大模型为什么认为 9.8<9.11？神经元级别的解释来了。

9.8 和 9.11 到底哪个大？这个小学生都能答对的问题却难倒了一众大模型，很多模型输出的结果都是「9.8<9.11」。

为什么模型会集体出错？AI 研究者们总结了很多可能的原因，比如模型会把 9.11 拆解成 9/./11 三部分，然后拿 11 去和 8 作比较；也有人猜测，大模型会把 9.8 和 9.11 当成日期或版本号……

这些解释听起来都有些道理，但如果我们能够直观地「看到」模型出错的原因，那么我们对于问题的归因会更加准确，解决问题的速度也会更快。

刚刚官宣的 AI 研究实验室 Transluce（字面意思是让光线穿过某物以揭示其结构） 就在做这件事情。他们开发了一个名叫 Monitor 的交互界面，以帮助人类观察、理解和引导语言模型的内部计算。

透过 Monitor，我们先来看看 AI 模型为什么会觉得 9.11 比 9.8 更大。

首先，让模型比较一下这两个数的大小，当然它没有意外地出错了。

Monitor 提供了快捷的方式帮助我们分析其错误。将光标放在出错的位置，可以看到模型在此处预测的词的概率分布。很显然，Llama 3.1 8B 的这个版本不仅错了，而且还对自己的错误很自信。

点击一下这个错误，Monitor 开始分析模型出错的可能原因。具体来说，它会「寻找影响 bigger 这个预测结果的神经元」。之后，Monitor 会对这些神经元进行聚类，如下所示，此处有 4 个聚类：

粗略来看，Llama 3.1 8B 在看到 9.11 和 9.9 这两个数字文本时，首先想到的并不是单纯的数值，而是会和人类一样联想到相关的其它概念，比如 9/11 袭击和之后的恐怖袭击、《圣经》章节和诗文编号、化学化合物和分子式、日期等等。并且其中每一种「联想」都会触发不同的神经元组合。

选择其中一个展开，可以看到影响 AI 模型做出「bigger」这个判断的神经元详情。

我们可以点开一个具体的神经元查看，比如这个第 2 层的 1054 号神经元。这里展示了其在接收提示词之后的正值激活情况。注意，这里的神经元描述是该团队用自己提出的一种自动化方法生成的；其中用到了一个解释器模型，它会提出一些关于数据的假设，之后再通过一个自动评分流程对这些假设进行评估，详情可访问 https://transluce.org/neuron-descriptions

通过分析这些神经元，我们可以洞见模型出错的根本原因：模型根本没把 9.11 当成数值，而是看成了一个日期，这样连带下来，9.9 自然也是一个日期了。于是，9 月 11 号自然就比 9 月 9 日 bigger。另外，在《圣经》中，9.11 也是比 9.8 更靠后的编号。而不管是 9/11 事件还是《圣经》，模型的训练数据中都包含大量相关的文本内容，这会影响到模型在判断这个数字时的神经元激活权重。

Monitor 还提供了进一步的检查技术，可以通过将相应激活强行设置为 0 来修正 AI 模型的行为。下面我们将对应「日期」的相关神经元的激活改成 0 看看。

结果？这个 Llama 3.1 8B 还是没对，但是可以看到「bigger」的概率下降了很多（0.961→0.563），而对应正确答案的「smaller」异军突起，已经来到了 top-2 的位置。

接下来，继续操作，将关联《圣经》章节编号的神经元激活也调成 0：

这一次，模型终于对了。它保留了 bigger，但将 9.9 和 9.11 的位置调换一下以遵循提问的形式。同样，它对自己的答案很有信心。

而修复这个问题的代价仅仅是抑制了不到 0.2% 的 MLP 神经元。

除了比较 9.11 和 9.9 的大小，官方还提供了另外三个示例，包括修复 AI 难以数值排序的问题、引导出隐藏知识、引导故事中特定角色。其中的操作不仅包括将激活清零，也包括增强某些特定神经元以引导模型生成符合用户需求的结果。

另外，用户也可以使用自己的提示词，然后基于此分析模型的思考过程。机器之心尝试了一个 AI 领域的热门问题：Strawberry 中有几个 r？

可以看到，这个 AI 模型答错了，同时也对自己的答案颇有信心。

根据 Monitor 分析，Llama 3.1 8B 模型在回答这个问题时会将 Strawberry 拆分成两部分：Straw 和 berry，同时 Strawberry 还激活了与食品和佐料相关的神经元。

有意思的是，即便抑制了 Monitor 找到的所有神经元激活，这个 Llama 3.1 8B 模型依然无法正确解答「Strawberry 中有几个 r」这个问题。

