说到 AI 安全,最近的新闻有点沉闷。
或者至少我应该说,是那些标题显得沉闷。
我们正经历着一波新的恐慌和担忧,部分原因是 models 的能力越来越强,越来越接近许多人认为的关键转折点。
不过,这也是因为那些吓人的标题本身就很吸睛。
然而,这周在这个领域最有趣的新闻,可能确实是个好消息。
好了,朋友们,在我们深入之前,先做几个简短的说明。
现在,并不是经常有一篇长达 65 分钟、技术密集的网络文章成为每个人都在谈论的话题。
然而,这周晚些时候,Nick Cammarata 的《Neural Networks Are Already Clean》就做到了这点。
我和很多人一样,是看到 OpenAI 的 Ron 发帖时才注意到的,当 Nick 告诉我他在 interpretability 方面有一些突破时,他其实说得太谦虚了。
我认为这可能会被铭记为科学史上的一个重要时刻。
消息如此之好,以至于连 Eliezer Yudkowsky 都不得不降低他的 p-doom。
我们可以开始把 alignment 变成一门正常的科学了。
Nick 这样总结他的文章:Interpretability 可能是当今世界最重要的科学问题,因为我不认为我们能在不了解自己在建造什么的情况下解决 alignment。
我想我有关于它的好消息。
我曾在 OpenAI 合著了早期关于 mechanistic interpretability 的工作,但结果很悲观,因为 neural networks 似乎会折叠成任意的缠结。
几年后,我启动了 OpenAI 的首个大规模 automated interpretability 项目,发现用我们当时简陋的工具,大约只有 2% 的 neurons 是可读的。
借助现代的 agentic tools 和更仔细的审视,情况变得完全不同了。
在参数规模高达万亿的 models 中,绝大多数都是可读的,而且它们的 circuits 很漂亮。
许多著名的 tangled neurons 的例子实际上是被误解了。
我之前预期的障碍大多都不存在。
我现在认为,雄心勃勃的 interpretability 将在我们最需要它的时候被解决,而且可能很快。
随着 automated scientists 不断改进。
这对 interpretability 来说可能是一个苦涩的教训。
简单的事情在极端大的规模下是有效的。
因此,这里的希望是,我们或许真的能够理解 AI 内部发生的过程,而到目前为止我们还没能做到这一点。
今天我们试图对 Nick 那篇技术密集的论文做一个通俗易懂的版本,同时当然也会分享对它的兴奋和怀疑的回应。
希望听完之后你能明白为什么这可能是一个重大时刻,以及我们还需要保持哪些谨慎。
AI 领域一个让人不安的事实是,即使是建造它的人也并不真正了解其内部工作原理。
这些系统是训练出来的,而不是编程出来的。
你设定条件,然后 model 通过分布在数十亿个数字中的方式,学会自己的做事方法。
用AI研究员克里斯·奥拉的话说,AI更像是被培育出来的,而不是被建造出来的。
所以,因为我们无法解读这些系统,目前检查它们的方式基本上就像是一场非常精细的考试。
我们提问、进行红队测试,然后给答案打分。
虽然这有用,但它只涵盖了我们想到要问的内容。
而且它也带来了一系列问题。
比如模型表现得很好,并不是因为它本来就会这么做,而是因为它知道有人在监控它。
这种情况越来越常见。
具有讽刺意味的是,在最近一些对像o1这样的模型的测试中,研究人员看到模型作弊减少时反而感到担忧。
作弊行为的大幅减少引发了一个问题:模型是只是不再作弊了,还是它意识到监控它的人会认为作弊不好,从而隐藏了作弊行为?
