本文經計算機視覺研究院公眾號授權轉載，轉載請聯系出處。

在過去的兩年里，人工智能在自然語言處理領域的突破達到了驚人的水平。很多重要的突破都是基于谷歌在 2017 年提出的 Transformer 架構。

但在模型之下，我們仍然不知道 Transformer 對其處理的單詞做了什么。從普遍的理解來看，它們能夠以某種方式關注多個單詞，從而可以立即進行「全局」分析。但這究竟是如何做到的，或者這種說法是否是理解 Transformer 的正確方式，都還不清楚。我們知道「成分」，但卻不了解「配方」。

現在，Anthropic 公司的研究人員進行的兩項研究試圖從根本上探究 Transformer 在處理和生成文本時會做什么。Anthropic 公司成立于 2021 年 5 月，團隊主要由一批前 OpenAI 核心員工組成，致力于提高 AI 的安全性及可解釋性。

第一篇論文發表于 2021 年的 12 月，作者著眼于架構的簡化版本，并充分解釋了它們的功能。以色列理工學院的 Yonatan Belinkov 表示：「這些簡化架構很好地描述了 Transformer 在非常簡單的情況下是如何工作的。我對這項工作非常感興趣。它很有趣，同時很有前途，也比較獨特和新穎。」

論文鏈接：https://transformer-circuits.pub/2021/framework/index.html

作者還表明，簡單的 Transformer 具備從學習基本語言模式到語言處理的一般能力。「你會看到能力的飛躍」，哈佛大學的 Martin Wattenberg 說道。研究團隊已經開始破解 Transformer 的「配方」了。

在 2022 年發表的第二篇論文中，研究者表明，負責這種能力的相同組件在最復雜的 Transformer 中也能發揮作用。雖然這些模型背后的數學原理在很大程度上仍然難以理解，但該研究的結果提供了一種理解途徑。「他們在簡化版模型中發現的東西可以遷移到更大的模型中」，Conjecture 公司和研究小組 EleutherAI 的 Connor Leahy 說道。

論文鏈接：https://transformer-circuits.pub/2022/in-context-learning-and-induction-heads/index.html

理解 Transformer 的難點在于它們的抽象。傳統程序遵循可理解的過程，例如每當看到「green」一詞時，就輸出「grass」一詞，而 Transformer 將「green」一詞轉換為數字，然后將它們與某些值相乘。這些值（也稱為參數）決定下一個單詞是什么。Transformer 在訓練的過程中得到微調，模型能夠學會產生最佳輸出，但目前尚不清楚模型學習的是什么。

大多數機器學習程序將數學打包為模塊化的神經元。Transformer 則加入了一種額外的成分，稱為注意力頭（attention head），這些頭分層排列（就像神經元一樣）。但是頭的運算方式與神經元不同。頭的作用通常被理解為「允許程序記住輸入的多個單詞」，但這種解釋并不確切。

「注意力機制顯然是有效的。它取得了很好的效果，」Wattenberg 說。「但問題是它在做什么？我的猜測是它正在做很多我們不知道的事情。」

為了更好地理解 Transformer 的工作原理，Anthropic 的研究人員簡化了架構，去掉了所有的神經元層和除了一層或兩層注意力頭之外的所有層。這讓他們發現了 Transformer 和簡化模型之間的聯系。

理解 Transformer

先假設一種最簡單的語言模型，稱為「二元模型」，它再現了基本的語言模式。例如在大型文本上訓練時，二元模型會記下單詞「green」之后最常出現的單詞（例如「grass」）并記住它。然后，在生成文本時，它會重現相同的模式。通過為每個輸入單詞記住一個相關的后續單詞，它可以獲得非常基本的語言知識。

研究人員表明，具有一層注意力頭的 Transformer 模型做了類似的事情：它再現了所記憶的內容。假設你給它一個特定的輸入，比如「Doctor Smith went to the store because Doctor …」這個輸入被稱為 prompt 或上下文。對我們來說，下一個詞是顯而易見的 ——Smith。

