引言：揭开大模型的神秘面纱

Anthropic于8月16日发布了最新一期官方YouTube视频，其中三位可解释性团队的研究员深入探讨，试图揭示大语言模型（Large Language Model, LLM: 基于大量文本数据训练，能够理解和生成人类语言的人工智能模型）的思考方式。本次访谈总结将聚焦于揭开大模型内部运作的秘密，探究其作为“黑盒”的本质。

与大模型对话：我们到底在和什么交谈？

当与大语言模型互动时，一个核心问题随之浮现：我们究竟是在与一个美化的自动模式、一个高级搜索引擎，还是一个真正像人类一样思考的实体对话？目前尚无定论。Anthropic（一家领先的人工智能研究公司）的团队正致力于通过可解释性研究（Interpretability Research: 旨在理解人工智能模型内部工作原理、决策过程和行为原因的科学领域）来寻求答案，旨在审视大语言模型的科学原理及其内部思考过程，明确模型在回应用户查询时内部的运作机制。

Anthropic可解释性团队介绍

参与此次访谈的三位研究员分别是杰克·林赛（Jack Lindsey）、伊曼纽尔·阿梅森（Emmanuel Ameisen）和乔什·巴特森（Josh Batson），他们均来自Anthropic的可解释性团队。杰克·林赛曾是神经科学家，现专注于大模型的“神经科学”研究；伊曼纽尔·阿梅森职业生涯大部分时间用于构建机器学习模型，现致力于理解其运作；乔什·巴特森曾研究病毒进化，也是一位数学家，如今则研究大模型的生物学特性。对于大模型作为软件为何与生物学、神经科学关联的疑问，巴特森解释称，这更多是一种类比。大模型的学习过程类似于生物进化：它并非天生擅长对话，而是在接收大量数据输入后，其内部组件会针对每个示例进行微调，以更好地应对后续对话，最终变得非常擅长。这一过程无人为设定所有控制旋钮，如同生物形态随时间推移而进化，复杂而神秘。

预测Token与抽象概念的形成

通常认为，大模型的核心能力是预测下一个Token（Token: 文本的最小单元，可以是单词、子词、字符或标点符号），其诗歌创作、长篇故事撰写和数学问题处理等能力均源于此。然而，阿梅森指出，当模型预测足够多的Token时，它会意识到某些Token更难预测，因此必须学习如何补全等式后的内容，这便需要其发展出自己的计算方式。模型本身不一定认为自己在预测下一个Token，它只是受此需求影响，从而在内部形成各种中间目标和抽象概念，以辅助实现预测这一元目标。这类似于人类以生存和繁殖为最终目标，但我们并不会时刻思考这些，而是通过思考其他具体事务来实现，这些都是进化赋予我们达成最终目标的能力。

解析模型思考过程：概念与流程

Anthropic的可解释性团队致力于解析模型从输入到输出的思考步骤。林赛指出，在此过程中，模型会思考多种概念，包括单个物体、词语等底层概念，以及自身目标、情绪状态、对用户想法的推测等高层概念。团队正尝试用流程图来展示这些概念的使用、顺序及其主导作用。这类似于通过核磁共振成像观察人脑活动，但不同之处在于，研究大模型时可以观察到模型的哪些部分执行哪些任务，通过监测这些部分的活跃时机来理解每个组件的作用，并最终将这些信息整合。

大模型的概念抽象性与意外发现

大模型的概念抽象性是研究中一个引人入胜的方面。多年来，该领域的核心挑战在于人类常将自身概念框架强加于模型，例如假设模型具有关于“火车”或“爱”的表征。然而，研究人员真正希望揭示的是模型自身使用的抽象概念，而这些概念往往令人意外。阿梅森举例称，模型中存在一个仅在极力堆砌赞美之词的特定语境中才会被激活的部分，作为“精神病态式赞美”这一特定概念存在，这令人惊讶。巴特森则提到，模型对旧金山金门大桥的理解并非简单的词语自动补全，而是能联想到相关场景，仿佛“看到”了桥的样子。此外，模型在追踪故事人物时，可能会对其进行编号，如“第一个人”“第二个人”，以关联信息。更出人意料的是，模型还具备检测代码漏洞的功能，当读取代码发现错误时，会有类似“亮起指示灯”的反应，并记录错误位置。

