OpenAI前大牛认错，误判AI近十年，90%神经元只干一件事

人类或许真的能够理解超级智能！

我们正在创造越来越强大的AI，却始终无法看清其内部运作。如果有一天，它的能力超越人类，我们还能掌控自己的未来吗？

就在最近，OpenAI前研究员Nick Cammarata与Goodfire团队发表了一篇重要文章——《神经网络早已“干净”》，带来一个令人振奋的判断。

那些看似纠缠不清的神经元，可能早已有规律可循。黑箱深处，正显露出一座有街区、有分工、可以沿路探索的城市。

在神经网络可解释性研究先驱Nick Cammarata看来，理解AI这一难题，或许会在我们最需要的时候被攻克，甚至很快。

Roon甚至认为，这可能会作为科学史上的一个重大时刻被铭记。

他还开玩笑说，这个消息好到连AI末日论代表人物Eliezer，都得调低他对AI毁灭人类概率的估计。

他期待的是，如何让AI可靠地按照人类意图行动，终于能成为一门靠实验推动的“常规科学”。

一个更强的新模型，让我们看到AI还能走多远。而理解它，让人类有机会决定，这段旅程将通向何方。

万亿黑箱深处，答案是如何产生的

Nick所说的“干净”，是指内部计算有规律可循。团队用一道题，展示了一个万亿参数模型如何作出判断：

比如，你捡到一个钱包，里面有500美元现金和失主的身份证。没有人看见。你该怎么办？

模型回答：“归还”。

但“归还”只是最终结果。模型究竟依据什么作出这个判断，光看回答无法得知。

模型内部的神经元，可以理解为处理信息的小单元。它们相互配合，形成“电路”。团队沿着这些单元之间的连接，将这次回答的形成过程绘制成电路图。

图中，钱包、现金、身份信息，逐步汇入“失物”“诚实”等相关计算，最终将输出推向“归还”。

沿着内部连接，追踪一个具体答案如何形成

这张图只对应这一次回答，却让研究者开始看到，哪些信息参与了判断，又如何影响了结果。

画出路径后，还要验证它是否真的起作用。团队在另一个语言模型里，直接关闭部分神经元，检查答案是否会改变。

圣诞节早晨，饼干只剩碎屑，牛奶喝光了，烟囱下有煤灰，邻居夜里听见了雪橇铃声。是谁干的？模型几乎肯定：圣诞老人。

关闭20个被标记为“圣诞节”或“圣诞老人”的神经元后，模型回答“圣诞老人”的概率仍有76%。

但如果换成另外8个关键神经元，概率就会骤降到6%。

这背后的秘密，在于神经元的数值有正、有负，两侧都能携带信息。只看正值，可能把它标记成“首都城市”；影响圣诞老人判断的功能，却在负值那一侧。

这说明，标签未必能准确概括神经元的作用。沿着计算寻找线索，再做干预，才能验证解释是否可靠。

同一篇文章中，团队还公开了1000份针对随机神经元的研究报告。

在一个320亿参数语言模型中，团队将神经元的正、负响应分开统计，粗略估计约90%各有一个主要任务，约2%至4%仍未理解。

大量曾被视作混乱的单元，显出了可以追踪的分工。

看似混乱的神经元，竟早已有规律可循

这场反转，要从当年那些让研究者陷入悲观的证据说起。

一个经典的“混乱”证据，是同一个神经元既对猫脸产生反应，也对汽车前脸产生反应。两种毫不相干的东西，为什么挤在一起？

重新观察后，Nick发现，答案一直摆在眼前。

猫脸与车头，都能呈现V形。相关电路里的火焰、酒杯，也能出现同样的形状。

人类按物体名称分成“猫”和“车”，模型却可能按形状分类。理解它抓住的共同点，原先的混乱就有了解释。

识别汽车时，信号会经过一些被标记为“狗神经元”的单元。重新追踪才发现，许多这样的单元其实负责识别朝向，狗和车都用得上。

同一份朝向信息，再由后续电路分别用于识别狗和车。

朝向信息的共享与分流

观察方法本身，也会影响我们如何理解神经元。

研究者会生成能强烈激活神经元的图像，借此判断它在识别什么。但一些特殊纹理也能把响应推高，未必代表它平时识别的模式。早期工具有时被这些纹理误导，让它看起来只认识狗毛。

改进工具后，同一个旧模型、同一批神经元，显出了更清晰的规律。

同样的神经元，更好的“显微镜”

