剛剛，OpenAI發(fā)布了震驚的新發(fā)現(xiàn)：GPT-4，已經(jīng)可以解釋GPT-2的行為！

大語言模型的黑箱問題，是一直困擾著人類研究者的難題。

(相關資料圖)

模型內(nèi)部究竟是怎樣的原理？模型為什么會做出這樣那樣的反應？LLM的哪些部分，究竟負責哪些行為？這些都讓他們百思不得其解。

萬萬沒想到，AI的「可解釋性」，竟然被AI自己破解了？

網(wǎng)友驚呼，現(xiàn)在AI能理解AI，用不了多久，AI就能創(chuàng)造出新的AI了。

就是說，搞快點，趕緊快進到天網(wǎng)吧。

GPT-4破解GPT-2黑箱之謎

剛剛，OpenAI在官網(wǎng)發(fā)布了的博文《語言模型可以解釋語言模型中的神經(jīng)元》（Language models can explain neurons in language models），震驚了全網(wǎng)。

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

只要調用GPT-4，就能計算出其他架構更簡單的語言模型上神經(jīng)元的行為。

GPT-2，就這樣被明明白白地解釋了。

要想研究大模型的「可解釋性」，一個方法是了解單個神經(jīng)元的具體含義。這就需要人類手動檢測神經(jīng)元，但是，神經(jīng)網(wǎng)絡中有數(shù)百億或數(shù)千億個神經(jīng)元。

OpenAI的思路是，對這個過程進行自動化改造，讓GPT-4對神經(jīng)元的行為進行自然語言解釋，然后把這個過程應用到GPT-2中。

這何以成為可能？首先，我們需要「解剖」一下LLM。

像大腦一樣，它們由「神經(jīng)元」組成，它們會觀察文本中的某些特定模式，這就會決定整個模型接下來要說什么。

比如，如果給出這么一個prompt，「哪些漫威超級英雄擁有最有用的超能力？」 「漫威超級英雄神經(jīng)元」可能就會增加模型命名漫威電影中特定超級英雄的概率。

OpenAI的工具就是利用這種設定，把模型分解為單獨的部分。

第一步：使用GPT-4生成解釋

首先，找一個GPT-2的神經(jīng)元，并向GPT-4展示相關的文本序列和激活。

然后，讓GPT-4根據(jù)這些行為，生成一個可能的解釋。

比如，在下面的例子中GPT-4就認為，這個神經(jīng)元與電影、人物和娛樂有關。

第二步：使用GPT-4進行模擬

接著，讓GPT-4根據(jù)自己生成的解釋，模擬以此激活的神經(jīng)元會做什么。

第三步：對比打分

最后，將模擬神經(jīng)元（GPT-4）的行為與實際神經(jīng)元（GPT-2）的行為進行比較，看看GPT-4究竟猜得有多準。

還有局限

通過評分，OpenAI的研究者衡量了這項技術在神經(jīng)網(wǎng)絡的不同部分都是怎樣的效果。對于較大的模型，這項技術的解釋效果就不佳，可能是因為后面的層更難解釋。

目前，絕大多數(shù)解釋評分都很低，但研究者也發(fā)現(xiàn)，可以通過迭代解釋、使用更大的模型、更改所解釋模型的體系結構等方法，來提高分數(shù)。

現(xiàn)在，OpenAI正在開源「用GPT-4來解釋GPT-2中全部307,200個神經(jīng)元」結果的數(shù)據(jù)集和可視化工具，也通過OpenAI API公開了市面上現(xiàn)有模型的解釋和評分的代碼，并且呼吁學界開發(fā)出更好的技術，產(chǎn)生得分更高的解釋。

此外，團隊還發(fā)現(xiàn)，越大的模型，解釋的一致率也越高。其中，GPT-4最接近人類，但依然有不小的差距。

以下是不同層神經(jīng)元被激活的例子，可以看到，層數(shù)越高，就越抽象。

把AI的對齊問題，交給AI

這項研究，對于OpenAI的「對齊」大業(yè)，意義重大。

在2022年夏天，OpenAI就曾發(fā)布博文「Our approach to alignment research」，在那篇文章中，OpenAI就曾做出預測：對齊將由三大支柱支撐。

