沒(méi)想到，打開(kāi)AI黑盒這件事，可能還要靠AI自己來(lái)實(shí)現(xiàn)了。

OpenAI的最新研究來(lái)了一波大膽嘗試：

讓GPT-4去解釋GPT-2的行為模式。

結(jié)果顯示，超過(guò)1000個(gè)神經(jīng)元的解釋得分在0.8以上——也就是說(shuō)GPT-4能理解這些神經(jīng)元。

要知道，“AI黑箱難題”長(zhǎng)期以來(lái)是一個(gè)熱議話題，尤其是大語(yǔ)言模型領(lǐng)域，人類對(duì)其內(nèi)部工作原理的理解還非常有限，這種“不透明化”也進(jìn)一步引發(fā)了人類對(duì)AI的諸多擔(dān)憂。

目前推進(jìn)AI可解釋性研究的一個(gè)簡(jiǎn)單辦法，就是逐個(gè)分析大模型中的神經(jīng)元，手動(dòng)檢查以確定它們各自所代表的數(shù)據(jù)特征。

但對(duì)于規(guī)模已經(jīng)達(dá)到百億、千億級(jí)別的大規(guī)模神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，工作量和工作難度就都漲了億點(diǎn)點(diǎn)吧。

由此，OpenAI的研究人員想到，干嘛不讓AI去自動(dòng)化搞定這個(gè)大工程？

在這項(xiàng)最新的研究中，他們將GPT-4打造成了一個(gè)理解AI行為模式的工具，把GPT-2超過(guò)30萬(wàn)個(gè)神經(jīng)單元都解釋了一遍，并和實(shí)際情況比對(duì)進(jìn)行評(píng)分。

最終生成的解釋數(shù)據(jù)集和工具代碼，已對(duì)外開(kāi)源。

研究人員表示：未來(lái)，這種AI工具可能在改善LLM性能上發(fā)揮巨大作用，比如減少AI偏見(jiàn)和有害輸出。

解釋接近人類水平

具體來(lái)看，整個(gè)研究的步驟可以分為三步。

第一步，先給GPT-4一段文本，并展示GPT-2在理解這段文本時(shí)激活的神經(jīng)元情況。

然后讓GPT-4來(lái)解釋，這段文本中神經(jīng)元的激活情況。

比如示例中給出了一段漫威復(fù)聯(lián)的文本，GPT-4分析的激活神經(jīng)元為：

電影、角色和娛樂(lè)

第二步，讓GPT-4開(kāi)始模擬，這些被解釋的神經(jīng)元接下來(lái)會(huì)做什么。

GPT-4給出了一段內(nèi)容。

第三步，讓GPT-2真實(shí)的神經(jīng)元激活來(lái)生成結(jié)果，然后和GPT-4模擬的結(jié)果進(jìn)行比對(duì)，研究人員會(huì)對(duì)此打分。

在博客給出的示例中，GPT-4的得分為0.34.

使用這個(gè)辦法，研究人員讓GPT-4解釋了GPT-2一共307200個(gè)神經(jīng)元。

OpenAI表示，使用這一基準(zhǔn)，AI解釋的分?jǐn)?shù)能接近人類水平。

從總體結(jié)果來(lái)看，GPT-4在少數(shù)情況下的解釋得分很高，在0.8分以上。

他們還發(fā)現(xiàn)，不同層神經(jīng)元被激活的情況，更高層的會(huì)更抽象。

此外，團(tuán)隊(duì)還總結(jié)了如下幾點(diǎn)結(jié)論：

• 如果讓GPT-4重復(fù)解釋，它的得分能更高
• 如果使用更強(qiáng)大的模型來(lái)解釋，得分也會(huì)上升
• 用不同的激活函數(shù)訓(xùn)練模型，能提高解釋分?jǐn)?shù)

總結(jié)來(lái)看就是，雖然GPT-4目前的表現(xiàn)一般，但是這個(gè)方法和思路的提升空間還有很大。

團(tuán)隊(duì)也強(qiáng)調(diào)，現(xiàn)在在GPT-2上的表現(xiàn)都不太好，如果換成更大、更復(fù)雜的模型，表現(xiàn)也會(huì)比較堪憂。

同時(shí)這種模式也能適用于聯(lián)網(wǎng)的LLM，研究人員認(rèn)為可以通過(guò)簡(jiǎn)單調(diào)整，來(lái)弄清楚神經(jīng)元如何決策搜索內(nèi)容和訪問(wèn)的網(wǎng)站。

此外他們還表示，在創(chuàng)建這個(gè)解釋系統(tǒng)時(shí)并沒(méi)有考慮商業(yè)化問(wèn)題，理論上除了GPT-4，其他LLM也能實(shí)現(xiàn)類似效果。

接下來(lái)，他們打算解決研究中的這幾個(gè)問(wèn)題：

• AI神經(jīng)元行為十分復(fù)雜，但GPT-4給的解釋非常簡(jiǎn)單，所以有些復(fù)雜行為還無(wú)法解釋；
• 希望最終自動(dòng)找到并解釋復(fù)雜的整個(gè)神經(jīng)回路，神經(jīng)元和注意力頭一起工作；
• 目前只解釋了神經(jīng)元的行為，但沒(méi)解釋行為背后的機(jī)制；
• 整個(gè)過(guò)程算力消耗巨大。

網(wǎng)友：快進(jìn)到AI創(chuàng)造AI

意料之中，這項(xiàng)研究馬上在網(wǎng)絡(luò)上引發(fā)熱議。

大家的腦洞畫風(fēng)be like：“AI教人類理解AI。”

“AI教人類關(guān)掉AI中存在風(fēng)險(xiǎn)的神經(jīng)元。”

還有人開(kāi)始暢想，AI理解AI會(huì)快速發(fā)展為AI訓(xùn)練AI（已經(jīng)開(kāi)始了），然后再過(guò)不久就是AI創(chuàng)造新的AI了。

當(dāng)然這也引發(fā)了不少擔(dān)憂，畢竟GPT-4本身不還是個(gè)黑盒嘛。

人類拿著自己不理解的東西，讓它解釋另一個(gè)自己不理解的東西，這個(gè)風(fēng)險(xiǎn)emm……

這項(xiàng)研究由OpenAI負(fù)責(zé)對(duì)齊的團(tuán)隊(duì)提出。

他們表示，這部分工作是他們對(duì)齊研究的第三大支柱的一部分：

我們想要實(shí)現(xiàn)自動(dòng)化對(duì)齊。這種想法一個(gè)值得思考的方面是，它可能隨著AI的發(fā)展而擴(kuò)展更多。隨著未來(lái)AI模型變得越來(lái)越智能，我們也能找到對(duì)AI更好的解釋。

論文地址：
https://openaipublic.blob.core.windows.net/neuron-explainer/paper/index.html

參考鏈接：
[1]https://openai.com/research/language-models-can-explain-neurons-in-language-models
[2]https://www.globalvillagespace.com/tech/openais-tool-explains-language-model-behavior/