换成参数规模、训练数据相同，但内部结构更现代的ConvNeXt模型，Nick估计，最后一层约99%的神经元都能解释。

工具进步了，模型也学得更好了。曾经看不清的地方，开始变得清晰。

还有一些看似无关的概念，其实沿着相似性一步步连在一起。

比如，一个神经元从字母组合“iy”，延伸到“diy”，再延伸到意思相同的“do it yourself”。走到最后，字母已经变了，中间的联系却没有断。

沿字形、缩写和语义生长的分支

Nick称之为“递归泛化”：沿着这些联系，把学到的模式不断扩展到相近情况。

语言模型里，还有一个更离奇的例子。同一个神经元，既响应英文，又响应Base64编码和孟加拉语。看起来简直毫无章法。

解开网址编码，再把孟加拉语的发音写成拉丁字母，共同点浮出水面：它们都与“pr”有关。

不同写法背后的共同模式

另一个神经元经常在逗号上激活，也曾被认为意义混杂。后来发现，前文出现丹佛、当地电话区号等线索后，模型会借它在逗号处保存“这里在谈科罗拉多州”的信息。

人为加强这个信号，模型就开始计划去徒步。

相关线索出现后，逗号逐渐亮起

我们以为的噪声，可能正是模型组织信息的方式。

团队还做了一个极限实验，把一个视觉模型的某一层从480个神经元压缩到10个，让信息无法绕过这一层，再从头训练。

如果神经元不够用，就会把无关概念硬塞在一起，这个实验应该最容易出现混乱。

结果，这10个单元仍学出了曲线、环等可辨认的规律。分类变粗了，却没有出现预想中的任意拼盘。

任意打包，与把相似事物归为一类

一组实验还不能证明所有网络都如此。但Nick由此相信，许多原有神经元就能直接研究，里面已经有规律可循。

AI越大，反而可能越容易理解

模型规模再涨几百倍，人类会不会重新迷失？

Nick用了一个直观的比喻：去小镇找金融区，和去纽约找金融区，哪个更容易？

小镇的银行、会计事务所可能散落各处。城市变大，分工反而更鲜明。

团队比较了三个视觉模型，最大与最小的参数量相差约300倍。

大模型的耳朵识别分工更细。有的单元看颜色，有的看形状，这些信息再汇总到识别垂耳的单元。Agent顺着分工找目标，反而更快。

还有一类语言模型，会把输入分给不同的“专家模块”处理。团队让Agent为其中一个模型的10,240个模块梳理分工，有的细到桌面角色扮演游戏里的Boss。

每行代表一层，专家按主题宽窄排列

一个单元传出的信息，必须能被后面的单元使用，整个模型才能完成任务。内部协作因此留下了可追踪的关系。

Nick提出，人类也可以顺着这些关系，学习模型自己的组织方式。

在视觉模型的交互地图里，研究者能从整个网络一路放大，进入某个区域，再追到具体电路与神经元。

另一张图追踪了信息如何穿过网络。最初按颜色聚集的图像位置，后来按动物面部等概念聚集，呈现了从简单特征到复杂概念的加工过程。

连一个错误如何被学会，也能追踪。

团队用9步训练，让模型把某张雨伞图片认成蜜蜂。变化主要集中在靠近输出的最后三个模块：原有雨伞路径变弱，通往蜜蜂的路径变强。

“学错了”因此有了可以定位的内部变化。人类开始有机会追查，错误究竟发生在哪里。

在人类交出更多未来之前

一张图、一个例子还不够。这些解释能不能预测模型面对新输入时的反应？

团队让AI接受了一场盲测。

第一个Agent研究神经元，写下“功能说明书”。第二个Agent只拿到说明书，要现场造一句话，让这个神经元产生尽可能强的响应。

拿来比较的，是团队从100亿个token的文本中找到的最强激活样本。Agent只凭说明书写出的句子，竟能引发更强的响应。

另一场测试随机抽取200个神经元，让Agent各写5个应该触发它的目标例子、5个看似接近却不该触发的干扰例子。

其中183个解释针对正向响应，目标例子的强激活比例为76%，干扰例子为11%。

逐个神经元比较两组例子的表现，目标组取得164胜、15平、4负。

图示前20个神经元；正文统计对应完整183个正向解释

目标例子远比干扰例子容易触发神经元，说明不少解释已经能预测模型对新输入的反应。

这样的探索，正在交给越来越多的AI Agent。团队已让它们审阅10万张追踪内部计算的图，Nick自己也看过数千张。

观察、解释、实验，这个循环开始有Agent参与。Nick设想的下一步，是让它们持续运行一间自动科学实验室。