51工具盒子AGI真的越来越近了！ 为了确保人类不被AI杀死，在解密神经网络/Transfomer黑箱这一方面，OpenAI从未停下脚步。 去年5月，OpenAI团队发布了一个令人震惊的发现：GPT-4竟可以解释GPT-2的三十万神经元！ 网友纷纷惊呼，智慧原来是这个样子。  而就在刚刚，OpenAI超级对齐团队负责人又正式官宣，要开源内部一直使用的大杀器------Transformer调试器（Transformer Debugger）。 简之，研究者可以用TDB工具分析Transformer的内部结构，从而对小模型的特定行为进行调查。  也就是说，有了这个TDB工具，未来它就可以帮我们剖析和分析AGI了！  Transformer调试器将稀疏自动编码器，与OpenAI开发的「自动可解释性」------即用大模型自动解释小模型，技术相结合。 链接：OpenAI炸裂新作：GPT-4破解GPT-2大脑！30万神经元全被看透 论文地址：https://openaipublic.blob.core.windows.net/neuron-explainer/paper/index.html#sec-intro 值得一提的是，研究人员不用写代码，就能快速探索LLM的内部构造。 比如，它可以回答「为什么模型会输出token A而不是token B」，「为什么注意力头H会关注token T」之类的问题。  因为TDB能支持神经元和注意力头，所以就可以让研究人员通过消融单个神经元来干预前向传递，并观察发生的具体变化。 不过根据Jan Leike的说法，这个工具现在还只是一个早期的版本，OpenAI放出来是希望更多的研究人员能够用上，并且在现有基础上进一步改进。 项目地址：https://github.com/openai/transformer-debugger 工作原理 要理解这个Transformer Debugger的工作原理，需要回顾OpenAI在2023年5月份放出的一份和对齐有关的研究。  TDB工具是基于此前发布的两项研究，不会发布论文 简单来说，OpenAI希望用参数更大能力更强的模型（GPT-4）去自动分析小模型（GPT-2）的行为，解释它的运行机制。  当时OpenAI研究的初步结果是，参数比较少的模型容易被理解，但是随着模型参数变大，层数增加，解释的效果会暴降。  当时OpenAI在研究中称，限于GPT-4本身设计就不是用来解释小模型行为的，所以整体上对于GPT-2的解释成果还很差。  > 未来需要开发出能够更好地解释模型行为的算法和工具。 而现在开源的Transformer Debugger，就是OpenAI在之后这一年的阶段性成果。 而这个「更好的工具」------Transformer Debugger，就是将「稀疏自动编码器」结合进这个「用大模型解释小模型」的技术线路中去。 然后再将之前OpenAI在可解释性研究中用GPT-4解释小模型的过程零代码化，从而大大降低了研究人员上手的门槛。 GPT-2 Small被看穿了 在GitHub项目主页，OpenAI团队成员通过视频介绍了最新Transformer调试器工具。 与Python调试器类似，TDB可以让你逐步查看语言模型输出、跟踪重要激活并分析上游激活。 进入TDB主页，首先是「提示」一栏输入------提示和感兴趣的token： > Mary and Johon went to the store, Johon gave a drink to.... 那么接下来，就是做一个「下一词」的预测，需要输入目标token，以及干扰性的token。 最后提交后，便可以看到系统给出的预测下一词候选的对数。 下面的「节点表」是TDB的核心部分。这里的每一行都对应一个节点，也就是激活一个模型组件。 如果要了解对某个特定提示中非常重要的注意力头的功能，直接点击组件的名称。 然后TDB会打开「神经元浏览器 」页面，顶部会显示之前的提示词。  这里能看到浅蓝色和粉色的token。每个对应颜色的token之下，从后续标记到这个token的注意力会让一个大范数向量（large norm vector）被写入后续token中。 