OpenAI拆开AI「黑箱」，终于可以看懂GPT在想什么了

新智元报道

编辑：元宇

【新智元导读】OpenAI的新论文介绍了他们在破解大模型「黑箱」上的一次重要突破，通过训练结构更简单、连接更稀疏的神经网络，为构建既强大又透明的模型提供全新方向。

破解大模型「黑箱」的钥匙找到了？

刚刚，在理解大模型复杂行为的道路上，OpenAI又迈出了关键一步。

他们从自己训练出来的稀疏模型里，发现存在结构小而清晰、既可理解又能完成任务的电路（这里的电路，指神经网络内部一组协同工作的特征与连接模式，是AI可解释性研究的一个术语）。

这意味着，如果真存在一种可行的方式来训练机制可解释的大型系统，它们将是破解大模型「黑箱」的钥匙。

麻省理工科技评论认为，OpenAI的新研究对于破解大模型「黑箱」意义重大：

构建一个更加透明的模型，将有助于揭示大模型的运作机制，帮助研究人员弄清模型为何会产生幻觉、为何会失控，以及我们应该在多大程度上信任它们来完成关键任务。

OpenAI在其官方博客和论文中介绍了他们的具体做法。

论文地址：https://cdn.openai.com/pdf/41df8f28-d4ef-43e9-aed2-823f9393e470/circuit-sparsity-paper.pdf

神经网络与大模型黑箱

神经网络难以理解，本质上与其结构方式、参数规模以及训练方式有关。

这些特性共同作用，造成了所谓的大模型「黑箱效应」——

我们知道它能工作，但很难精确解释它「为什么这样工作」。

由此，也带来了理解大模型工作机制，即大模型「可解释性」上的挑战。

尤其是随着大模型在科学、教育、医疗等领域的具体应用，「可解释性」问题也越来越重要。

实现大模型可解释性的方式有很多，比如通过链式思维（chain of thought）来解释大模型行为，以此来监控模型的行为。

但这种能力在未来也可能会失效。

因此，OpenAI在新研究中更关注机制可解释性（mechanistic interpretability），目标是彻底逆向工程化大模型的计算过程。

可解释性，可以帮助我们实现很多在模型安全、监督上的工作：

比如，让监督更有效，提前发现不安全或不对齐的行为等，也可以与可扩展监督、对抗训练、红队测试等其他安全工作相互补充。

虽然它的效果可能不如链式思维那样立竿见影，但在理论上，它可以更完整地解释模型的行为。

新方法

训练稀疏模型

以往关于机制可解释性的研究，好比把森林还原成一棵棵树木，一般是从密集、纠缠的神经网络出发，尝试把它们「解开」。

然而在这类网络中，一个神经元可能连着成千上万个其他神经元，大多数神经元还「身兼多职」，因此，想彻底搞清楚它们到底在干什么，几乎是不可能的。

但是，如果把一大片森林缩减成排列相对整齐的树木会怎样？

也就是训练的神经网络结构更清晰，神经元数量更多，但每个神经元只有几十个连接，这样得到的网络可能更简单，也更容易解释。

这就是OpenAI训练稀疏模型的核心想法。

基于这个原则，他们训练了一个结构与GPT-2等现有语言模型非常接近的模型，只做了一个小改动：让模型的大部分权重变成零。

这样模型就只能使用极少数连接。

OpenAI认为这个简单的改变，可以让模型内部的计算被大幅「解耦」。

上图展示的是神经网络内部连接结构的两种形式。

左边Dense（密集），显示的是普通的全连接神经网络，每个神经元都会连接到下一层的所有神经元。

右边Circuit Sparsity（稀疏电路），显示的是在稀疏模型里，每个神经元只会与下一层中的少数几个神经元相连。

稀疏模型可以让神经元本身，以及整个网络，都更容易被理解。

可解释性评估

如何衡量稀疏模型内部的计算「解耦」程度？

研究人员选取了一些简单的模型行为，检查能否找到模型中负责这些行为的部分——他们称之为电路，并整理出一套简单的算法任务。

对于每个任务，他们将模型剪枝到仍能完成任务的最小电路，并观察这个电路有多简单，结果发现：

训练更大但更稀疏的模型，往往能得到能力更强、但电路更简单的模型。

研究人员在不同模型上绘制了可解释性与模型能力之间的关系图，如上图。

对于固定规模的稀疏模型来说，提高稀疏度，即把更多权重设为零，这会降低模型能力，但会提升可解释性。

随着模型规模变大，这条前沿会整体外移，这说明我们可以构建既有能力又更可解释的更大模型。

举例来说：假设一个训练过Python代码的模型，需要用正确的引号类型补全字符串。

上图是一个稀疏Transformer中的示例电路，用来预测字符串最后应该用单引号还是双引号结尾。

该电路只使用了五个残差通道（竖直的灰色线）、第0层的两个MLP神经元，以及第10层中的一个注意力的query-key通道和一个value通道。

• 在一个残差通道中编码单引号，在另一个通道中编码双引号；

• 通过一个MLP层把它们转换为一个检测任意引号的通道，以及另一个用于区分单引号和双引号的通道；

• 通过注意力操作忽略中间的Token，找到前一个引号，并将它的类型复制给最后一个Token；

• 预测匹配的结束引号。

模型可以通过记住字符串开头的引号类型，并在结尾重现它来完成任务。

这些连接足以完成任务，这意味着把模型其他部分都删掉，这个小电路仍然能工作。

但同时，它们也是必要的，删掉这些连接模型就会失败。

在对于一些更复杂行为的研究中，完全解释这些行为的电路（比如变量绑定）会更困难，但仍然能得到相对简单、而且能预测模型行为的部分解释。

在OpenAI研究人员看来，这项工作是让模型计算更容易被理解的早期尝试，他们的稀疏模型比最前沿模型小很多，而且它们的大部分计算仍无法解释。

因为，未来还有很长的路要走。

下一步，OpenAI计划将这些技术扩展到更大的模型，并能解释更多模型行为。

在解决训练稀疏模型效率低下的问题上，OpenAI也指出了两条可能路线。

一条路线，是从现有的密集模型中提取稀疏电路，而不是从头训练稀疏模型。

另一条路线，是开发更高效的模型可解释性训练技术。

他们的目标，是逐步扩大能够可靠解释的模型范围，并构建工具，让未来的系统更容易分析、调试和评估。

这样，我们就会在追求更强大模型的同时，也让它们的解释机制更加透明，这对于清晰大模型与人类的能力边界十分重要。

作者简介

Leo Gao

据公开资料显示，Leo Gao是EleutherAI的联合创始成员之一，2021年起在OpenAI担任研究员，参与了大语言模型能力评估、奖励模型过优化、稀疏自动编码器等方向的研究。

他长期从事人工智能对齐、机器学习等工作，同时对软件开发、数学、语言学、经济学等领域也颇有兴趣。

通过参与EleutherAI和The Pile等开放项目，他在实践中推动了开放研究以及公开数据集和模型访问，并特别关注大模型规模扩展对能力与对齐带来的潜在风险。

参考资料：

https://www.technologyreview.com/2025/11/13/1127914/openais-new-llm-exposes-the-secrets-of-how-ai-really-works/%20

https://openai.com/index/understanding-neural-networks-through-sparse-circuits/