找出9.9<9.11的真正原因：《圣经》！神经元干预可免重训练修复

大模型分不清“9.9和9.11哪个更大”的谜团，终于被可解释性研究揭秘了！

而且简单到让人哭笑不得——

一个来自MIT、UC伯克利的独立实验室团队，开发了能抑制大模型体内某些（与具体概念相关的）神经元的AI工具。

他们发现，只要把与《圣经》经文、日期、重力等概念相关的神经元激活设为0，大模型立马能答对这道比较题。

单单是拿走《圣经》经文相关神经元，就可以让“9.9和9.11哪个更大”这个问题的准确率，提高21个百分点！

而且修复这个bug，既不需要重新训练模型，也不需要添加额外提示词。

网友看了过后哭笑不得：

这家AI独立实验室名叫Transluce AI，团队成员也趁机悉数亮相，创始团队来自MIT、UC伯克利、CMU等顶尖高校。

其中还有OpenAI和谷歌大脑的前员工。

大模型硬说9.9<9.11这件事，想必大家都知道了。

直至今日，Claude-3.5-Sonnet和GPT-4o这样的顶尖模型，依旧固执地这样认为（或者出其他的错）。

现在，背后原因浮出水面！

先说结论吧：

这与月份、日期、重力，以及《圣经》经文有关。

发现过程是酱紫的——

Transluce AI的研究人员针对这个著名问题，开发了一个新的技术应用Monitor。

它是一个可解释性界面，可以揭示语言模型的内部计算过程，并允许用户对其进行控制。

遵循通用的可扩展理解方法， Monitor采用一系列AI驱动的工具，来帮助用户理解语言模型中的神经激活模式：

首先，一个预先编译的高质量神经元描述数据库。

这个数据库包含通过将Transluce AI的AI驱动描述流程应用在LLaMA-3.1-8B中的所有MLP神经元。

之所以选择“神经元”这个单位，是因为它们最简单，并且表现良好。

其次，一个实时界面。

实时界面的作用是展示给定聊天对话中的重要概念，用户可以通过激活度（概念激发的强度）或归因度（概念对指定目标 token 的影响程度）来衡量重要性。

再者，一个实时AI代码检查器。

它可自动识别出可能的虚假线索概念群集，例如在数字9.8上触发“9月8日”的神经元。

最后，一个语义引导的调节，根据自然语言输入，来增加或减少概念相关神经元集合的强度。

万事俱备，测试开始。

（有点点疑惑，展开测试过程时，研究人员把9.9替换成了9.8）

研究人员使用Monitor的归隐功能和实时AI代码检查器结合，发现——

9.8<9.11这个bug，和日期、重力以及《圣经》经文有关。

一旦研究人员把与这几个概念有关的神经元移除，LLaMA就能正确地回答出这个问题了。

为了更深入地探讨这个问题，研究人员采用归因分析，不仅要知道哪些概念最为活跃，还要具体分析出是哪个（些）概念影响了LLaMA在“9.11是……”之后说出“最大”这个词。

团队用AI实时代码检查器发现了之前相同的两个聚类（cluster），以及与《圣经》相关的第三个聚类。

观察发现，这个聚类中的特定神经元与《圣经》经文相关；另外，如果将9.8和9.11解读为第9.8章节和第9.11章节，也会出现大模型比错大小的情况。

发现LLaMA中相当一部分的神经元和《圣经》有关后，团队在介绍文章里感慨：

于是研究人员想了个办法解决这个问题。

他们先是通过在引导prompts中输入“圣经经文”，并按下“停用”。这个操作让与“圣经经文”具有最高语义匹配的500个神经元激活归零。

不试不知道，一试就发现，单单是移除《圣经》经文相关神经元，LLaMA回答这道题的准确率就能提升21%。

更进一步的，研究人员对两个数字相关日期及其相关事件也做了同样的处理。

完成上述步骤后，LLaMA就给出了正确答案：

整体而言，通过将《圣经》经文、日期、手机版本这三个概念的神经元集合，然后关闭合并集中的神经元，这样一套干预流程下来，LLaMA回答这个问题的准确率达到了77%。

关于实验更多细节，欢迎大家查看本文末尾的原文直通车。

说完研究本身，可以聊聊项目背后的团队了。

Transluce AI，贼新鲜出炉，几个小时前刚刚宣布成立。

Transluce是透明度的意思，意味着通过某物的透光程度来揭示其本身的结构。

“今天的复杂AI系统难以理解，即使技术专家部署后也无法百发百中地预测其行为。”团队在官网上写下，“与此同时，AI被采用的速度快过历史上任何技术。”

