就算在新產(chǎn)品滿天飛，商業(yè)文明正在被 AI 重建的當下，我們?nèi)匀徊恢?，這些令人驚嘆的技術(shù)是如何運作的。

AI，語言模型，它是個黑箱（black box），人類無法理解，我們甚至不知道怎樣研究才能夠理解。

但如果，研究這個黑箱的不是人類，而是 AI 自己呢？

(資料圖)

這是一個令人好奇但又非常危險的想法。因為你甚至不知道，這一研究方法產(chǎn)生的結(jié)果，是否會徹底顛覆多年來人類對人腦和 AI 的理解。

但是有人這樣做了。幾小時前，OpenAI 發(fā)布了最新的研究成果，他們用 GPT-4 解釋 GPT-2 的行為，獲得了初步的成果。

毫不夸張地說，人們震驚極了：「求求你們讓它離覺醒遠點吧！」

「AI 理解 AI，然后很快，AI 訓(xùn)練 AI，然后再過幾年，AI 創(chuàng)造新的 AI?！?/p>

但客觀來說，學(xué)術(shù)界為之感到興奮：「瘋了，OpenAI 剛剛搞定了可解釋性問題。」

人與機器之間是GPT-4

OpenAI 剛剛在官網(wǎng)發(fā)布博客文章《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）。

簡單來說，他們開發(fā)了一個工具，調(diào)用 GPT-4 來計算出其他架構(gòu)更簡單的語言模型上神經(jīng)元的行為，這次針對的是 GPT-2，發(fā)布于 4 年前的開源大模型。

大模型（LLM）和人腦一樣，由「神經(jīng)元」（neurons）組成，這些神經(jīng)元會觀察文本中的特定規(guī)律，進而影響到模型本身生產(chǎn)的文本。

舉例來說，如果有一個針對「漫威超級英雄」的神經(jīng)元，當用戶向模型提問「哪個超級英雄的能力最強」時，這個神經(jīng)元就會提高模型在回答中說出漫威英雄的概率。

OpenAI 開發(fā)的工具利用這種規(guī)則制定了一套評估流程。

開始之前，先讓 GPT-2 運行文本序列，等待某個特定神經(jīng)元被頻繁「激活」的情況。

然后有三個評估步驟：

第一步，讓 GPT-4 針對這段文本，生成解釋。比如在下面的案例中，神經(jīng)元主要針對漫威內(nèi)容。GPT-4 接收到文本和激活情況后，判斷這與電影、角色和娛樂有關(guān)。

第二步，用 GPT-4?模擬這個 GPT-2 的神經(jīng)元接下來會做什么。下圖就是 GPT-4 生成的模擬內(nèi)容。

最后一步，對比評估打分。對比 4 代模擬神經(jīng)元和 2 代真實神經(jīng)元的結(jié)果，看 GPT-4 猜的有多準。

通過這樣的方法，OpenAI 對每個神經(jīng)元的行為作出了初步的自然語言解釋，并對這種解釋和實際行為的匹配程度進行了評分。

最終他們對 GPT-2 中 307200 個神經(jīng)元全部進行了解釋，這些解釋匯編成數(shù)據(jù)集，與工具代碼一起在 GitHub 上發(fā)布。

超越語言的機器?人類無法理解的機器

據(jù) OpenAI 在博客文章中表示，目前 GPT-4 生成的解釋還不完美，尤其要解釋比 GPT-2 更大的模型時，表現(xiàn)效果很差，「可能是因為后面的 layer 更難解釋」。

對于 GPT-2 解釋的評分大多也非常低，僅有 1000 個左右的解釋獲得了較高的評分（0.8 以上）。

OpenAI 可拓展對齊團隊的 Jeff Wu 表示，「大多數(shù)解釋的得分很低，或者無法解釋實際神經(jīng)元那么多的行為。比如，許多神經(jīng)元以一種難以判斷的方式保持活躍，它們在五六件事上保持激活，但卻沒有可以辨別的模式。有時候存在明顯的模式，但 GPT-4 有無法找到它?！?/p>

雖然現(xiàn)階段成績不好，但是 OpenAI 卻比較有信心，他們認為可以使用機器學(xué)習(xí)的方式提高 GPT-4 產(chǎn)出解釋的能力。

比如通過反復(fù)產(chǎn)出解釋，并根據(jù)激活情況修改解釋；或者使用更大的模型作出解釋；以及調(diào)整解釋模型的結(jié)構(gòu)等等。

OpenAI 還提到，這一方法目前還有很多局限性。

使用簡短的自然語言進行解釋，也許并不匹配神經(jīng)元可能非常復(fù)雜的行為，不能簡潔地進行描述。神經(jīng)元可能會具備多個不同概念，也可能，會具備一個人類沒有語言描述甚至無法理解的概念。