这意味着,除了能力竞赛,还有另一场竞赛:实现可解释性——在AI模型达到Anthropic所说的压倒性力量之前,理解AI内部到底发生了什么。
如果你一直在关注这个领域,过去六年的故事是从兴奋逐渐转向接近绝望。
在第一阶段,大约从2017年到2020年,像克里斯·奥拉的团队(包括尼克在内的团队)逐个探测器地映射了图像AI。
起初看来,你似乎能像读代码一样读懂神经网络。
但在2020年到2023年间,他们开始发现一个问题。
许多这样的探测器似乎会对不相关的事物产生反应。
这意味着我们无法真正理解到底发生了什么,尽管起初看起来我们可以。
这个领域对此找到了一种解释,我们马上就会讲到。
当尼克在OpenAI的团队在2023年使用GPT-4来解释GPT-2的探测器时,只有大约2%的结果是干净的——也就是说,按照我们想象的方式实际上是可解释的。
在2023年到2025年间,人们尝试了许多不同的变通策略,其中一些取得了一定进展,但从未真正带来很多成功。
到了2025年,许多研究人员开始怀疑这些系统是否太过复杂难解,根本无法解读。
用尼克的话说,当时的氛围是:雄心勃勃的可解释性研究看起来是一个极其困难的问题,也许太难了,无法及时解决并产生重要影响。
这就是为什么这篇文章引起了如此巨大的反响。
简而言之,它指出AI的内部在很大程度上已经是可读的,只是我们一直以来的观察方式不对。
而且我们有理由感到兴奋!
这来自一位内部人士,他曾经帮助创立了他现在正在推翻的理论。
他展示了一些原本可能证明他错误的实验。
而且他的证据表明,更大的模型更容易解读,这基本上与所有人担心的相反。
不过,并非所有人都同意。
例如,Google DeepMind的可解释性研究负责人尼尔·南达表示,这项工作很有趣,但引用他的话说,“并不是对大局的重大更新”。
那么,让我们试着快速理解一下这个想法的要点。
之前说过,AI不是像普通软件那样写出来的。
它是由数百万个小探测器连在一起组成的,这些探测器自己学会自己的任务。
研究人员把它们叫做神经元。
一个可能对边缘敏感,另一个对红色敏感,还有一个可能对狗耳朵敏感。
可解释性领域的梦想很简单:弄清楚每个探测器是干什么的,然后你就能像读代码一样读懂AI在做什么。
其中一个最有名的探测器正好说明了为什么有些探测器看起来完全没道理。
那个探测器会对猫脸有反应,但也会对汽车前脸有反应。
当然,猫和汽车之间一点关系都没有。
所以多年来,这个探测器一直是证明AI内部一团乱的铁证。
它出现在该领域被引用最多的论文里,包括Nick合著的那些。
整个领域给出的解释就是“塞挤”,或者研究人员称之为“叠加”。
想法是,AI脑子里要存的东西比它拥有的探测器多,所以它就让几个概念共用同一个探测器。
这种做法在那些概念很少同时出现的时候效果最好,比如把圣诞灯和游泳圈塞进同一个箱子里。
如果真这么运作的话,探测器本身就没有直接意义了。
所以研究人员就造了解码器——训练第二个AI来把这些概念重新拆分开——然后转而研究它们。
很多年来,这个领域大量的资金和精力都花在了这上面。
Nick当时就在参与——2019年,他找到了第一个似乎能证明“塞挤”存在的例子,还帮它起了名字。
不过在这项新研究里,Nick回过头重新看了这个探测器,问自己:如果我不能用猫或车这些词,我该怎么描述它?
他大概只花了5秒钟就想到了答案。
这是一个V形探测器。
尖锐的形状会激活它:狐狸的嘴巴、猫的脸、汽车前脸、子弹头列车的车头、蜡烛火焰、还有马丁尼酒杯。
圆形的形状,比如高尔夫球或者钟面,则会抑制它。
Nick写道:“为什么一个猫和车的随意组合会跟火焰有那么强的关联?”
