打開AI黑盒子這件事，可能還要靠AI自己來實現了。
OpenAI的最新的研究做了一波大膽嘗試：
讓GPT-4去解釋GPT-2的行為模式。
結果顯示，超過1000個神經元的解釋得分在0.8以上——也就是說GPT-4能理解這些神經元。
要知道，「AI黑箱難題」長期以來是一個熱議話題，尤其是大語言模型領域，人類對其內部工作原理的理解還非常有限，這種「不透明化」也進一步引發了人類對AI的諸多擔憂。
目前推進AI可解釋性研究的一個簡單辦法，就是逐個分析大模型中的神經元，手動檢查以確定它們各自所代表的資料特徵。 但對於規模已經達到百億、千億等級的大規模神經網路來說，工作量和工作難度已經是難以想像的。 因此，OpenAI的研究人員想到，為什麼不讓AI去自動化搞定這個大工程？
在這項最新的研究中，他們將GPT-4打造成了一個理解AI行為模式的工具，把GPT-2超過30萬個神經單元都解釋了一遍，並和實際情況比對進行評分。
最終產生的解釋資料集和工具程式碼，已對外開源。
研究人員表示：未來，這種AI工具可能在改善LLM性能上發揮巨大作用，比如減少AI偏見和有害輸出。
解釋接近人類水準具體來看，整個研究的步驟可以分為3個步驟。
第一步，先給GPT-4一段文本，並展示GPT-2在理解這段文本時啟動的神經元情況。
然後讓GPT-4來解釋，這段文本中神經元的啟動情況。
比如示例中給出了一段漫威複聯的文本，GPT-4分析的啟動神經元為：
電影、角色和娛樂
第二步，讓GPT-4開始模擬，這些被解釋的神經元接下來會做什麼。
GPT-4給出了一段內容。
第三步，讓GPT-2真實的神經元被啟動來產生結果，然後和GPT-4模擬的結果進行比對，研究人員會對此評分。
在部落格給出的示例中，GPT-4的得分為0.34.
使用這個辦法，研究人員讓GPT-4解釋了GPT-2一共307200個神經元。
OpenAI表示，使用這一基準，AI解釋的分數能接近人類水準。
從總體結果來看，GPT-4在少數情況下的解釋得分很高，在0.8分以上。
他們還發現，不同層神經元被啟動的情況，更高層的會更抽象。
此外，團隊還總結了如下幾點結論：
- 如果讓GPT-4重複解釋，它的得分能更高
- 如果使用更強大的模型來解釋，得分也會上升
- 用不同的啟動函數訓練模型，能提高解釋分數
總結來看就是，雖然GPT-4目前的表現一般，但是這個方法和想法的提升空間還有很大。 團隊也強調，現在在GPT-2上的表現都不太好，如果換成更大、更複雜的模型，表現也會比較堪憂。
同時這種模式也能適用於聯網的LLM，研究人員認為可以透過簡單調整，來弄清楚神經元如何決策搜尋內容和造訪的網站。此外他們還表示，在創建這個解釋系統時並沒有考慮商業化問題，理論上除了GPT-4，其他LLM也能實現類似效果。
接下來，他們打算解決研究中的這幾個問題：
- AI神經元行為十分複雜，但GPT-4給的解釋非常簡單，所以有些複雜行為還無法解釋；
- 希望最終自動找到並解釋複雜的整個神經回路，神經元和注意力一起工作；
- 目前只解釋了神經元的行為，但沒解釋行為背後的機制；
- 整個過程算力消耗巨大。
意料之中，這項研究馬上在網路上引發熱議。
大家的馬上聯想到：「AI教人類理解AI。」
「AI教人類關掉AI中存在風險的神經元。」
還有人開始暢想，AI理解AI會快速發展為AI訓練AI（已經開始了），然後再過不久就是AI創造新的AI了。
當然這也引發了不少擔憂，畢竟GPT-4本身也還是個黑盒子啊。
人類拿著自己不理解的東西，讓它解釋另一個自己不理解的東西，這個風險……
這項研究由OpenAI負責校準的團隊提出。
他們表示，這部分工作是他們對齊研究的第三大支柱的一部分：
我們想要實現自動化對齊。這種想法一個值得思考的方面是，它可能隨著AI的發展而擴展更多。隨著未來AI模型變得越來越智慧，我們也能找到對AI更好的解釋。
論文地址：
資料來源：
- Language models can explain neurons in language models
- OpenAI’s tool explains language model behavior