分解大模型的神經(jīng)元！Claude團(tuán)隊(duì)最新研究火了，網(wǎng)友：打開黑盒

豐色 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

神經(jīng)網(wǎng)絡(luò)的不可解釋性，一直是AI領(lǐng)域的“老大難”問題。

但現(xiàn)在，我們似乎取得了一絲進(jìn)展——

ChatGPT最強(qiáng)競對Claude背后的公司Anthropic，利用字典學(xué)習(xí)成功將大約500個神經(jīng)元分解成了約4000個可解釋特征。

具體而言，神經(jīng)元具有不可解釋性，但經(jīng)過這一分解，Anthropic發(fā)現(xiàn)每一個特征都代表了不同的含義，比如有的分管DNA序列，有的則表示HTTP請求、法律文本等等，也就是具備了可解釋性。

而通過人為地刺激其中任一特征，就能引導(dǎo)模型給出我們預(yù)期之內(nèi)的輸出。

比如開啟DNA特征就能使模型輸出DNA，開啟阿拉伯文字特征就讓模型輸出阿拉伯文字。

Anthropic激動地表示：

他們這一方法很可能克服AI不可解釋性這一巨大障礙。

而一旦我們能夠了解語言模型的工作原理，就能很容易地判斷一個模型是否安全，從而決定它是否應(yīng)該被社會和企業(yè)所采用。

具體來看。

用字典學(xué)習(xí)分解語言模型

首先，光針對語言模型來說，它的不可解釋性主要體現(xiàn)在網(wǎng)絡(luò)中的大多數(shù)神經(jīng)元都是“多語義的”。

即它們可以對多個不相關(guān)的事物進(jìn)行響應(yīng)。

例如，一個小型語言模型中的某個神經(jīng)元會同時(shí)對學(xué)術(shù)引文、英語對話、HTTP請求、韓語文字等不同內(nèi)容表現(xiàn)出強(qiáng)烈的激活狀態(tài)。

而這會阻礙我們了解神經(jīng)網(wǎng)絡(luò)每一小部分的具體功能和交互過程，從而無法對整個網(wǎng)絡(luò)的行為進(jìn)行推斷。

那么，是什么原因造成了多語義性這一特征？

早在去年，Anthropic就推測其中一個潛在的因素是“疊加”（superposition）。

這指的是模型將許多不相關(guān)的概念全部壓縮到一個少量神經(jīng)元中的操作。

同時(shí)，Anthropic也指出，字典學(xué)習(xí)——就是提取事物最本質(zhì)的特征，最終讓我們像查字典一樣獲取新知識，是解決這一問題的辦法。

在此之前，他們已提出了一個疊加玩具模型，并證明：

如果一個對模型有用的特征集在訓(xùn)練數(shù)據(jù)中是稀疏的，那么該神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中可以自然地產(chǎn)生疊加。
基于該玩具模型，他們提出了三種策略來找到一組稀疏且可解釋的特征：一是創(chuàng)建沒有疊加的模型，然后通過鼓勵激活稀疏性；

二是使用字典學(xué)習(xí)在表現(xiàn)出疊加的模型中找到超完備的特征基礎(chǔ)；

三是將前兩種方法混合使用。

經(jīng)過實(shí)驗(yàn)證明，方法一不足以杜絕多語義性，方法二則存在嚴(yán)重的過擬合問題。

于是在此，團(tuán)隊(duì)又采用了一種稱為稀疏自動編碼器的弱字典學(xué)習(xí)算法。

它能夠從經(jīng)過訓(xùn)練的模型生成學(xué)習(xí)特征，提供比模型神經(jīng)元本身更單一語義的分析單元。

總的來說，該算法建立在大量先前的成果之上，尤其是在神經(jīng)網(wǎng)絡(luò)激活上使用字典學(xué)習(xí)的相關(guān)方法，以及解耦（disentanglement）相關(guān)的內(nèi)容。