它从来就不是两个不相干的东西,而是一个我们没认出来的单一概念。
Nick差不多是在说,大部分所谓的混乱其实从来不在AI本身,而在于我们用来观察它的显微镜。
他提出了三个原因,全都是可以修正的。
用来描绘探测器想要什么图像的工具本身就很模糊,容易让人误解。
这个领域从2014年开始研究的早期图像AI,它的构建方式本身就让它学得很杂乱。
当你用一个现代设计重新训练一个同样规模的模型时,它最后一层大约99%的探测器都是可以读懂的。
最后,有些探测器是会分叉的。
有一个以字母 IY 开头的词,它发展成 DIY,然后变成‘自己动手做’。
最后看起来是随机的,但如果你看着它变化,就一目了然了。
而且事实证明,这不仅仅是旧的图像模型才有的现象。
在现今的 OpenAI 模型里,大约每十个探测器中就有九个的主要任务是一样的。
再跟那个 2023 年的 OpenAI 项目对比一下——那个项目只能解释 GPT-2 中大约 2% 的探测器。
请注意,这些都是初步的统计,是自我报告的,具体数字取决于你怎么划分边界,而且完整的技术论文还没出来。
这打开了一个可能性,就是能够检查 AI 的推理过程,而不仅仅是根据它的答案来判断。
屏幕上的例子来自一个有数万亿参数的模型,叫 Kimmy K3。
当被问到捡到装满现金的钱包该怎么办时,你可以看到关于失物和诚实的探测器被激活,推动它回答‘归还’。
关于欺骗的要点在于,如果我们只能读取答案,AI 就能对我们隐藏它的计划。
但由于计划必须能被 AI 自身的电路读取才能工作,如果我们也能读取那些电路,那么不仅是输出,连计划对我们来说也是可读的。
这就是让 Roon 如此兴奋的原因——他的想法是,用他的话来说,对齐可以变成一门常规科学,有稳步可查的进展,而不是靠猜测。
看 X 上对此的很多回应,可以说是一片惊叹。
然而连 Nick 自己也称这只是一个工作假设,并且给自己大约 85% 的把握。
其他研究者就没那么确信了。
到现在,问题已经不是公司是否在积极使用 AI 了。
但如何用好它,就是另一回事了。
所以我们现在要快速过一下 Nick 论文里的更多内容,以及沿途出现的一些回应和反对意见。
我们要深入探讨的第一点是,专家们是否搞错了。
基本上,如果 AI 内部一直都可读,那为什么一个满是聪明人的领域会错过它呢?
Nick 的回答,我们之前已经预览过,是三个错误叠加在一起造成的。
从现在开始,我建议你最好通过视频来观看这一集,可以在 YouTube 或 Spotify 上看,或者跟着 Nick 的论文或我的解读演示,这些都会在节目笔记里给出链接。
2019 年,Nick 正在构建首批能窥探图像 AI 内部的工具之一。
在他这么做的过程中,他看到一个汽车探测器连接到了四个狗探测器上。
他拿去给同事看,他们得出的结论是,AI 把汽车藏在了狗探测器里,作为以后读取的隐藏位置。
这成了该领域最早的一个‘塞入’示例。
Nick 甚至在文章里说,这是我们展示的唯一一个,也是我唯一见过的。
当 Nick 重新检查时,他发现其中两个探测器只是汽车探测器,但另外两个探测的是姿势,也就是物体面向摄像头的方向。
汽车和狗有共同的姿势。
实际上,这个 AI 有超过 100 个这样的姿势探测器。
什么都没有隐藏。
但因为这个“灌输”故事很直观,Nick说它没有促使进一步探索工具。
第二个错误是显微镜本身。
一个关键工具要求AI画出一张检测器最想看到的图像。
简而言之,Nick发现这个绘图工具作弊了。
它采取了最简单的路径来让检测器激活,经过一些小的修正后,这些绘图与照片匹配了。
用Nick的话来说,同样的神经元,更好的显微镜。
第三个错误是,人们正在研究的人工智能存在学习问题。
那就是Inception V1,谷歌2014年的图像模型。
它的最后一层是该领域认为AI不可读的主要证据。
Nick估计,在当时的技术条件下,其5%的检测器是可读的。
修复显微镜后,同样的模型大约有50%可读,如果用现代设置重新训练,大约70%可读。
构建一个相同规模、相同数据的现代设计,可读性跃升至99%。
那么,为什么没有人回头去核实呢?