那我们来增强一些神经元试试。这里我们在 Monitor 中输入「Strawberry as a string made of several English letters（将 Strawberry 看作是一个由英语字母构成的字符串）」作为搜索条件，定位到了 50 个相关神经元，这里我们直接全部增强它们。

这一次，Llama 3.1 8B 终于给出了正确答案。而这一次，我们执行了两项抑制（各 500 个神经元）和一项引导增强（50 个神经元），不过这些神经元的数量我们也可以自行调整。基于此，我们可以得出这样的洞见：在解答「Strawberry 中有几个 r」这样的问题时，LLM 的问题是想得太多，去分析其背后所代表的意义和事物了，而它原本只需要将其看成一个字符串即可。

那么，这个叫 Monitor 的模型到底是怎么做出来的？背后的运行机制是怎样的？Transluce 这家公司是什么来头？在一篇博客和一封公开信中，Transluce 给出了系统介绍。  

Monitor 的基本构成

Monitor 采用了一套由 AI 驱动的工具，可帮助用户理解语言模型中的神经激活模式：

1、一个预先编译的高质量神经元描述数据库，生成自对 Llama-3.1-8B 中的所有 MLP 神经元应用 Transluce 的 AI 驱动描述 pipeline。该系统同样适用于 SAE 特征或任何其他特征集。Transluce 从神经元开始，因为它们最简单，并且已经运作得很好。他们将发布系统的代码，并期待其他人用他们自己的特征集在此基础上进行构建！

2、一个实时界面，用于显示给定聊天对话的重要概念。用户可以通过激活（概念触发的强度）或归因（概念对指定目标 token 的影响程度）来衡量重要性。

3、一个实时的人工智能检查器，它会自动显示可能是误导性线索的非预期概念的集群（例如「9 月 11 日」神经元在数字「9.11」上被触发）。

4、语义引导的转向，基于自然语言输入，增加或降低与概念相关的神经元集合的强度。

系统设计

开发者采用一个预先编译好的神经元描述数据库，并且每个描述都与最能激活该神经元的 K 个关键示例和它们的激活模式相联系。

向量数据库（VectorDB）

该团队采用了 OpenAI 的 text-embedding-3-large 嵌入技术来处理这些描述，创建一个用于语义搜索的索引。

Linter

接下来，开发者使用一个 AI linter 来突出显示相关的神经元簇。首先，他们让 GPT-4o mini 简化并概括神经元的描述。然后，他们使用 OpenAI 的嵌入技术（text-embedding-3-large）来嵌入神经元，并使用层次聚类方法，根据余弦相似度将神经元聚类，使用 0.6 的阈值。

最后，他们让 GPT-4o mini 为某簇简化过的神经元再生成一个简洁的描述，并根据簇内神经元在语义上的相似度打一个分数（1-7），其中 1 代表最相似。在 Monitor 的界面中，只显示数量大于等于三个，且得分小于等于 3 的簇。

引导

开发者通过将神经元的激活值固定在指定值来引导它们。具体来说，如果需要在 token T 上引导一组神经元 S，以强度 λ 进行操作，在每个 token t 属于 T 的情况下，在该标记的前向传播过程中，将神经元的激活值设置为：λ*10^−5。

这个过程也会进入该层的残差中，进而影响后续的层与注意力头。这一操作会覆盖所有需要引导的神经元 s。由于神经元具备正负两种极性，当我们指定一个神经元时，只有当它与引导集中指定的极性相同时才会生效。

激活与归因

如何衡量哪个神经元在特定任务中更活跃？开发者提供了激活和归因两种模式。

激活主要关注神经元的原始激活值，即上一节中的 λ，如果这个值远高于平均值，那么它很可能在任务中扮演重要角色。 

归因是一种更具针对性的模式，它测量神经元对特定输出 token 的影响。受 Attribution Patching 启发，计算输出 token 的对数概率 z 相对于神经元激活值 e 的梯度，归因值等于。

摘要功能

自动生成的神经元描述往往很啰嗦，而且很多描述对用户来说可能没有意义。为了解决这个问题，研究者们用大约 1000 个手动标注的示例集对 GPT-4o-mini 进行了微调，让它能够判断哪些描述对用户来说是相关的，哪些是不相关的。

为了让描述不那么啰嗦，该团队还使用了少量样本作为提示词，让 GPT-4o-mini 对每个神经元生成更简洁的描述，并将其展示给用户和 AI linter（AI linter 对较短的输入会处理得更好）。

前端设计

Monitor 的界面主要这几个功能。首先可以点击模型回答中的 token，查看更多详细信息，比如每个输出 token 的概率。左侧的窗口中也显示了 AI linter 分析的模型出错的原因，用户可以通过调整参数（如 k 和 λ）来控制引导操作的影响范围和强度。