也是因此，像Monitor这样用来检查和评估模型的工具非常有必要出现和存在。

Transluce AI给自己的定位是一个非营利性研究实验室，目标是构建开源、可扩展的技术，以理解AI系统并引导它们服务于公共利益。

Transluce AI表示，自己的目标是创建世界级的AI系统理解工具，并利用这些工具推动建立可信赖的AI行业标准。

为了在AI系统的能力和风险分析更加可靠，这些工具必须具有可扩展性和开放性。

关于可扩展性：

AI的结果源于多个复杂数据流的交互：训练数据、内部表示、行为和用户交互。

目前理解AI的方法依赖于大量的人工研究工作（常被调侃有多少人工就有多少智能）。

我们需要可扩展的方法，利用AI来辅助理解，通过训练AI Agent来理解这些复杂的数据源，向人类解释它们，并根据人类反馈修改数据。

关于开放性：

构建AI系统的公司不能成为其安全性的主要裁定方，因为与商业优先事项存在利益冲突。

为了允许有意义的公众监督，审计AI系统的工具和流程应公开验证，对公众反馈做出响应，并可供第三方评估者使用，“世界上最优秀的人才应该审查这项技术并提高其可靠性”。

亮相第一天，除了Monitor外，Transluce AI同期放出了另外两个自家实例。

他们还表示，正在将团队方法扩展到前沿模型，以更优秀的Agent来帮助人类理解更复杂的系统。

具体来说，他们会结合团队的可观测性和启发式技术，使用户能够以可观测状态为条件指定搜索目标。

不过从长远来看，Transluce AI将构建通用的框架来理解任何复杂的数据流，包括训练数据和多个Agents之间的交互。

目前对外披露的Transluce AI创始成员大约有10人。

分别是：

Jacob Steinhardt，联合创始人兼CEO。

同时，Jacob也是UC伯克利统计学和电子工程与计算机科学（EECS）助理教授，谷歌学术被引数超过20000。

他的研究方向主要面向确保ML系统能够被人类理解，以及与人类保持一致。

Jacob是斯坦福大学基础模型研究中心（CRFM）主任、著名AI大佬Percy Liang的学生。

他曾在博士后期间于OpenAI实习过。

Sarah Schwettmann，联合创始人之一。

她在自我介绍中表示，自己是一名在MIT计算机科学与人工智能实验室（MIT CSAIL）以及MIT-IBM Watson人工智能实验室的研究科学家。

Sarah在MIT拿下脑与认知科学博士学位，是两位十万引大神——Josh Tenenbaum和Antonio Torralba的学生。

她的主要工作是研究AI（以及之前在生物神经网络）中智能背后的表征。

此外，创始团队成员几乎均出自（或仍在读）于MIT、CMU、多伦多大学等大学。

其中，Dami Choi和Daniel D. Johnson都有在谷歌AI相关部门工作的经历；Neil Chowdhury曾担任过OpenAI预备队成员。

而Erin Xie本科毕业于北京大学，后在2020年拿下CMU的人机交互硕士学位。

与此同时，图灵奖得主Yoshua Bengio、斯坦福AI大佬Percy Liang、耶鲁大学统计学和数据科学教授Jas Sekhon等，都是该AI独立实验室的顾问。

参考链接：[1]https://clearthis.page/?u=https://www.lesswrong.com/posts/BFamsq52ctyRziDgE/introducing-transluce-a-letter-from-the-founders[2]https://transluce.org/observability-interface?ref=bounded-regret.ghost.io#system-design