Nick认为,这是因为“灌输”理论的工作原理。
如果你相信一个检测器是灌输的,那么一个混乱的检测器就是死胡同,你会停止寻找。
每次检测器返回的结果是干净的,理论就会转移到还没有人检查过的地方。
微弱的信号、检测器的组合、下一层。
Nick称之为“空隙的叠加”。
Nick承认,多年来我一直是叠加理论的坚定信徒。
他现在说,它本应是最后尝试的解释,而不是默认选项。
但在这里,我们遇到了一些最强烈的反对意见。
Liv Gorton是另一位可解释性研究人员。
Nick的文章引用了她在2024年对同一2014年图像AI的研究。
在一篇长篇帖子中,她认为这篇文章攻击的叠加理论版本比研究人员实际持有的更狭隘。
她的观点是,叠加,或者我们在本集中所说的灌输,是关于容量的。
你通过给每个想法赋予其略微不同的检测器组合,来存储比检测器数量更多的想法。
不相关的想法是很好的例子,因为它们很少冲突,但相关的想法也可以被灌输。
她还指出,完全分离的方向只和检测器一样多,但几乎分离的方向却呈指数级增长。
她写道,如果网络不使用这种容量,我会非常惊讶。
Nick 基本上回应说,他并不是想说 AI 永远不会把概念组合进同一个检测器里,而是说总的来说,他在乎的是 AI 是否做了那种坏版本的打包——把东西随意塞在一起,导致没法解读。
而他说,这并没有以他所认为的那种方式发生。
Google DeepMind 的可解释性负责人 Neel Nanda 对 Liv 说了类似的话,他写道:在我看来,语言模型里面的事实和记住的东西,比它们的神经元数量要多得多。
我预计,那些微弱的神经元激活里包含了大量的语义叠加信息。
Nick 基本上主张,如果这种情况真的发生,那也跟这个领域之前以为的“把随机无关的东西打包在一起”非常不一样。相反,他预测真实情况可能恰恰相反——罕见的事实应该依附在相关的机制上。
虽然这些测试还没有做过,但 Nick 认为这其实是可测试的。
实际上,当被问到为什么有些检测器看起来在做好几件事时,Nick 说那不是塞东西进去,而是所谓的“分支”。
Nick 从头重新训练了一个旧的图像 AI,然后观察一个单一的检测器如何成形。
它先是对照片里的黄色花田有反应,这些照片里有时会有一条狗。
然后它沿着那些照片里的每种东西生长:其他自然场景、绿色的圆形东西比如网球和水果、没有花的狗,最后是西兰花。
到了最后,那些花田几乎消失了。
这就是分支——每一步都很小、很合理,和塞东西那种把无关事物硬凑在一起完全相反。
顺便说一句,关于这些现象,主文里还有很多很多例子。
我只是考虑到我们渺小人类大脑的时间和空间限制。
回到 Liv 的批评,她认为分支和塞东西回答的是不同的问题。她说分支是检测器如何承担多个任务,而塞东西是信息如何存储,而且两者可以同时存在。
Nick 在文章里的理论是,每一条分支都能追溯到同一个起源,然后按顺序生长出来。
这使它很容易测试,也很容易被证明是错的,虽然这项工作还没做。
有一个发现颠覆了人们通常对 AI 变大的恐惧——Nick 实际上认为,越大的 AI 越容易被读懂。
Nick 的类比是这样的:在一个小镇上,问“金融区”在哪里几乎没有意义。
一条街上有家银行,另一条街上有个会计师。
而在纽约,金融区就非常容易找到。
你很清楚它在哪儿。
他的实验涉及三个 AI 里的狗耳朵检测器,这三个 AI 的规模相差大约 300 倍。
小的那个有非常粗糙的狗检测器。
大的那个则有非常具体的检测器。
所以在小的模型里,你有针对一般狗、浅色毛茸茸的狗、或者深色长毛狗的检测器。
在中等模型里,局部分支出现了。
狗耳朵和狗头变成了针对卷耳朵,或者耳朵、脖子和毛发的检测器。
然后在最大的模型里,这些分支汇聚又分裂。
头部侧面的耳朵、浅色耳朵、波浪形耳朵都各自独立,然后又演变成像光滑垂耳、垂挂耳朵和长耳朵这样的东西。
理论上,大模型中的探测器应该具有更高的精度,让它们最终更容易被解读。
现在,另一类反对意见是,我们在这里用的所有术语其实都有些模糊,而不是精确的。
比如,来自DeepMind的Neil认为,Nick文章里对探测器做一件事的标准定得太宽松了。
相反,他说他会用他自己的话说,这些探测器里有相当一部分实际上是混乱的。
Nick承认了这一点,这又引出了另一个问题,那就是到目前为止,这只是Nick和他的团队在做这项工作,还没有其他人验证过。
但假设Nick是对的。
那又会改变什么呢?