最終 OpenAI 希望能夠自動化找到并解釋能夠?qū)崿F(xiàn)復(fù)雜行為的整個神經(jīng)回路，而目前的方法只解釋了神經(jīng)元的行為，并沒有涉及下游影響。

解釋了神經(jīng)元的行為，但沒有解釋產(chǎn)生這種行為的機制。這意味著即使是拿了高分的解釋，也只能描述相關(guān)性。

整個過程是計算密集型的。

在論文中，OpenAI 表示：「語言模型可能代表了人類無法用語言表達的陌生概念。這可能是因為語言模型關(guān)心不同的事情，比如統(tǒng)計結(jié)構(gòu)對下一個token預(yù)測任務(wù)有用，或者因為模型已經(jīng)發(fā)現(xiàn)了人類尚未發(fā)現(xiàn)的自然的抽象，例如在不同領(lǐng)域的類似概念家族?！?/p>

它把 LLM 的這種屬性，稱為?Alien Feature，在生物領(lǐng)域翻譯為「異類特征」。

把對齊問題也交給 AI

「我們正試圖開發(fā)預(yù)測『AI 系統(tǒng)會出現(xiàn)什么問題』的方法，」OpenAI 可解釋性團隊負責(zé)人 William Saunders 對媒體說，「我們希望能夠真正做到，讓這些模型的行為和生產(chǎn)的回答是可以被信任的?！?/p>

Sam Altman 也轉(zhuǎn)發(fā)博客文章稱：GPT-4 對 GPT-2 做了一些可解釋性工作。

可解釋性（interpretability）是機器學(xué)習(xí)的研究子領(lǐng)域，指的是對模型的行為有清晰的理解和對模型結(jié)果的理解能力。

簡單來說，目的就是解釋機器學(xué)習(xí)模型「如何做到」（how）。

2019 年開始，可解釋性成為機器學(xué)習(xí)的重要領(lǐng)域，相關(guān)研究有助于開發(fā)人員對模型進行優(yōu)化和調(diào)整。針對當下 AI 模型大規(guī)模應(yīng)用時，亟需解決的可信度（trust）、安全性（safety）和決策參考（decision making）等問題。

如果我們不知道 AI 是如何作出決策的，始終把它當做一個黑箱，那么就算 AI 在各種場景下表現(xiàn)得再完美，也無法解決部分人類的信任問題。

OpenAI 這次使用 GPT-4 來解決可解釋性的問題，就是希望能夠使用自動化的方式，讓機器完成 AI 研究。

「這是我們對齊研究的第三支柱的一部分：我們希望自動化對齊研究。令人期待的是，這一方向能讓它（對齊）與 AI 發(fā)展的步伐相匹配?！?/p>

在 2022 年夏天，OpenAI 曾發(fā)布文章《我們做對齊研究的方法》（Our approach to alignment research）。

文中提到，宏觀來看，OpenAI 的對齊研究將由三大支柱支撐：

1、利用人工反饋訓(xùn)練 AI

2、訓(xùn)練 AI 系統(tǒng)協(xié)助人類評估

3、訓(xùn)練 AI 系統(tǒng)進行對齊研究

「語言模型非常適合自動化對齊研究，因為它們通過閱讀互聯(lián)網(wǎng)『預(yù)裝』了大量有關(guān)人類價值觀的知識和信息。開箱即用，它們不是獨立代理，因此不會在世界上追求自己的目標?！?/strong>

太快了?連認知都范式革命了

雖然 OpenAI 本意很好，但是這樣的研究成果著實嚇壞了網(wǎng)友。

OpenAI 的推文下梗圖橫飛，有不少人在認真地建議 OpenAI 搞慢點。

「用我們不理解的東西，解釋另一個我們不理解的東西，這合理嗎？」

「護欄都被你撤了」

「這太迷人了，但也讓我感到極度不適?！?/p>

「自然創(chuàng)造了人類來理解自然。我們創(chuàng)造了 GPT-4 來理解自己?！?/p>

「我們要怎么判斷解釋者是好的？這就像... 誰監(jiān)督著監(jiān)督者？」（who watches the watchers)

還有人看到了更深的一層：

「大模型很快就能比人類更好地解釋他們自己的思維過程，我想知道我們未來要創(chuàng)造多少新的詞匯，來描述那些 AI 發(fā)現(xiàn)的概念（概念本身也不準確）？我們還沒有一個合適的詞描述它們?；蛘撸覀兪欠駮X得這些概念有意義？它們又能教會我們?nèi)绾握J識自己呢？」

另一網(wǎng)友回應(yīng)道：「人類本身對自己行為的解釋，大多是謊言、捏造、幻覺、錯誤的記憶、事后推理，就像 AI 一樣。」

本文來源：?Founder Park，原文標題：《OpenAI發(fā)布炸裂研究：讓AI解釋AI黑箱，人類無法理解，語言無法描述》