在另外两个视频中，研究人员介绍了TDB的概念，以及其在理解回路中的应用。与此同时，他还演示了TDB如何定性地再现论文中的一个发现。 OpenAI自动可解释性研究 简单来说，OpenAI自动可解释性研究的思路是让GPT-4对神经元的行为进行自然语言解释，然后把这个过程应用到GPT-2中。 这何以成为可能？首先，我们需要「解剖」一下LLM。 像大脑一样，它们由「神经元」组成，它们会观察文本中的某些特定模式，这就会决定整个模型接下来要说什么。  比如，如果给出这么一个prompt，「哪些漫威超级英雄拥有最有用的超能力？」 「漫威超级英雄神经元」可能就会增加模型命名漫威电影中特定超级英雄的概率。 OpenAI的工具就是利用这种设定，把模型分解为单独的部分。 **第一步：使用GPT-4生成解释** 首先，找一个GPT-2的神经元，并向GPT-4展示相关的文本序列和激活。 然后，让GPT-4根据这些行为，生成一个可能的解释。 比如，在下面的例子中GPT-4就认为，这个神经元与电影、人物和娱乐有关。  **第二步：使用GPT-4进行模拟** 接着，让GPT-4根据自己生成的解释，模拟以此激活的神经元会做什么。  **第三步：对比打分** 最后，将模拟神经元（GPT-4）的行为与实际神经元（GPT-2）的行为进行比较，看看GPT-4究竟猜得有多准。  ### **还有局限** 通过评分，OpenAI的研究者衡量了这项技术在神经网络的不同部分都是怎样的效果。对于较大的模型，这项技术的解释效果就不佳，可能是因为后面的层更难解释。  目前，绝大多数解释评分都很低，但研究者也发现，可以通过迭代解释、使用更大的模型、更改所解释模型的体系结构等方法，来提高分数。 现在，OpenAI正在开源「用GPT-4来解释GPT-2中全部307,200个神经元」结果的数据集和可视化工具，也通过OpenAI API公开了市面上现有模型的解释和评分的代码，并且呼吁学界开发出更好的技术，产生得分更高的解释。 此外，团队还发现，越大的模型，解释的一致率也越高。其中，GPT-4最接近人类，但依然有不小的差距。  以下是不同层神经元被激活的例子，可以看到，层数越高，就越抽象。    稀疏自动编码器设置 OpenAI使用的的稀疏自动编码器是一个在输入端具有偏置的模型，还包括一个用于编码器的具有偏置和ReLU的线性层，以及另一个用于解码器的线性层和偏置。 研究人员发现偏置项对自动编码器的性能非常重要，他们将输入和输出中应用的偏差联系起来，结果相当于从所有激活中减去固定偏差。 研究人员使用Adam优化器训练自动编码器，以使用MSE重建Transformer的MLP激活。使用MSE损耗可以避免多语义性的挑战，用损失加上L1惩罚项来鼓励稀疏性。 在训练自动编码器时，有几个原则非常重要。 首先是规模。在更多数据上训练自动编码器会使特征主观上"更清晰"且更具可解释性。所以OpenAI为自动编码器使用了80亿个训练点。 其次，在训练过程中，一些神经元会停止激活，即使在大量数据点上也是如此。 研究人员于是在训练期间「重采样」这些死神经元，允许模型代表给定的自动编码器隐藏层维度的更多特征，从而产生更好的结果。 ### **判断指标** 怎样判断自己的方法是否有效？在机器学习中可以简单地用loss作为标准，但在这里就不太容易找到类似的参考。 比如寻找一个基于信息的指标，这样可以在某种意义上说，最好的分解是最小化自动编码器和数据总信息的分解。 ------但事实上，总信息通常与主观特征可解释性或激活稀疏性无关。 最终，研究人员使用了了几个附加指标的组合： > * 手动检查：特征是否看起来可以解释？ > > * 特征密度：实时特征数量和触发它们的token的百分比是一个非常有用的指导。 > > * 重建损失：衡量自动编码器重建MLP激活的程度。最终目标是解释MLP层的功能，因此MSE损耗应该很低。 > > * 玩具模型：使用一个已经非常了解的模型，可以清晰地评估自动编码器的性能。 不过研究人员也表示，希望从Transformer上训练的稀疏自动编码器中，为字典学习解决方案确定更好的指标。 参考资料： https://twitter.com/janleike/status/1767347608065106387?s=20