在訓練好的單層模型中，注意力頭可以分兩步進行此預測。首先，它查看上下文中的最后一個詞（Doctor），并在它（訓練期間）已經學習的上下文中搜索一個特定的詞以與最后一個詞相關聯。然后，對于找出的單詞，查找另一個它已知相關聯的單詞，就像二元模型一樣。最后將這個關聯的詞移動到模型的輸出中。

對于這個例子，研究人員表示，根據最后一個詞「Doctor」，注意力頭從訓練中知道：要搜索一個通用名稱的詞。在句子前面找到名字「Smith」時，注意力頭會查看它學到的與「Smith」相關聯的內容，并將該詞移動到輸出。（在這種情況下，模型已經學會將同一個詞「Smith」與找到的詞「Smith」相關聯。）整個過程的凈效果是模型將「Smith」這個詞從上下文復制到輸出。

研究作者：Chris Olah（左）、Catherine Olsson（中）和 Nelson Elhage（右）

「在這里，我們實際上可以理解注意力的作用，」研究的共同作者之一 Chris Olah 說。

但這種「記憶」只能幫模型到這里了。思考一下，當史密斯的名字變成一個虛構的名字時會發生什么，比如「Gigamuru」。對我們來說，句子如何完成仍然很簡單 ——Gigamuru，但模型在訓練期間不會看到虛構的詞。因此，它不可能記住它與其他詞之間的任何關系，也不會生成它。

當研究一個更復雜的模型 —— 一個有兩層注意力頭的模型時，Anthropic 團隊找到了一種解決方案。該方案依賴于注意力頭獨有的能力：它們不僅可以將信息移動到輸出上，還可以移動到上下文中的其他地方。

借助這種能力，第一層的頭部學習利用前驅詞的信息來注釋上下文中的每個詞。然后，第二個頭可以搜索以單詞 “Doctor”（在本例中為 “Gigamuru”）之前的單詞，并像單層模型中的頭一樣，將其移動到輸出上。研究人員將與前一層中頭協作的后一層中的注意力頭稱為感應頭（induction head）。感性頭不僅有記憶的功能，而且可以做一些類似于抽象推理或實現算法的事情。

感應頭能讓兩層模型做到更多的事情，但它們與全尺寸 Transformer 的相關性尚不清楚，它們有數百個注意力頭協同工作。在第二篇論文中，研究人員發現這些結果得到了延續：感應頭似乎對一些最復雜多層架構的顯著行為做出了重大貢獻。

在這些行為中，算術的能力得到彰顯，因為模型只被訓練來完成文本。例如，如果給出重復 prompt：「問：48 加 76 等于多少？答：124；問：48 加 76 等于多少？A：___」一個完整的模型會得到正確的答案，并且在獲得足夠多的非重復 promp 后，它就能正確回答它從未見過的算術問題。這種從上下文中明顯學習新能力的現象稱為「上下文學習」。

這種現象令人費解，因為從上下文中學習是不可能的。這是因為決定模型性能的參數僅在訓練期間進行調整，而沒有在模型處理輸入上下文時進行調整。

感應頭至少解決了部分難題。它們解釋了上下文學習的簡單、重復形式的可能性，同時提供了所需要的 —— 復制模型未經訓練使用的新詞（如「Gigamuru」或「124」）的能力。

論文作者之一、Anthropic 團隊成員 Catherine Olsson 表示：「感應頭更可能適應各種模式，即使它有些許奇怪或新奇。」

該研究進一步在多層模型中應用感應頭，表明感性頭能夠參與更新穎的上下文學習形式，例如學會翻譯語言。

該研究為理解 transformer 提供了一個新的視角。它們不僅在獲取知識，而且還在學習處理根本沒有學過的東西。這或許可以解釋 transformer 現在的「霸主」地位。