大自然創造人類來理解自然，人類創造 AI 來理解自己。
就算在新產品滿天飛，商業文明正在被 AI 重建的當下，我們仍然不知道，這些令人驚嘆的技術是如何運作的。
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？
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，這一研究方法產生的結果，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。
毫不誇張地說，人們震驚極了：「求求你們讓它離覺醒遠點吧！」
「AI 理解 AI，然後很快，AI 訓練 AI，然後再過幾年，AI 創造新的 AI。」
但客觀來說，學術界為之感到興奮：「瘋了，OpenAI 剛剛搞定了可解釋性問題。」
人與機器之間是 GPT-4
OpenAI 剛剛在官網發布博客文章《語言模型可以解釋語言模型中的神經元》（Language models can explain neurons in language models）。
簡單來說，他們開發了一個工具，調用 GPT-4 來計算出其他架構更簡單的語言模型上神經元的行為，這次針對的是 GPT-2，發布於 4 年前的開源大模型。
大模型（LLM）和人腦一樣，由「神經元」（neurons）組成，這些神經元會觀察文本中的特定規律，進而影響到模型本身生產的文本。
舉例來說，如果有一個針對「漫威超級英雄」的神經元，當用戶向模型提問「哪個超級英雄的能力最強」時，這個神經元就會提高模型在回答中說出漫威英雄的概率。
OpenAI 開發的工具利用這種規則制定了一套評估流程。
開始之前，先讓 GPT-2 運行文本序列，等待某個特定神經元被頻繁「激活」的情況。
然後有三個評估步驟：
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，神經元主要針對漫威內容。GPT-4 接收到文本和激活情況後，判斷這與電影、角色和娛樂有關。
第二步，用 GPT-4模擬這個 GPT-2 的神經元接下來會做什麼。下圖就是 GPT-4 生成的模擬內容。
最後一步，對比評估打分。對比 4 代模擬神經元和 2 代真實神經元的結果，看 GPT-4 猜的有多准。
通過這樣的方法，OpenAI 對每個神經元的行為作出了初步的自然語言解釋，並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 個神經元全部進行了解釋，這些解釋匯編成數據集，與工具代碼一起在 GitHub 上發布。
超越語言的機器人類無法理解的機器
據 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，表現效果很差，「可能是因為後面的 layer 更難解釋」。
對於 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，「大多數解釋的得分很低，或者無法解釋實際神經元那麼多的行為。比如，許多神經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。」
雖然現階段成績不好，但是 OpenAI 卻比較有信心，他們認為可以使用機器學習的方式提高 GPT-4 產出解釋的能力。
比如通過反覆產出解釋，並根據激活情況修改解釋；或者使用更大的模型作出解釋；以及調整解釋模型的結構等等。
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，也許並不匹配神經元可能非常複雜的行為，不能簡潔地進行描述。神經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並解釋能夠實現複雜行為的整個神經迴路，而目前的方法只解釋了神經元的行為，並沒有涉及下游影響。
解釋了神經元的行為，但沒有解釋產生這種行為的機制。這意味着即使是拿了高分的解釋，也只能描述相關性。
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心不同的事情，比如統計結構對下一個token預測任務有用，或者因為模型已經發現了人類尚未發現的自然的抽象，例如在不同領域的類似概念家族。」
它把 LLM 的這種屬性，稱為Alien Feature，在生物領域翻譯為「異類特徵」。
Founder Park 微信後台回復「解釋神經元論文」，獲取論文鏈接和中英對照 PDF 鏈接（機翻）。
把對齊問題
也交給 AI
「我們正試圖開發預測『AI 系統會出現什麼問題』的方法，」OpenAI 可解釋性團隊負責人 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的回答是可以被信任的。」
Sam Altman 也轉發博客文章稱：GPT-4 對 GPT-2 做了一些可解釋性工作。
可解釋性（interpretability）是機器學習的研究子領域，指的是對模型的行為有清晰的理解和對模型結果的理解能力。
簡單來說，目的就是解釋機器學習模型「如何做到」（how）。
2019 年開始，可解釋性成為機器學習的重要領域，相關研究有助於開發人員對模型進行優化和調整。針對當下 AI 模型大規模應用時，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，那麼就算 AI 在各種場景下表現得再完美，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 發展的步伐相匹配。」
在 2022 年夏天，OpenAI 曾發布文章《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、利用人工反饋訓練 AI
2、訓練 AI 系統協助人類評估
3、訓練 AI 系統進行對齊研究
「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網『預裝』了大量有關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。」
太快了
連認知都範式革命了
雖然 OpenAI 本意很好，但是這樣的研究成果着實嚇壞了網友。
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。」
「自然創造了人類來理解自然。我們創造了 GPT-4 來理解自己。」
「我們要怎麼判斷解釋者是好的？這就像... 誰監督着監督者？」（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造多少新的詞彙，來描述那些 AI 發現的概念（概念本身也不準確）？我們還沒有一個合適的詞描述它們。或者，我們是否會覺得這些概念有意義？它們又能教會我們如何認識自己呢？」
另一網友回應道：「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、事後推理，就像 AI 一樣。」
關注 Founder Park，我們將持續推出更全面更深度的大模型相關討論與報導。
如果你有投身大模型創業的想法，歡迎加入我們的大模型相關領域交流群，來一起探討大模型時代創業的共識和認知。
你覺得高校應該禁止學生使用ChatGPT嗎？-(作者:Founder Park/來源:極客公園)