AGI真的越来越近了！ 为了确保人类不被AI杀死，在解密神经网络/Transfomer黑箱这一方面，OpenAI从未停下脚步。 去年5月，OpenAI团队发布了一个令人震惊的发现：GPT-4竟可以解释GPT-2的三十万神经元！ 网友纷纷惊呼，智慧原来是这个样子。  而就在刚刚，OpenAI超级对齐团队负责人又正式官宣，要开源内部一直使用的大杀器------Transformer调试器（Transformer Debugger）。 简之，研究者可以用TDB工具分析Transformer的内部结构，从而对小模型的特定行为进行调查。  也就是说，有了这个TDB工具，未来它就可以帮我们剖析和分析AGI了！  Transformer调试器将稀疏自动编码器，与OpenAI开发的「自动可解释性」------即用大模型自动解释小模型，技术相结合。 链接：OpenAI炸裂新作：GPT-4破解GPT-2大脑！30万神经元全被看透 论文地址：https://openaipublic.blob.core.windows.net/neuron-explainer/paper/index.html#sec-intro 值得一提的是，研究人员不用写代码，就能快速探索LLM的内部构造。 比如，它可以回答「为什么模型会输出token A而不是token B」，「为什么注意力头H会关注token T」之类的问题。  因为TDB能支持神经元和注意力头，所以就可以让研究人员通过消融单个神经元来干预前向传递，并观察发生的具体变化。 不过根据Jan Leike的说法，这个工具现在还只是一个早期的版本，OpenAI放出来是希望更多的研究人员能够用上，并且在现有基础上进一步改进。 项目地址：https://github.com/openai/transformer-debugger 工作原理 要理解这个Transformer Debugger的工作原理，需要回顾OpenAI在2023年5月份放出的一份和对齐有关的研究。  TDB工具是基于此前发布的两项研究，不会发布论文 简单来说，OpenAI希望用参数更大能力更强的模型（GPT-4）去自动分析小模型（GPT-2）的行为，解释它的运行机制。  当时OpenAI研究的初步结果是，参数比较少的模型容易被理解，但是随着模型参数变大，层数增加，解释的效果会暴降。  当时OpenAI在研究中称，限于GPT-4本身设计就不是用来解释小模型行为的，所以整体上对于GPT-2的解释成果还很差。  > 未来需要开发出能够更好地解释模型行为的算法和工具。 而现在开源的Transformer Debugger，就是OpenAI在之后这一年的阶段性成果。 而这个「更好的工具」------Transformer Debugger，就是将「稀疏自动编码器」结合进这个「用大模型解释小模型」的技术线路中去。 然后再将之前OpenAI在可解释性研究中用GPT-4解释小模型的过程零代码化，从而大大降低了研究人员上手的门槛。 GPT-2 Small被看穿了 在GitHub项目主页，OpenAI团队成员通过视频介绍了最新Transformer调试器工具。 与Python调试器类似，TDB可以让你逐步查看语言模型输出、跟踪重要激活并分析上游激活。 进入TDB主页，首先是「提示」一栏输入------提示和感兴趣的token： > Mary and Johon went to the store, Johon gave a drink to.... 那么接下来，就是做一个「下一词」的预测，需要输入目标token，以及干扰性的token。 最后提交后，便可以看到系统给出的预测下一词候选的对数。 下面的「节点表」是TDB的核心部分。这里的每一行都对应一个节点，也就是激活一个模型组件。 如果要了解对某个特定提示中非常重要的注意力头的功能，直接点击组件的名称。 然后TDB会打开「神经元浏览器 」页面，顶部会显示之前的提示词。  这里能看到浅蓝色和粉色的token。每个对应颜色的token之下，从后续标记到这个token的注意力会让一个大范数向量（large norm vector）被写入后续token中。 在另外两个视频中，研究人员介绍了TDB的概念，以及其在理解回路中的应用。