最終所得編碼器在從疊加中提取可解釋性特征方面取得了“令人信服的成功”。

具體來說，Anthropic采用一個具有512個神經(jīng)元的MLP單層transformer，通過在具有80億個數(shù)據(jù)點(diǎn)的MLP激活上訓(xùn)練稀疏自動編碼器，最終將MLP激活分解為相對可解釋的特征，擴(kuò)展因子范圍可以從1x（512個特征）增長到256x（131072個特征）。

Anthropic團(tuán)隊(duì)將他們得到的可解釋性分析全部集中在一個稱為A/1的運(yùn)行中，共包含4096個特征，每個特征都注明了含義，它們可以按照預(yù)期被人工激活。

下面是它們的可視化圖表：

集成長篇報(bào)告發(fā)布，7個關(guān)鍵結(jié)論

現(xiàn)在，Anthropic將以上全部成果以報(bào)告的形式發(fā)布。

報(bào)告題目為《邁向單義性：通過字典學(xué)習(xí)分解語言模型》（Towards Monosemanticity: Decomposing Language Models With Dictionary Learning）。

篇幅非常長，共分為四部分，分別為：

• 問題設(shè)置，闡述研究動機(jī)，以及他們訓(xùn)練的transformer和稀疏自動編碼器。
• 特征詳細(xì)調(diào)查，即“存在性證明”，證明他們發(fā)現(xiàn)的特征確實(shí)是功能上特定的因果單元。
• 全局分析，表明所得特征是可解釋的，并且它們能夠解釋MLP層的重要部分。
• 現(xiàn)象分析，描述特征的幾個屬性，包括特征分割性、普遍性等，以及它們?nèi)绾涡纬梢粋€有趣的、類似“有限狀態(tài)自動機(jī)”的系統(tǒng)。

總的來看，關(guān)鍵結(jié)論一共有7個：

1、我們能夠用稀疏自動編碼器提取相對單一語義的特征，但大多數(shù)學(xué)習(xí)到的特征都是相對可解釋的。

2、稀疏自動編碼器產(chǎn)生可解釋的特征，在神經(jīng)元基礎(chǔ)中基本是不可見的。

3、稀疏自動編碼器功能可用于干預(yù)和引導(dǎo)transformer的生成。

例如，激活Base64特征會導(dǎo)致模型生成Base64文本，激活阿拉伯文字特征會生成阿拉伯文本。

4、稀疏自動編碼器產(chǎn)生相對通用的特征。特征彼此之間的相似性比它們與自己模型神經(jīng)元之間的相似度更高（對應(yīng)“普遍性”一節(jié)）。

5、當(dāng)我們增加自動編碼器的大小時(shí)，特征似乎會“分裂”。比如一個小型字典中的Base64特征在較大的字典中會分成三個，每個都具有更微妙但仍可解釋的含義（對應(yīng)“特征分割性”一節(jié)）。

6、僅512個神經(jīng)元就可以代表數(shù)萬個特征。

7、特征可以在類似“有限狀態(tài)自動機(jī)”的系統(tǒng)中實(shí)現(xiàn)連接，從而完成復(fù)雜的行為（比如生成HTML功能）。

One More Thing

在評論區(qū)，有網(wǎng)友評價(jià)：

神經(jīng)元就像一個神秘的盒子，Anthropic這項(xiàng)工作就相當(dāng)于研究如何偷看盒子中的內(nèi)容。

顯然，這項(xiàng)工作還只是一個開頭——

Anthropic同時(shí)還在加緊招聘可解釋性相關(guān)的研究員和工程師。

點(diǎn)開來看，薪資在25萬美元（約180萬元）-52萬美元之間，研究內(nèi)容跟如上報(bào)告息息相關(guān)。

報(bào)告鏈接：
https://transformer-circuits.pub/2023/monosemantic-features/index.html

參考鏈接：
https://twitter.com/anthropicai/status/1709986949711200722