AGI真的越來越近了！

為了確保人類不被AI殺死，在解密神經網絡/Transfomer黑箱這一方面，OpenAI從未停下腳步。

去年5月，OpenAI團隊發(fā)布了一個令人震驚的發(fā)現(xiàn)：GPT-4竟可以解釋GPT-2的三十萬神經元！

網友紛紛驚呼，智慧原來是這個樣子。

圖片

而就在剛剛，OpenAI超級對齊團隊負責人又正式官宣，要開源內部一直使用的大殺器——Transformer調試器（Transformer Debugger）。

簡之，研究者可以用TDB工具分析Transformer的內部結構，從而對小模型的特定行為進行調查。

圖片

也就是說，有了這個TDB工具，未來它就可以幫我們剖析和分析AGI了！

圖片

Transformer調試器將稀疏自動編碼器，與OpenAI開發(fā)的「自動可解釋性」——即用大模型自動解釋小模型，技術相結合。

鏈接：OpenAI炸裂新作：GPT-4破解GPT-2大腦！30萬神經元全被看透

圖片

論文地址：https://openaipublic.blob.core.windows.net/neuron-explainer/paper/index.html#sec-intro

值得一提的是，研究人員不用寫代碼，就能快速探索LLM的內部構造。

比如，它可以回答「為什么模型會輸出token A而不是token B」，「為什么注意力頭H會關注token T」之類的問題。

圖片

因為TDB能支持神經元和注意力頭，所以就可以讓研究人員通過消融單個神經元來干預前向傳遞，并觀察發(fā)生的具體變化。

不過根據Jan Leike的說法，這個工具現(xiàn)在還只是一個早期的版本，OpenAI放出來是希望更多的研究人員能夠用上，并且在現(xiàn)有基礎上進一步改進。

圖片

項目地址：https://github.com/openai/transformer-debugger

工作原理

要理解這個Transformer Debugger的工作原理，需要回顧OpenAI在2023年5月份放出的一份和對齊有關的研究。

TDB工具是基于此前發(fā)布的兩項研究，不會發(fā)布論文

簡單來說，OpenAI希望用參數(shù)更大能力更強的模型（GPT-4）去自動分析小模型（GPT-2）的行為，解釋它的運行機制。

圖片

當時OpenAI研究的初步結果是，參數(shù)比較少的模型容易被理解，但是隨著模型參數(shù)變大，層數(shù)增加，解釋的效果會暴降。

圖片

當時OpenAI在研究中稱，限于GPT-4本身設計就不是用來解釋小模型行為的，所以整體上對于GPT-2的解釋成果還很差。

圖片

未來需要開發(fā)出能夠更好地解釋模型行為的算法和工具。

而現(xiàn)在開源的Transformer Debugger，就是OpenAI在之后這一年的階段性成果。

而這個「更好的工具」——Transformer Debugger，就是將「稀疏自動編碼器」結合進這個「用大模型解釋小模型」的技術線路中去。

然后再將之前OpenAI在可解釋性研究中用GPT-4解釋小模型的過程零代碼化，從而大大降低了研究人員上手的門檻。

GPT-2 Small被看穿了

在GitHub項目主頁，OpenAI團隊成員通過視頻介紹了最新Transformer調試器工具。

與Python調試器類似，TDB可以讓你逐步查看語言模型輸出、跟蹤重要激活并分析上游激活。

進入TDB主頁，首先是「提示」一欄輸入——提示和感興趣的token：

Mary and Johon went to the store, Johon gave a drink to....

那么接下來，就是做一個「下一詞」的預測，需要輸入目標token，以及干擾性的token。

最后提交后，便可以看到系統(tǒng)給出的預測下一詞候選的對數(shù)。

下面的「節(jié)點表」是TDB的核心部分。這里的每一行都對應一個節(jié)點，也就是激活一個模型組件。

圖片

如果要了解對某個特定提示中非常重要的注意力頭的功能，直接點擊組件的名稱。

然后TDB會打開「神經元瀏覽器 」頁面，頂部會顯示之前的提示詞。

圖片

這里能看到淺藍色和粉色的token。每個對應顏色的token之下，從后續(xù)標記到這個token的注意力會讓一個大范數(shù)向量（large norm vector）被寫入后續(xù)token中。

圖片

在另外兩個視頻中，研究人員介紹了TDB的概念，以及其在理解回路中的應用。與此同時，他還演示了TDB如何定性地再現(xiàn)論文中的一個發(fā)現(xiàn)。