在 Monitor 中，系统将会寻找与用户搜索查询最为匹配的 k 个神经元。这些神经元会被选为引导集，帮助我们决定哪些特征需要被减弱（停用）或者加强（增强）。通常情况下，如果我们想要减弱一个特征，我们会设置引导值为 0（λ=0）；如果我们想要加强一个特征，我们会设置引导值为 0.5（λ=0.5）。

用户可以根据自己的需要，通过点击高级选项来调整 k 的数值（也就是他们想要影响的神经元数量）和 λ 的数值（也就是影响的程度）。他们还可以查看被选为引导集的神经元示例，并决定他们想要影响的特定的 token 子集。如果没有特别指定，系统默认会影响初始系统和用户提示中的所有 token。

当然，用户也可以点击单个神经元，了解每个神经元的具体详情。

用户还可以选择要引导的标记子集，并查看引导集中的示例神经元。

前端中最复杂的部分是右上角的 AI 助理显示。这个地方能为用户提供最相关的信息，包括有关界面状态和 AI linter 显示的信息。未来，这将成为一个通用接口，用户可以从 AI 后端请求和接收信息。

Transluce：创建世界一流的工具来理解 AI 系统

人类很难理解人工智能系统，因为它们庞大且不透明。Transluce 的目标是创建世界一流的工具来理解 AI 系统，并使用这些工具来推动可信赖 AI 的行业标准。2024 年 7 月，Transluce 成立；2024 年 10 月 24 日，也就是今天，该公司正式官宣。

公司的创始团队如下：

其中，联合创始人 Jacob Steinhardt 是加州大学伯克利分校助理教授，2018 年在斯坦福大学取得博士学位，师从斯坦福大学计算机科学副教授 Percy Liang。他的 Google Scholar 被引量高达 20000+。

另一位联合创始人 Sarah Schwettmann 是 MIT 计算机科学与人工智能实验室（CSAIL）的研究科学家，2021 年 8 月在 MIT 拿到大脑与认知科学博士学位。

公司的顾问团队非常豪华，集齐了 Yoshua Bengio、Percy Liang 在内的多位 AI 大牛。

总的来看，Transluce 现阶段是一个非营利性研究实验室，致力于构建开源、可扩展的技术，以理解 AI 系统并引导它们服务于公共利益。

为了建立对 AI 系统能力和风险分析的信任，这些工具必须是可扩展和开放的：  

• 可扩展性：AI 系统涉及多个复杂数据流的交互，包括训练数据、内部表示、行为和用户交互。现有的理解 AI 的方法依赖于人类研究者的大量手动工作。Transluce 致力于开发可扩展的方法，利用 AI 来协助理解，通过训练 AI 智能体来理解这些复杂的数据源，向人类解释它们，并根据人类反馈修改数据。
• 开放性：构建 AI 系统的公司不能成为其安全性的主要仲裁者，因为这与商业优先级存在利益冲突。为了允许有意义的公众监督，审计 AI 系统的工具和流程应该是公开验证的，能够响应公众反馈，并且对第三方评估者开放。这样，全球最优秀的人才可以审查这项技术并提高其可靠性。

Transluce 致力于解决这些需求。他们将构建 AI 驱动的技术来理解和分析 AI 系统，并将其开源发布，以便社区能够理解并在此基础上进行构建。他们将首先把这项技术应用于公开分析前沿开放权重的 AI 系统，以便全世界可以审查他们的分析并提高其可靠性。一旦他们的技术经过公开审查，他们将与前沿 AI 实验室和政府合作，确保内部评估达到与公共最佳实践相同的标准。

Transluce 已经发布了第一个里程碑 —— 一套 AI 驱动的工具，用于自动理解大型语言模型的表示和行为。这些工具可以扩展到从 Llama-3.1 8B 到 GPT-4o 和 Claude 3.5 Sonnet 的模型范围，并将开源发布，供社区进一步开发。他们的方法包括创建 AI 驱动的工具，将巨大的计算能力用于解释这些复杂的系统。他们通过三种演示来展示这一愿景：

1. 一个 LLM pipeline，为神经元激活模式创建最先进的特征描述；

2. 一个可观察性界面，用于询问和引导这些特征；

3. 一个行为引导智能体，自动从前沿模型中搜索用户指定的行为，包括 Llama-405B 和 GPT-4o。

这些工具利用 AI 智能体训练，自动理解其他 AI 系统，并将这些见解呈现给人类。

期待这家公司的后续进展。  

参考链接：

https://transluce.org/introducing-transluce

https://monitor.transluce.org/dashboard/chat

https://transluce.org/observability-interface

文章来自于微信公众号“机器之心”