明敏 发自 凹非寺

量子位 | 公众号 QbitAI

没想到，打开AI黑盒这件事，可能还要靠AI自己来实现了。

OpenAI的最新研究来了一波大胆尝试：

让GPT-4去解释GPT-2的行为模式。

结果显示，超过1000个神经元的解释得分在0.8以上——也就是说GPT-4能理解这些神经元。

要知道，“AI黑箱难题”长期以来是一个热议话题，尤其是大语言模型领域，人类对其内部工作原理的理解还非常有限，这种“不透明化”也进一步引发了人类对AI的诸多担忧。

目前推进AI可解释性研究的一个简单办法，就是逐个分析大模型中的神经元，手动检查以确定它们各自所代表的数据特征。

但对于规模已经达到百亿、千亿级别的大规模神经网络来说，工作量和工作难度就都涨了亿点点吧。

由此，OpenAI的研究人员想到，干嘛不让AI去自动化搞定这个大工程？

在博客给出的示例中，GPT-4的得分为0.34.

使用这个办法，研究人员让GPT-4解释了GPT-2一共307200个神经元。

OpenAI表示，使用这一基准，AI解释的分数能接近人类水平。

从总体结果来看，GPT-4在少数情况下的解释得分很高，在0.8分以上。

他们还发现，不同层神经元被激活的情况，更高层的会更抽象。

“AI教人类关掉AI中存在风险的神经元。”

还有人开始畅想，AI理解AI会快速发展为AI训练AI（已经开始了），然后再过不久就是AI创造新的AI了。

当然这也引发了不少担忧，毕竟GPT-4本身不还是个黑盒嘛。

人类拿着自己不理解的东西，让它解释另一个自己不理解的东西，这个风险emm……

这项研究由OpenAI负责对齐的团队提出。

他们表示，这部分工作是他们对齐研究的第三大支柱的一部分：

我们想要实现自动化对齐。这种想法一个值得思考的方面是，它可能随着AI的发展而扩展更多。随着未来AI模型变得越来越智能，我们也能找到对AI更好的解释。

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

参考链接：[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/

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态