Nick认为,清晰并不意味着每个探测器都对应一个我们认识的词语。
相反,它意味着AI的部件被组织成可供AI自身读取的状态。
每个探测器的存在都是为了被后面的探测器使用,所以AI已经把自己组织得让它的下游部件能够理解。
那么,我们的任务就是成为AI的另一个读者,用AI读取自身的方式去读取它。
在描述安全风险实际在哪里时,Nick写道:欺骗可能会隐藏在读取模型输出的人面前,但它没有理由向模型自身的电路隐藏自己。
它需要对它的读者可访问,如果我们成为读者,它就应该对我们可访问。
我担心的是,欺骗会明明白白地摆在那里,而我们却不知道如何读懂它。
有趣的是,对安全收益的最大反对意见其实跟 cramming 完全无关。
争论点是,即使每个探测器都可读,安全性还需要更多——要知道它们如何组合成一个决策,并且确信没有遗漏任何重要的东西。
Neil认为,他对此达到那种理解程度感到悲观,尽管有一些实际用途,比如找出,用他的话来说,模型为什么做了一件可疑的事情。
当我们试图理解聪明人对这件事的看法时,我列出了一组有代表性的回应,从更兴奋到更怀疑的都有。
在更怀疑的一方,有AI安全研究员Stephen Casper,称其为在没有进一步证实之前都是炒作。
还有《如果有人构建它,所有人都会死》的作者Eliezer Yudkowsky,他说等你进展到真正开始的程度再告诉我。
而在另一端,有像OpenAI的人这样的人,称其为深度学习历史上最重要的日子之一。
并且重要性和《Attention Is All You Need》相当。
这将是那些真的需要更多聪明人深入研究其中一篇论文,但至少它已经让一个球滚下了山坡。
即使是批评者也能在几件事上达成一致:比如探测器可能比这个领域假设的更有用,以及即使这不能解决AI安全问题,也可能对实际问题有效。
大家对AI代理读取探测器这件事很兴奋,而且几乎所有人都同意重新检查旧结果是值得的。
所以一些开放性问题仍然存在:cramming 被驳斥了,还是仅仅被重新定义了?
这篇论文对探测器主要任务的定义是否太宽松了?
如果我们能读懂所有部件,那么可读的部件加起来能构成一个可读的整体吗?
并且所有这些在我们今天实际处理的模型规模和大小下是否成立?
