文章,他拒绝了他多年前帮助塑造的一种解释。机制可解释性试图做的不仅仅是观察 AI 模型输出什么。它旨在追踪模型内部是如何得出答案的。理想情况下,数百万人工神经元中的每一个都代表一个可识别的概念。在实践中,许多神经元似乎会对完全不相关的事物激活,研究人员称之为多义性。一个早期且著名的例子是图像模型 InceptionV1 中的一个神经元,它同时会对猫脸和汽车正面作出反应。Cammarata 在自己早期研究中把它用作例子。标准解释是叠加。该理论认为,当网络用完神经元时,它会把不相关的概念塞进同一个神经元,因为它们很少互相干扰。结果看起来像一个结。这就是为什么许多实验室训练第二个模型,例如稀疏自编码器,来把概念拆开。然后他们研究那个模型,而不是原始模型。Cammarata 在塑造这一观点中发挥了主要作用。他与 Chris Olah 合写了论文《Zoom In》,其中引入了第一个叠加电路。2023 年,他在 OpenAI 启动了一个自动化可解释性项目。当时,即使按最宽松的标准,也只有约 1.7% 的神经元算得上可理解。Cammarata 现在认为,最著名的例子被误解了。他说,猫-汽车神经元实际上是一个 V 形检测器。像狐狸口鼻或火焰这样的尖形会激活它,而像字母 O 这样的圆形会使其激活变为负值。所以它并不代表猫脸和汽车这两个完全不相关的概念,这意味着它不是叠加的例子。他还重新解释了《Zoom In》中的叠加电路,其中一辆汽车似乎隐藏在狗神经元之中。在他看来,这是普通的泛化,该电路只是根据汽车和狗面向摄像头的方向来分组。他把 InceptionV1 后层中的混乱归咎于过时的架构和薄弱的分析工具。Cammarata 用一种他称为“递归泛化”的模式来解释剩余的模糊性。他说,一个神经元像一根长出侧枝的树枝一样生长。一个识别字母序列“iy”的神经元后来会对“diy”作出反应,并最终对“do it yourself”作出反应,而后者根本不包含“iy”。与叠加不同,这些分组可以让你了解网络的一些东西。对于语言模型,他提供了初步数字。在 Qwen3-32B 中,约 90% 的神经元极点有一个主要功能,约 7% 有两个相关功能。只有 2% 到 4% 仍未得到解释。Goodfire 表示,在参数量高达数万亿的模型中看到了类似结果。批量分析神经元的 AI 智能体完成了大部分工作。Cammarata 借鉴了 Rich Sutton 的“苦涩教训”,并得出结论:在可解释性中,大规模简单调查也胜过巧妙的分解方法。Cammarata 并没有引入一种根本性的新方法。他回到了该领域直接研究神经元的最初方法,只是用了更好的工具、更大的模型和自动化智能体。如果 Cammarata 是对的,那将是个好消息,尤其是对 AI 安全而言。目前,除了监控越来越不可靠的思维链之外,几乎没有方法能判断模型是否在欺骗人或有危险行为。Cammarata 怀疑,对齐——即引导 AI 朝着人类目标前进的工作——能否在没有可解释性的情况下解决。
核心信息
Cammarata 发长文称大模型内部远比此前认为的干净,挑战他参与提出的叠加假说;OpenAI 的 Roon 称这是历史性时刻,DeepMind 的 Neel Nanda 则警告不要过度炒作。若其判断成立,机制可解释性与 AI 安全研究路径可能被重估。
- Cammarata 发长文称大模型内部远比此前认为的干净,挑战他参与提出的叠加假说;OpenAI 的 Roon 称这是历史性时刻,DeepMind 的 Neel Nanda 则警告不要过度炒作。若其判断成立,机制可解释性与 AI 安全研究路径可能被重估。
- 原贴提到:Neural networks aren't nearly as tangled as researchers assumed, accordi
- 来源:the-decoder.com
详细解读
这是什么信号
