OpenAI“神”操作：让 GPT-4去解释 GPT-2的行为！　　由 ChatGPT掀起的这场 AI革命，令人们感慨神奇的同时，也不禁发出疑问:AI究竟是怎么做到这一切的?　　此前，即便是专业的数据科学家，都难以解释大模型（LLM）运作的背后。而最近，OpenAI似乎做到了——本周二，OpenAI发布了其最新研究:让 GPT-4去试着解释 GPT-2的行为。　　即:让一个 AI“黑盒”去解释另一个 AI“黑盒”。　　工作量太大，决定让 GPT-4去解释 GPT-2　　OpenAI之所以做这项研究的原因，在于近来人们对 AI伦理与治理的担忧:“语言模型的能力越来越强，部署也越来越广泛，但我们对其内部工作方式的理解仍然非常有限。”　　由于 AI的“黑盒”性质，人们很难分辨大模型的输出结果是否采用了带有偏见性质的方法，也难以区分其正确性，因而“可解释性”是亟待重要的一个问题。　　AI的发展很大程度上是在模仿人类，因而大模型和人脑一样，也由神经元组成，它会观察文本规律进而影响到输出结果。所以想要研究 AI的“可解释性”，理论上要先了解大模型的各个神经元在做什么。　　按理来说，这本应由人类手动检查，来弄清神经元所代表的数据特征——参数量少还算可行，可对于如今动辄百亿、千亿级参数的神经网络，这个工作量显然过于“离谱”了。　　于是，OpenAI灵机一动:或许，可以用“魔法”打败“魔法”?　　“我们用 GPT-4为大型语言模型中的神经元行为自动编写解释，并为这些解释打分。”而 GPT-4首次解释的对象是 GPT-2，一个 OpenAI发布于4年前、神经元数量超过30万个的开源大模型。　　让 GPT-4“解释” GPT-2的原理　　具体来说，让 GPT-4“解释” GPT-2的过程，整体分为三个步骤。　　（1）首先，让 GPT-4生成解释，即给出一个 GPT-2神经元，向 GPT-4展示相关的文本序列和激活情况，产生一个对其行为的解释。　　如上图所示，GPT-4对 GPT-2该神经元生成的解释为:与电影、人物和娱乐有关。　　（2）其次，再次使用 GPT-4，模拟被解释的神经元会做什么。下图即 GPT-4生成的模拟内容。　　（3）最后，比较 GPT-4模拟神经元的结果与 GPT-2真实神经元的结果，根据匹配程度对 GPT-4的解释进行评分。在下图展示的示例中，GPT-4得分为0.34。　　通过这样的方法，OpenAI共让 GPT-4解释了 GPT-2中的307200个神经元，其中大多数解释的得分很低，只有超过1000个神经元的解释得分高于0.8。　　在官博中，OpenAI承认目前 GPT-4生成的解释并不完美，尤其在解释比 GPT-2规模更大的模型时，效果更是不佳:“可能是因为后面的 layer更难解释。”　　尽管绝大多数解释的得分不高，但 OpenAI认为，“即使 GPT-4给出的解释比人类差，但也还有改进的余地”，未来通过 ML技术可提高 GPT-4的解释能力，并提出了三种提高解释得分的方法:　　对解释进行迭代，通过让 GPT-4想出可能的反例，根据其激活情况修改解释来提高分数。　　使用更大的模型来进行解释，平均得分也会上升。　　调整被解释模型的结构，用不同的激活函数训练模型。　　值得一提的是，以上这些解释数据集、可视化工具以及代码，OpenAI都已在 GitHub上开源发布:“我们希望研究界能开发出新技术以生成更高分的解释，以及更好的工具来使用解释探索 GPT-2。”　　“再搞下去，AI真的要觉醒了”　　除此之外，OpenAI还提到了目前他们采取的方法有很多局限性，未来需要一一攻克:　　GPT-4给出的解释总是很简短，但神经元可能有着非常复杂的行为，不能简洁描述。　　当前的方法只解释了神经元的行为，并没有涉及下游影响，希望最终能自动化找到并解释能