前不久，獲得亞馬遜40億美元投資的ChatGPT主要競爭對手Anthropic在官網(wǎng)公布了一篇名為《朝向單義性：通過詞典學習分解語言模型》的論文，公布了解釋經(jīng)網(wǎng)絡行為的方法。
由于神經(jīng)網(wǎng)絡是基于海量數(shù)據(jù)訓練而成，其開發(fā)的AI模型可以生成文本、圖片、視頻等一系列內(nèi)容。雖然一些數(shù)學題、推理我們可以看到正確結(jié)果，例如，AI模型會告訴你1+1=2這個結(jié)果，卻無法解釋這個過程是如何產(chǎn)生的。即便進行簡單解釋，也只是基于語義上的理解。
就像人類做夢一樣，可以說出做夢的內(nèi)容，卻無法解釋夢境到底是怎么形成的。
Anthropic根據(jù)Transformer模型進行了一個小型實驗，將512個神經(jīng)單元分解成4000多個特征，分別代表 DNA 序列、法律語言、HTTP 請求、營養(yǎng)說明等。研究發(fā)現(xiàn)，單個特征的行為比神經(jīng)元行為更容易解釋、可控，同時每個特征在不同的AI模型中基本上都是通用的。
ChatGPT等大語言模型經(jīng)常出現(xiàn)幻覺、歧視、虛假等信息的情況，主要是人類無法控制其神經(jīng)網(wǎng)絡行為。所以，該研究對于增強大語言模型的準確率、安全性，降低非法內(nèi)容輸出幫助非常大。
論文地址：
https://transformer-circuits.pub/2023/monosemantic-features/index.html#
phenomenology-feature-splitting
為了更好地理解Anthropic的研究，「AIGC開放社區(qū)」先為大家簡單解讀幾個技術概念。
什么是神經(jīng)網(wǎng)絡
神經(jīng)網(wǎng)絡是一種模仿人腦神經(jīng)元結(jié)構(gòu)的計算模型，用于解決各種復雜的計算問題，主要用于模式識別、數(shù)據(jù)挖掘、圖像識別、自然語言處理等領域。
神經(jīng)網(wǎng)絡的核心組成部分是神經(jīng)元，它們通過一系列的權(quán)重連接在一起，形成一個大型網(wǎng)絡結(jié)構(gòu)。
主要包括3個層：1）輸入層，用于接收原始數(shù)據(jù)，并將其傳遞給網(wǎng)絡的下一層；2）隱藏層，是網(wǎng)絡中的核心部分，包含了一系列神經(jīng)元用于處理輸入數(shù)據(jù)并產(chǎn)生輸出；3）輸出層，將隱藏層的結(jié)果匯總并產(chǎn)生最終的輸出。
簡單來說，神經(jīng)網(wǎng)絡就是模仿人類的大腦思維與思考、解讀問題。神經(jīng)元就相當于人腦中的放電神經(jīng)元。
經(jīng)過幾十年的研究，科學家們可以大概了解人腦神經(jīng)元的運行規(guī)律，但仍然有很多謎團無法解開，例如，大腦是如何產(chǎn)生情感、夢境、獨立思想等。所以，想深度解釋神經(jīng)網(wǎng)絡的工作原理同樣不容易。
什么是神經(jīng)元
神經(jīng)元是神經(jīng)網(wǎng)絡的基本組成部分，主要對數(shù)據(jù)進行輸入、計算和輸出。
神經(jīng)單元的工作原理模擬了人腦中神經(jīng)元的工作方式，接收一個或多個輸入，每個輸入都有一個對應的權(quán)重。這些輸入和權(quán)重的乘積被加總，然后加上一個偏置項。得到的總和被送入一個激活函數(shù)，激活函數(shù)的輸出就是這個神經(jīng)單元的輸出。
在神經(jīng)網(wǎng)絡的訓練過程中，網(wǎng)絡會不斷調(diào)整這些權(quán)重和偏置項，以便更好地預測或分類輸入數(shù)據(jù)。
這個調(diào)整過程通常通過一種叫做“反向傳播的算法”來完成，配合梯度下降或其他優(yōu)化方法來最小化預測錯誤。 神經(jīng)單元有很多種，包括線性單元、sigmoid單元、ReLU單元等，區(qū)別在于使用的激活函數(shù)不同。
Anthropic研究簡單介紹
為了解釋神經(jīng)網(wǎng)路行為，Anthropic基于Transformer模型將512個神經(jīng)元分解成4000多個特征。這些特征分別代表DNA 序列、法律語言、HTTP 請求、希伯來語文本、營養(yǎng)聲明等，然后進行一系列行為操作觀察。
研究結(jié)果表明，單個特征的行為比神經(jīng)元行為更容易解釋、可控，同時每個特征在不同的AI模型中基本上都是通用的。
為了驗證其研究，Anthropic創(chuàng)建了一個盲評系統(tǒng)，來比較單個特征和神經(jīng)元的可解釋性。特征（紅色）的可解釋性得分遠高于神經(jīng)元（藍綠色）。
Anthropic還采用“自動解釋性”方法，使用大型語言模型生成小模型特征的簡短描述，根據(jù)另一個模型的描述預測特征激活的能力對其進行評分。
同樣，特征的得分高于神經(jīng)元，這表明特征的激活及其對模型行為的下游影響具有一致的解釋。
此外，還提供了有針對性的模型引導方式。人為激活某個功能，會導致模型行為以可預測的方式發(fā)生變化。
神經(jīng)網(wǎng)絡對大語言模型的重要性
神經(jīng)網(wǎng)絡是大語言模型的重要基石，例如，OpenAI的GPT系列模型是基于Transformer的神經(jīng)網(wǎng)絡架構(gòu)開發(fā)而成。
大語言模型使用神經(jīng)網(wǎng)絡來處理和生成文本。在訓練過程中，這些模型會學習如何預測文本序列中的下一個詞，或者給定一部分文本后續(xù)的可能內(nèi)容。
為了做到這一點，模型需要理解語言的語法、語義、以及在一定程度上的上下文。簡單來說，神經(jīng)網(wǎng)絡提供了處理和生成自然語言的計算框架，而大語言模型則通過這個框架來理解和生成文本。
所以，理解神經(jīng)網(wǎng)絡行為，對增強大語言模型的安全性、準確性至關重要。
本文素材來源Anthropic官網(wǎng)、論文，如有侵權(quán)請聯(lián)系刪除
END
聯(lián)系客服
