沒想到，打開AI黑盒這件事，可能還要靠AI自己來實現(xiàn)了。

(資料圖片)

OpenAI的最新研究來了一波大膽嘗試：

讓GPT-4去解釋GPT-2的行為模式。

結(jié)果顯示，超過1000個神經(jīng)元的解釋得分在0.8以上——也就是說GPT-4能理解這些神經(jīng)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(lǐng)域，人類對其內(nèi)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(fā)了人類對AI的諸多擔(dān)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(jīng)元，手動檢查以確定它們各自所代表的數(shù)據(jù)特征。

但對于規(guī)模已經(jīng)達到百億、千億級別的大規(guī)模神經(jīng)網(wǎng)絡(luò)來說，工作量和工作難度就都漲了億點點吧。

由此，OpenAI的研究人員想到，干嘛不讓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(jīng)單元都解釋了一遍，并和實際情況比對進行評分。

最終生成的解釋數(shù)據(jù)集和工具代碼，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(fā)揮巨大作用，比如減少AI偏見和有害輸出。

解釋接近人類水平

具體來看，整個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在理解這段文本時激活的神經(jīng)元情況。

然后讓GPT-4來解釋，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

第二步，讓GPT-4開始模擬，這些被解釋的神經(jīng)元接下來會做什么。

GPT-4給出了一段內(nèi)容。

第三步，讓GPT-2真實的神經(jīng)元激活來生成結(jié)果，然后和GPT-4模擬的結(jié)果進行比對，研究人員會對此打分。

在博客給出的示例中，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(jīng)元。

OpenAI表示，使用這一基準，AI解釋的分數(shù)能接近人類水平。

從總體結(jié)果來看，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，更高層的會更抽象。

此外，團隊還總結(jié)了如下幾點結(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大的模型來解釋，得分也會上升用不同的激活函數(shù)訓(xùn)練模型，能提高解釋分數(shù)

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

團隊也強調(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)也會比較堪憂。

同時這種模式也能適用于聯(lián)網(wǎng)的LLM，研究人員認為可以通過簡單調(diào)整，來弄清楚神經(jīng)元如何決策搜索內(nèi)容和訪問的網(wǎng)站。

此外他們還表示，在創(chuàng)建這個解釋系統(tǒng)時并沒有考慮商業(yè)化問題，理論上除了GPT-4，其他LLM也能實現(xiàn)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(jīng)元行為十分復(fù)雜，但GPT-4給的解釋非常簡單，所以有些復(fù)雜行為還無法解釋；希望最終自動找到并解釋復(fù)雜的整個神經(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，但沒解釋行為背后的機制；整個過程算力消耗巨大。網(wǎng)友：快進到AI創(chuàng)造AI

意料之中，這項研究馬上在網(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?！?/p>

“AI教人類關(guān)掉AI中存在風(fēng)險的神經(jīng)元?！?/p>

還有人開始暢想，AI理解AI會快速發(fā)展為AI訓(xùn)練AI（已經(jīng)開始了），然后再過不久就是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本身不還是個黑盒嘛。

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(fēng)險emm……

這項研究由OpenAI負責(zé)對齊的團隊提出。

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(xiàn)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(fā)展而擴展更多。隨著未來AI模型變得越來越智能，我們也能找到對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/