作者介紹：本篇文章的作者團隊來自美國四所知名高校：西北大學、喬治亞大學、新澤西理工學院和喬治梅森大學。第一作者束東與共同第一作者吳烜圣、趙海燕分別是上述高校的博士生，長期致力于大語言模型的可解釋性研究，致力于揭示其內部機制與 “思維” 過程。通訊作者為新澤西理工學院的杜夢楠教授。

在 ChatGPT 等大語言模型（LLMs）席卷全球的今天，越來越多的研究者意識到：我們需要的不只是 “會說話” 的 LLM，更是 “能解釋” 的 LLM。我們想知道，這些龐大的模型在接收輸入之后，到底是怎么 “思考” 的？

為此，一種叫做 Sparse Autoencoder（簡稱 SAE） 的新興技術正迅速崛起，成為當前最熱門的 mechanistic interpretability（機制可解釋性） 路線之一。最近，我們撰寫并發布了第一篇系統性的 SAE 綜述文章，對該領域的技術、演化和未來挑戰做了全面梳理，供關注大模型透明性、可控性和解釋性的研究者參考。

• 論文題目：
  A Survey on Sparse Autoencoders: Interpreting the Internal Mechanisms of Large Language Models
• 論文地址：
  https://arxiv.org/pdf/2503.05613

（圖 1）：該圖展示了 SAE 的基本框架。

什么是 Sparse Autoencoder？

簡單來說，LLM 內部的許多神經元可能是“多義的”，意思是它們同時處理好幾個不相關的信息。在處理輸入時，LLM 會在內部生成一段高維向量表示，這種表示往往難以直接理解。然后，如果我們將它輸入一個訓練好的 Sparse Autoencoder，它會解構出若干稀疏激活的“特征單元”（feature），而每一個feature，往往都能被解釋為一段可讀的自然語言概念。

舉個例子：假設某個特征（feature 1）代表 “由鋼鐵建造的建筑”，另一個特征（feature 2）代表 “關于歷史的問題”。當 LLM 接收到輸入 “這座跨海大橋真壯觀” 時，SAE 會激活 feature 1，而不會激活 feature 2。這說明模型 “意識到” 橋是一種鋼結構建筑，而并未將其理解為歷史類話題。

而所有被激活的特征就像拼圖碎片，可以拼接還原出原始的隱藏表示（representation），讓我們得以窺見模型內部的 “思維軌跡”。這也正是我們理解大模型內部機制的重要一步。

（圖 2）：該圖展示了 SAE 的發展歷史。

為什么大家都在研究 SAE？

過去主流的可解釋方法多依賴于可視化、梯度分析、注意力權重等 “間接信號”，這些方法雖然直觀，但往往缺乏結構性和可控性。而 SAE 的獨特優勢在于：它提供了一種結構化、可操作、且具語義解釋力的全新視角。它能夠將模型內部的黑盒表示分解為一組稀疏、具備明確語義的激活特征（features）。

更重要的是，SAE 不只是可解釋性工具，更可以用于控制模型怎么想、發現模型的問題、提升模型的安全性等一系列實際應用。當前，SAE 已被廣泛應用于多個關鍵任務：

• 概念探測（Concept Discovery）：自動從模型中挖掘具有語義意義的特征，如時間感知、情緒傾向、語法結構等；
• 模型操控（Steering）：通過激活或抑制特定特征，定向引導模型輸出，實現更精細的行為控制；
• 異常檢測與安全分析：識別模型中潛藏的高風險特征單元，幫助發現潛在的偏見、幻覺或安全隱患。

這種 “解釋 + 操控” 的結合，也正是 SAE 能在當前 LLM 可解釋性研究中脫穎而出的關鍵所在。目前包括 OpenAI、Anthropic、Google DeepMind 等機構都在推進 SAE 相關研究與開源項目。

（圖 3）：該圖演示了如何通過 SAE 操控模型輸出，實現對大語言模型行為的定向引導。

本文有哪些內容？

作為該領域的首篇系統綜述，我們的工作涵蓋以下幾個核心部分：

1. Technical Framework of SAEs（SAE 的技術框架）

本部分系統介紹了 SAE 的基本結構及其訓練流程，它是一種特殊的神經網絡。具體包括：

• 編碼器：把 LLM 的高維向量表示 “分解” 成一個更高維并且稀疏的特征向量。
• 解碼器：根據這個稀疏特征向量，嘗試 “重建” 回原始的 LLM 信息。
• 稀疏性損失函數：確保重建得足夠準確，并且特征足夠稀疏。

同時我們總結了現有的常見架構變體與改進策略。例如解決收縮偏差（shrinkage bias）的 Gated SAE，通過直接選擇 Top-K 個激活來強制稀疏性的 TopK SAE，等等。

2. Explainability Analysis of SAEs（SAE 可解釋性分析）

總結當前主流的解釋方法，旨在將 SAE 學習到的稀疏特征用自然語言進行描述，從而把模型的 “抽象思維” 轉化為人類可理解的見解 。這些方法主要分為兩大類：

• 輸入驅動：尋找那些能最大程度激活某個特征的文本片段。通過總結這些文本，我們就能大致推斷出這個特征代表什么意思（如 MaxAct、PruningMaxAct）。
• 輸出驅動：將特征與 LLM 生成的詞語聯系起來。例如，一個特征激活時，LLM 最可能輸出哪些詞，這些詞就能幫助我們理解這個特征的含義（如 VocabProj、Mutual Info）。

3. Evaluation Metrics and Methods（評估指標與方法）

評估 SAE 就像評估一個工具：既要看它內部構造是否合理（結構評估），也要看它實際用起來有沒有效果（功能評估）。

• 構性評估：檢查 SAE 是否按設計工作，比如重建的準確度如何，稀疏性是否達到要求（如重構精度與稀疏度）。
• 功能評估：評估 SAE 能否幫助我們更好地理解 LLM，以及它學習到的特征是否穩定和通用（如可解釋性、健壯性與泛化能力）。

4. Applications in Large Language Models（在大語言模型中的應用）

SAE 不僅能幫助我們理解 LLM，還能實際操作它們。我們展示了 SAE 在模型操控、行為分析、拒答檢測、幻覺控制、情緒操控等方面的實際應用案例與前沿成果。

5. 與 Probing 方法的對比分析

除了 SAE，還有一種叫做 “Probing（探針）” 的方法也被用于理解 LLM。本文比較了 SAE 與傳統的 Probing 技術在模型操縱和特征提取等方面的優勢與不足。盡管 Probing 方法在某些方面表現出色，但 SAE 作為一種新興的機制可解釋性方法，具有其獨特的潛力。然而，研究也指出，在某些復雜場景（如數據稀缺、類別不平衡等）下，SAE 在提供一致優勢方面仍有很長的路要走。

6. 當前研究挑戰與未來方向

盡管 SAE 前景廣闊，但仍面臨一些挑戰，如：語義解釋仍不穩定；特征字典可能不完整；重構誤差不可忽視；訓練計算成本較高。同時也展望了未來可能的突破點，包括跨模態擴展、自動解釋生成、架構輕量化等。

結語：從 “看得懂” 到 “改得動”

在未來，解釋型 AI 系統不能只滿足于可視化 attention 或 saliency map，而是要具備結構化理解和可操作性。SAE 提供了一個極具潛力的路徑 —— 不僅讓我們看到模型 “在想什么”，還讓我們有能力去 “改它在想什么”。

我們希望這篇綜述能為廣大研究者提供一個系統、全面、易于參考的知識框架。如果您對大模型可解釋性、AI 透明性或模型操控感興趣，這將是一篇值得收藏的文章。