1、利用人工反饋訓練 AI

2、訓練AI系統(tǒng)協(xié)助人類評估

3、訓練AI系統(tǒng)進行對齊研究

在前不久，萬名大佬聯(lián)名簽署公開信，要求在六個月內(nèi)暫停訓練比GPT-4更強大的AI。

Sam Altman在一天之后，做出的回應是：構建更好的通用人工智能，就需要有對齊超級智能的技術能力。

究竟怎樣讓AI「與設計者的意圖對齊」，讓AGI惠及全人類？

今天的這項研究，無疑讓OpenAI離目標更邁進了一步。

Sam Altman轉發(fā)：GPT-4對GPT-2做了一些可解釋性工作

OpenAI的對齊團隊負責人也表示，這是一個新的方向，可以讓我們同時獲得：

詳細理解模型到單個神經(jīng)元的層運行整個模型，這樣我們就不會錯過任何重要的東西

令人興奮的是，這給了我們一種衡量神經(jīng)元解釋好壞的方法：我們模擬人類如何預測未來的模式，并將此與實際的模式進行比較。

目前這種衡量方式并不準確，但隨著LLM的改進，它會變得更好。

雖然現(xiàn)在還處于初期階段，但已經(jīng)展現(xiàn)了一些有趣的趨勢：

后期的層比早期的更難解釋簡單的預訓練干預可以提高神經(jīng)元的可解釋性簡單的技巧，如迭代細化，可以改進解釋

OpenAI可解釋性團隊負責人William Saunders也表示，團隊希望開發(fā)出一種方法，來預測AI系統(tǒng)會出現(xiàn)什么問題。「我們希望能真正讓這些模型的行為和生產(chǎn)的回答可以被信任。」

有趣的神經(jīng)元

在這個項目中，研究者還發(fā)現(xiàn)了許多有趣的神經(jīng)元。

GPT-4為一些神經(jīng)元做出了解釋，比如「比喻」神經(jīng)元、與確定性和信心有關的短語的神經(jīng)元，以及做對事情的神經(jīng)元。

這些有趣的神經(jīng)元是怎么發(fā)現(xiàn)的？策略就是，找到那些token空間解釋很差的神經(jīng)元。

就這樣，背景神經(jīng)元被發(fā)現(xiàn)了，也就是在某些語境中密集激活的神經(jīng)元，和許多在文檔開頭的特定單詞上激活的神經(jīng)元。

另外，通過尋找在上下文被截斷時以不同方式激活的上下文敏感神經(jīng)元，研究者發(fā)現(xiàn)了一個模式破壞神經(jīng)元，它會對正在進行的列表中打破既定模式的token進行激活（如下圖所示）。

研究者還發(fā)現(xiàn)了一個后typo神經(jīng)元，它經(jīng)常在奇怪或截斷的詞之后激活。

還有某些神經(jīng)元，似乎會在與特定的下一個token匹配時被激活。

比如，當下一個標記可能是「from」時，一個神經(jīng)元會被激活。

這是怎么回事？起初研究者猜測，這些神經(jīng)元可能是根據(jù)其他信號對下一個token進行預測。然而，其中一些神經(jīng)元并不符合這種說法。

目前，研究者還沒有進行足夠的調查，但有可能許多神經(jīng)元編碼了以特定輸入為條件的輸出分布的特定微妙變化，而不是執(zhí)行其激活所提示的明顯功能。

總的來說，這些神經(jīng)元給人的主觀感覺是，更有能力的模型的神經(jīng)元往往更有趣。

網(wǎng)友：OpenAI，搞慢點吧

毫不意外地，網(wǎng)友們又炸了。

咱就是說，OpenAI，你搞慢點行不？

在評論區(qū)，有人祭出這樣一張梗圖。

這就是傳說中的「存在主義風險神經(jīng)元」吧，只要把它關掉，你就安全了（Doge）。

ChatGPT從互聯(lián)網(wǎng)中學習，現(xiàn)在它正在創(chuàng)造更多的互聯(lián)網(wǎng)。很快，它就會自我反哺，真正的天網(wǎng)就要來臨。

聽說GPT-5已經(jīng)達到奇點，并且它正在與地外生命談判和平條約。

有網(wǎng)友惡搞了一個關于「Yudkowsky」的解釋，他一直是「AI將殺死所有人」陣營的主要聲音之一。

之前「暫停AI訓練」公開信在網(wǎng)上炒得沸沸揚揚時，他就曾表示：「暫停AI開發(fā)是不夠的，我們需要把AI全部關閉！如果繼續(xù)下去，我們每個人都會死?！?/p>

他知道我們在計劃什么

我們必須不惜一切代價讓他喪失信譽

一旦他走了，就沒有人能夠反對我們了

「Eliezer Yudkowsky看到這一幕，一定又笑又哭——讓我們使用自己不能信任的技術來告訴我們，它是如何工作的，并且它是對齊的?！?/p>

現(xiàn)在，人類反饋強化學習（RLHF）是主場，當AI懂了AI，將會在微調模型上開辟一個新紀元：

人工智能反饋的神經(jīng)元過濾器（NFAIF）

參考資料：

https://openai.com/research/language-models-can-explain-neurons-in-language-models

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

https://techcrunch.com/2023/05/09/openais-new-tool-attempts-to-explain-language-models-behaviors/

關鍵詞：