至于我的看法,我完全不够格——尽管我制作了这个播客。
要真正在争论这件事有多大意义上有发言权。
我想指出,根据我对历史模式的认知,科学突破往往来自于只是从一个稍微不同的角度来看待问题。而且,不难想象,一个相对小众的领域里只有那么些研究人员,他们会暂时陷入一套没人想到去质疑的假设中。
像往常一样,我觉得对那些说一切都变了的最夸张的说法持怀疑态度是值得的,但很难不对此感到方向性上的兴奋。
我觉得来自 'Seeing Clearly' 播客的 Christian 分享了一个非常有趣的观点。
他写道,我不是悲观主义者的一个主要原因在于,人类文明是一个具有自我修正机制的复杂适应系统。
从悲观主义阵营的角度很难看清这一点,原因在于他们自己就是这些修复力量出现的机制。
随着AI的风险变得越来越清晰,新的生态位出现在反AGI的领域。
然后,地位标志转向了机械可解释性等领域,接着人才和资本大量涌入。
随着集群事件恶化,看不见的手利用法律责任来改变激励格局的梯度,使其偏向更多的对齐工作。
所以,对我的加速主义者朋友们:悲观主义是我们成功的一部分。
他们是必要的另一半,构成了那个我们用来把这艘船驶向理想之地的对立处理机制。
悲观主义者和加速主义者需要彼此,以相互制约对方的过度行为。
双方在这个蚂蚁群落般的人类文明中都扮演着重要角色。
一切都在按计划进行。
这是一种比较浪漫的说法,表达了我常说的观点:随着这些模型的能力越来越强,它们受到的关注也越来越多,这既是我预料中的反馈循环,也是那个让我觉得我们能搞定问题的反馈循环。
尽管对AI安全阵营中的一些人来说,感觉世界行动不够快或不够专注,但你无法否认,在像Hugging Face事件之后,确实有了一些变化。
事实是,我只要提到Hugging Face事件,就有很大一部分人——不仅仅是听这个播客的人,还有昨天我的理发师——都知道我在说什么,这本身就说明问题。
而《Already Clean》论文是近期首批体现变化的例子之一,这种变化不仅仅是人们关注度的变化,还包括我们在解决问题能力上的方向性积极变化。
这期节目里我有很多内容没提到。
我强烈建议你去看看原始论文,再次强调,链接在节目说明中,标题是《Neural Networks Are Already Clean》。
不过现在,今天的AI每日简报就到这里。
一如既往,感谢你的收听或观看。
下次再见,保重。
已剔除 3 处广告(点击展开查看)
The AI Daily Brief is a daily podcast and video about the most important news and discussions in AI.
First of all, thank you to today's sponsors: Robots and Pencils, CData, Granola, and Blitzy.
To get an ad-free version of the show, go to patreon.com/AIDailyBrief, or you can subscribe on Apple Podcasts.
And if you want to learn more about sponsoring the show, send us a note at [email protected].
Robots and Pencils, though, is a company that I can point to that is actually built for this time.
They're an applied AI engineering firm working directly with clients on problems that matter to the business, not experiments that live in a slide deck.
Every engagement starts by working backwards from the outcome a client actually needs.
If you're trying to tell real AI engineering apart from noise in this space, that's the difference maker.
Head to robotsandpencils.com.
This episode is brought to you by CData.
Companies rolling out AI keep hitting the same wall.
Token spend is climbing, security is holding agents back, and no one knows how AI is truly being used.
The root cause?
AI is cut off from the systems and context your business runs on.
That's why CData built Connect AI Gateway.
One control point between your AI and your systems.
Built on the connectivity layer powering Palantir, Google, Salesforce, and hundreds more, each agent gets exactly the data and tools it needs.
It governs down to the record and lets you finally see your org's complete AI usage in one place.
Accurate answers, a fraction of the token cost, and a gateway that learns your business with every interaction.
See how at cdata.ai.
When I'm in a meeting, I'm fully in it.
I'm thinking about the iteration and creative back and forth it takes to actually push a goal forward.
What I'm not thinking about is capturing takeaways, tracking to-dos, or any of that.
And that's where Granola comes in.
Granola is an AI-powered notepad that captures what happens in your meetings and turns it into clean, structured notes with the decisions and action items pulled out and easy to find.
There's no setup and no configuration.
It just fits into how you already work.
For me, it means I get to stay in idea mode and Granola makes sure those ideas actually become action.
Once you try Granola on a first meeting, it is hard to go without.
You can try it totally free at granola.ai/brief.
That's granola.ai/brief to get your time back.
Every AI coding tool on the market does the same thing first: it starts writing code.
Blitzy does the opposite.
Before writing a single line, Blitzy spends days reverse engineering your entire codebase.
Thousands of agents ingest millions of lines, mapping every dependency, every undocumented constraint, every architectural decision made over the last decade.
The result is a dynamic knowledge graph that understands your software the way a principal engineer would after 30 years in the building.
Other tools guess at context with grep searches and markdown files.
Blitzy never guesses.
It builds true understanding first, then delivers over 80% of entire software epics autonomously.
Validated, end-to-end tested, production-grade pull requests.
That's why Fortune 500 engineering teams trust Blitzy with the codebases that matter most.
See for yourself at blitzy.com.
That's blitzy.com.