神经网络的不可解释性，一直是AI领域的“老大难”问题。
但现在，我们似乎取得了一丝进展——
ChatGPT最强竞对Claude背后的公司Anthropic，利用字典学习成功将大约500个神经元分解成了约4000个可解释特征。
具体而言，神经元具有不可解释性，但经过这一分解，Anthropic发现每一个特征都代表了不同的含义，比如有的分管DNA序列，有的则表示HTTP请求、法律文本等等，也就是具备了可解释性。
而通过人为地刺激其中任一特征，就能引导模型给出我们预期之内的输出。
比如开启DNA特征就能使模型输出DNA，开启阿拉伯文字特征就让模型输出阿拉伯文字。
Anthropic激动地表示：
他们这一方法很可能克服AI不可解释性这一巨大障碍。
而一旦我们能够了解语言模型的工作原理，就能很容易地判断一个模型是否安全，从而决定它是否应该被社会和企业所采用。
具体来看。
用字典学习分解语言模型
首先，光针对语言模型来说，它的不可解释性主要体现在网络中的大多数神经元都是“多语义的”。
例如，一个小型语言模型中的某个神经元会同时对学术引文、英语对话、HTTP请求、韩语文字等不同内容表现出强烈的激活状态。
而这会阻碍我们了解神经网络每一小部分的具体功能和交互过程，从而无法对整个网络的行为进行推断。
那么，是什么原因造成了多语义性这一特征？
早在去年，Anthropic就推测其中一个潜在的因素是“叠加”（superposition）。
同时，Anthropic也指出，字典学习——就是提取事物最本质的特征，最终让我们像查字典一样获取新知识，是解决这一问题的办法。
在此之前，他们已提出了一个叠加玩具模型，并证明：
如果一个对模型有用的特征集在训练数据中是稀疏的，那么该神经网络在训练过程中可以自然地产生叠加。
基于该玩具模型，他们提出了三种策略来找到一组稀疏且可解释的特征：一是创建没有叠加的模型，然后通过鼓励激活稀疏性；
二是使用字典学习在表现出叠加的模型中找到超完备的特征基础；
三是将前两种方法混合使用。
经过实验证明，方法一不足以杜绝多语义性，方法二则存在严重的过拟合问题。
于是在此，团队又采用了一种称为稀疏自动编码器的弱字典学习算法。
它能够从经过训练的模型生成学习特征，提供比模型神经元本身更单一语义的分析单元。
最终所得编码器在从叠加中提取可解释性特征方面取得了“令人信服的成功”。
具体来说，Anthropic采用一个具有512个神经元的MLP单层transformer，通过在具有80亿个数据点的MLP激活上训练稀疏自动编码器，最终将MLP激活分解为相对可解释的特征，扩展因子范围可以从1x（512个特征）增长到256x（131072个特征）。
Anthropic团队将他们得到的可解释性分析全部集中在一个称为A/1的运行中，共包含4096个特征，每个特征都注明了含义，它们可以按照预期被人工激活。
下面是它们的可视化图表：
集成长篇报告发布，7个关键结论
现在，Anthropic将以上全部成果以报告的形式发布。
报告题目为《迈向单义性：通过字典学习分解语言模型》（TowardsMonosemanticity:DecomposingLanguageModelsWithDictionaryLearning）。
篇幅非常长，共分为四部分，分别为：
总的来看，关键结论一共有7个：
1、我们能够用稀疏自动编码器提取相对单一语义的特征，但大多数学习到的特征都是相对可解释的。
2、稀疏自动编码器产生可解释的特征，在神经元基础中基本是不可见的。
3、稀疏自动编码器功能可用于干预和引导transformer的生成。
例如，激活Base64特征会导致模型生成Base64文本，激活阿拉伯文字特征会生成阿拉伯文本。
4、稀疏自动编码器产生相对通用的特征。特征彼此之间的相似性比它们与自己模型神经元之间的相似度更高（对应“普遍性”一节）。
5、当我们增加自动编码器的大小时，特征似乎会“分裂”。比如一个小型字典中的Base64特征在较大的字典中会分成三个，每个都具有更微妙但仍可解释的含义（对应“特征分割性”一节）。
6、仅512个神经元就可以代表数万个特征。
7、特征可以在类似“有限状态自动机”的系统中实现连接，从而完成复杂的行为（比如生成HTML功能）。
OneMoreThing
神经元就像一个神秘的盒子，Anthropic这项工作就相当于研究如何偷看盒子中的内容。