OpenAI自動可解釋性研究

簡單來說，OpenAI自動可解釋性研究的思路是讓GPT-4對神經元的行為進行自然語言解釋，然后把這個過程應用到GPT-2中。

這何以成為可能？首先，我們需要「解剖」一下LLM。

像大腦一樣，它們由「神經元」組成，它們會觀察文本中的某些特定模式，這就會決定整個模型接下來要說什么。

比如，如果給出這么一個prompt，「哪些漫威超級英雄擁有最有用的超能力？」 「漫威超級英雄神經元」可能就會增加模型命名漫威電影中特定超級英雄的概率。

OpenAI的工具就是利用這種設定，把模型分解為單獨的部分。

第一步：使用GPT-4生成解釋

首先，找一個GPT-2的神經元，并向GPT-4展示相關的文本序列和激活。

然后，讓GPT-4根據這些行為，生成一個可能的解釋。

比如，在下面的例子中GPT-4就認為，這個神經元與電影、人物和娛樂有關。

圖片

第二步：使用GPT-4進行模擬

接著，讓GPT-4根據自己生成的解釋，模擬以此激活的神經元會做什么。

圖片

第三步：對比打分

最后，將模擬神經元（GPT-4）的行為與實際神經元（GPT-2）的行為進行比較，看看GPT-4究竟猜得有多準。

圖片

還有局限

通過評分，OpenAI的研究者衡量了這項技術在神經網絡的不同部分都是怎樣的效果。對于較大的模型，這項技術的解釋效果就不佳，可能是因為后面的層更難解釋。

圖片

目前，絕大多數(shù)解釋評分都很低，但研究者也發(fā)現(xiàn)，可以通過迭代解釋、使用更大的模型、更改所解釋模型的體系結構等方法，來提高分數(shù)。

現(xiàn)在，OpenAI正在開源「用GPT-4來解釋GPT-2中全部307,200個神經元」結果的數(shù)據集和可視化工具，也通過OpenAI API公開了市面上現(xiàn)有模型的解釋和評分的代碼，并且呼吁學界開發(fā)出更好的技術，產生得分更高的解釋。

此外，團隊還發(fā)現(xiàn)，越大的模型，解釋的一致率也越高。其中，GPT-4最接近人類，但依然有不小的差距。

圖片

以下是不同層神經元被激活的例子，可以看到，層數(shù)越高，就越抽象。

圖片

圖片

圖片

圖片

稀疏自動編碼器設置

OpenAI使用的的稀疏自動編碼器是一個在輸入端具有偏置的模型，還包括一個用于編碼器的具有偏置和ReLU的線性層，以及另一個用于解碼器的線性層和偏置。

研究人員發(fā)現(xiàn)偏置項對自動編碼器的性能非常重要，他們將輸入和輸出中應用的偏差聯(lián)系起來，結果相當于從所有激活中減去固定偏差。

研究人員使用Adam優(yōu)化器訓練自動編碼器，以使用MSE重建Transformer的MLP激活。使用MSE損耗可以避免多語義性的挑戰(zhàn)，用損失加上L1懲罰項來鼓勵稀疏性。

在訓練自動編碼器時，有幾個原則非常重要。

首先是規(guī)模。在更多數(shù)據上訓練自動編碼器會使特征主觀上“更清晰”且更具可解釋性。所以OpenAI為自動編碼器使用了80億個訓練點。

其次，在訓練過程中，一些神經元會停止激活，即使在大量數(shù)據點上也是如此。

研究人員于是在訓練期間「重采樣」這些死神經元，允許模型代表給定的自動編碼器隱藏層維度的更多特征，從而產生更好的結果。

判斷指標

怎樣判斷自己的方法是否有效？在機器學習中可以簡單地用loss作為標準，但在這里就不太容易找到類似的參考。

比如尋找一個基于信息的指標，這樣可以在某種意義上說，最好的分解是最小化自動編碼器和數(shù)據總信息的分解。

——但事實上，總信息通常與主觀特征可解釋性或激活稀疏性無關。

最終，研究人員使用了了幾個附加指標的組合：

- 手動檢查：特征是否看起來可以解釋？

- 特征密度：實時特征數(shù)量和觸發(fā)它們的token的百分比是一個非常有用的指導。

- 重建損失：衡量自動編碼器重建MLP激活的程度。最終目標是解釋MLP層的功能，因此MSE損耗應該很低。

- 玩具模型：使用一個已經非常了解的模型，可以清晰地評估自動編碼器的性能。

不過研究人員也表示，希望從Transformer上訓練的稀疏自動編碼器中，為字典學習解決方案確定更好的指標。

參考資料：

https://twitter.com/janleike/status/1767347608065106387?s=20