与此同时，他还演示了TDB如何定性地再现论文中的一个发现。 OpenAI自动可解释性研究 简单来说，OpenAI自动可解释性研究的思路是让GPT-4对神经元的行为进行自然语言解释，然后把这个过程应用到GPT-2中。 这何以成为可能？首先，我们需要「解剖」一下LLM。 像大脑一样，它们由「神经元」组成，它们会观察文本中的某些特定模式，这就会决定整个模型接下来要说什么。  比如，如果给出这么一个prompt，「哪些漫威超级英雄拥有最有用的超能力？」 「漫威超级英雄神经元」可能就会增加模型命名漫威电影中特定超级英雄的概率。 OpenAI的工具就是利用这种设定，把模型分解为单独的部分。 **第一步：使用GPT-4生成解释** 首先，找一个GPT-2的神经元，并向GPT-4展示相关的文本序列和激活。 然后，让GPT-4根据这些行为，生成一个可能的解释。 比如，在下面的例子中GPT-4就认为，这个神经元与电影、人物和娱乐有关。  **第二步：使用GPT-4进行模拟** 接着，让GPT-4根据自己生成的解释，模拟以此激活的神经元会做什么。  **第三步：对比打分** 最后，将模拟神经元（GPT-4）的行为与实际神经元（GPT-2）的行为进行比较，看看GPT-4究竟猜得有多准。  ### **还有局限** 通过评分，OpenAI的研究者衡量了这项技术在神经网络的不同部分都是怎样的效果。对于较大的模型，这项技术的解释效果就不佳，可能是因为后面的层更难解释。  目前，绝大多数解释评分都很低，但研究者也发现，可以通过迭代解释、使用更大的模型、更改所解释模型的体系结构等方法，来提高分数。 现在，OpenAI正在开源「用GPT-4来解释GPT-2中全部307,200个神经元」结果的数据集和可视化工具，也通过OpenAI API公开了市面上现有模型的解释和评分的代码，并且呼吁学界开发出更好的技术，产生得分更高的解释。 此外，团队还发现，越大的模型，解释的一致率也越高。其中，GPT-4最接近人类，但依然有不小的差距。  以下是不同层神经元被激活的例子，可以看到，层数越高，就越抽象。    稀疏自动编码器设置 OpenAI使用的的稀疏自动编码器是一个在输入端具有偏置的模型，还包括一个用于编码器的具有偏置和ReLU的线性层，以及另一个用于解码器的线性层和偏置。 研究人员发现偏置项对自动编码器的性能非常重要，他们将输入和输出中应用的偏差联系起来，结果相当于从所有激活中减去固定偏差。 研究人员使用Adam优化器训练自动编码器，以使用MSE重建Transformer的MLP激活。使用MSE损耗可以避免多语义性的挑战，用损失加上L1惩罚项来鼓励稀疏性。 在训练自动编码器时，有几个原则非常重要。 首先是规模。在更多数据上训练自动编码器会使特征主观上"更清晰"且更具可解释性。所以OpenAI为自动编码器使用了80亿个训练点。 其次，在训练过程中，一些神经元会停止激活，即使在大量数据点上也是如此。 研究人员于是在训练期间「重采样」这些死神经元，允许模型代表给定的自动编码器隐藏层维度的更多特征，从而产生更好的结果。 ### **判断指标** 怎样判断自己的方法是否有效？在机器学习中可以简单地用loss作为标准，但在这里就不太容易找到类似的参考。 比如寻找一个基于信息的指标，这样可以在某种意义上说，最好的分解是最小化自动编码器和数据总信息的分解。 ------但事实上，总信息通常与主观特征可解释性或激活稀疏性无关。 最终，研究人员使用了了几个附加指标的组合： > * 手动检查：特征是否看起来可以解释？ > > * 特征密度：实时特征数量和触发它们的token的百分比是一个非常有用的指导。 > > * 重建损失：衡量自动编码器重建MLP激活的程度。最终目标是解释MLP层的功能，因此MSE损耗应该很低。 > > * 玩具模型：使用一个已经非常了解的模型，可以清晰地评估自动编码器的性能。 不过研究人员也表示，希望从Transformer上训练的稀疏自动编码器中，为字典学习解决方案确定更好的指标。 参考资料： https://twitter.com/janleike/status/1767347608065106387?s=20