这不是一条普通的研究进展,而是一位叠加假说的核心推动者公开修正自己的旧解释。Nick Cammarata 在长文《Neural Networks Are Already Clean》中主张,大模型内部表征可能比“多义性—叠加—稀疏自编码器拆解”这条主流路线更干净、更可直接读懂。他把 InceptionV1 的猫-汽车神经元重新解释为 V 形检测器,并把《Zoom In》里的汽车藏于狗神经元重新解释为普通泛化。OpenAI 的 Roon 称这是历史性时刻,Google DeepMind 的 Neel Nanda 则警告不要过度炒作,说明这更像一场路线争议,而非已经被证实的共识。
为什么重要
机制可解释性长期依赖一个假设:神经元太纠缠,必须训练第二个模型(如稀疏自编码器)来拆概念。Cammarata 如果正确,很多实验室的预算、工具链和研究问题都要重估:直接观察神经元、配合大规模自动化智能体,可能比精巧分解更有效。这对 AI 安全尤其关键,因为原文指出,除了监控可靠性下降的思维链,目前几乎没有别的方法判断模型是否欺骗或危险。可解释性被视为对齐工作的前置能力,方法路线的变化会直接影响安全评估。
对谁有价值
最直接的是可解释性研究者、AI 安全团队、模型审计与评估人员。对做模型压缩、调试、特征工程和 agent 监控的工程团队也有启发:如果神经元比预想更单义,特征级调试和干预可能更可行。对投资人与 AI 产品负责人,这提醒他们关注 Goodfire 这类可解释性实验室的路线变化,而不是只看模型能力榜单。
可以怎么行动
- 读原文并跟踪同行反馈,重点看 Neel Nanda 的质疑是否被回应。
- 在自己的模型上抽样复现:比较直接神经元分析与稀疏自编码器结果,记录可解释比例。
- 把“递归泛化”作为假设纳入内部评测,检查神经元从局部模式泛化到更抽象功能的现象。
- 关注自动化智能体批量分析神经元的工作流,评估能否降低人工解释成本。
- 在 AI 安全评估中不要把可解释性当作唯一证据,与行为测试、红队和思维链监控交叉验证。
风险或限制
Cammarata 没有提出全新的基础方法,而是回到直接研究神经元,依赖更好的工具、更大的模型和自动化智能体。语言模型数据来自 Qwen3-32B 等初步结果,Goodfire 称在数万亿参数模型上看到类似结果,但仍需独立复现。Neel Nanda 的过度炒作警告值得重视。原文最后一句在“interpretabili”处截断,完整论证尚未呈现。即使神经元更干净,也不等于可解释性自动解决对齐;从理解到可靠控制仍有距离。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《AI 可解释性接近突破了吗?一篇新文章让研究者意见分裂》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
AI 可解释性接近突破了吗?一篇新文章让研究者意见分裂主要讲什么?
Cammarata 发长文称大模型内部远比此前认为的干净,挑战他参与提出的叠加假说;OpenAI 的 Roon 称这是历史性时刻,DeepMind 的 Neel Nanda 则警告不要过度炒作。若其判断成立,机制可解释性与 AI 安全研究路径可能被重估。
这篇文章最值得关注的要点是什么?
Cammarata 发长文称大模型内部远比此前认为的干净,挑战他参与提出的叠加假说;OpenAI 的 Roon 称这是历史性时刻,DeepMind 的 Neel Nanda 则警告不要过度炒作。若其判断成立,机制可解释性与 AI 安全研究…;原贴提到:Neural networks aren't nearly as tangled as researchers assumed, accordi;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在AI工具、AI日报、Agent工作流专题里阅读。 关联原因:这篇内容命中「自动化、模型」等主题信号。;这篇内容命中「热点解读」等主题信号。;这篇内容来自该专题长期覆盖的栏目。
阅读这篇文章建议先理解哪些关键词?
建议先理解AI日报、每日AI日报、AI信号、热点解读、BuilderPulse这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。