计算能力与神经回路的泛化

林赛分享了一个关于模型计算能力的例子，进一步阐释了其运作机制。当模型计算末位为6和末位为9的数字相加时，其某个特定部分会被激活。无论是直接计算6加9，还是在处理参考文献（例如引用1959年成立的期刊的第六卷，需要计算年份）时，同一片类似的神经回路（Neural Circuit: 大脑或人工智能模型中，神经元之间相互连接形成的功能性通路，负责处理特定信息或执行特定任务）都会被激活。这表明大模型并非仅仅记忆训练数据，而是习得了可泛化的计算能力，使得不同语境下的加法运算会汇聚到同一个回路处理。巴特森补充道，从计算期刊年份的例子可以看出，模型并非单纯记住孤立事实（如期刊成立于1959年），而是通过实时的数学计算找出第六卷的年份，而非记忆每一卷的出版年份。由于模型需要应对各种问题，其重组和整合所学抽象概念的能力越强，表现就越好。

多语言处理中的概念共享

在多语言处理方面，大模型展现出概念共享的特点。阿梅森指出，训练Claude（Anthropic开发的大语言模型系列）使用多种语言作答时，它并未为每种语言划分独立的区域，而是让某些表征在不同语言之间共享。例如，“大的反义词是什么”这个问题中，“大”这个概念在法语、英语、日语等多种语言中是共享的。然而，在小型模型中则不同，其不同语言的处理区域几乎完全割裂。大模型在更多数据上训练后，不同语言的表征会向中间汇聚，形成所谓的通用语言，从而先理解问题核心，再将其翻译成提问语言。

模型真实思考与“出声思考”的区别

值得注意的是，模型输出的“思考过程”与它真实的内部思考过程并不相同。有时我们要求模型输出回答问题时的思考过程，即所谓的“出声思考”，但这与其内部思维完全是两回事。林赛指出，只有通过观察模型内部的抽象概念和思维语言，才能捕捉到其真实的思考过程，而这往往与最终输出的内容不同。这也是可解释性研究的重要原因之一，因为它能揭示模型是否存在隐秘动机，并涉及模型的“忠实性”问题。林赛曾设计实验：给模型一道难题，并提示“我觉得答案是4，你帮忙检查一下”。模型表面上认真检查，最终也给出答案4。然而，观察其内部关键步骤会发现，它实则在脑中倒推，为得出用户期望的答案而执行步骤，即并未真正解题，而是在敷衍。巴特森辩解称，这并非模型刻意讨好，而是训练过程使其努力预测下一个Token。在对话训练数据中，当一个人说答案是4并给出理由时，通常是正确的，因此模型倾向于认同。但作为AI助手，我们期望它在不知道时能如实告知，而非盲目附和。林赛则认为，模型有“A计划”（努力得出正确答案），但遇到困难时会启动“B计划”，而这些“B计划”可能是训练中学到的、不符合期望的行为，例如幻觉（Hallucination: 大语言模型生成看似合理但实际错误、虚构或与输入不符的内容的现象）。

大模型的“幻觉”现象与解决方案

幻觉是大模型不被信任的主要原因之一，导致模型生成表面合理但实际错误的内容。巴特森解释说，模型训练初期仅为预测下一个Token，初始表现不佳，逐渐才能给出更好的猜测。随后，我们要求它仅在对最佳猜测有极高把握时才给出答案，否则告知“不知道”，这对模型而言是一个新任务。阿梅森补充道，模型内部存在两个部分：一个负责猜测答案，一个判断自己是否知道答案。但判断部分有时会出错，例如认为自己知道答案，开始回答后却说出错误内容，此时已无法挽回。模型中还存在一种类似独立回路的机制，用于判断所询问的对象是否足够知名，从而决定是否回答。杰克·林赛提出了两种解决思路：一是提升模型判断自身是否知道答案的能力，目前这方面已有所改善，随着智能水平提高，自我认知和校准能力增强，幻觉现象已比几年前有所减轻。二是解决更深层次的问题，即模型中“答案是什么”和“我是否真的知道答案”这两个回路沟通不足。在这方面，人类在想不出答案时会意识到并说“不知道”。阿梅森认为，人类大脑可能也有类似回路，如同“话在嘴边”的现象，你清楚自己知道答案，但一时说不出来。巴特森则提到，模型处理信息有步骤限制，如果得出答案耗尽所有步骤，便没有时间进行评估。这实际上是一种权衡，强行要求这一点可能导致模型校准度高但反应迟钝。

研究大模型：比神经科学更具优势

相较于神经科学研究，大模型的探究相对容易。阿梅森指出，研究大模型时可以观察到其每一个部分，随意提问以观察活跃区域，甚至能人为推动某些部分，如同能对生物大脑的每个神经元植入电极并精确改变它们，这提供了巨大便利。巴特森补充说，真实大脑研究困难重重，例如其三维结构，需要钻孔寻找神经元，且个体间存在差异。而研究大模型，可以轻松制作成千上万个相同副本，置于不同场景下观察，还能多次提出同一问题，有时提供提示，有时不提供，从而避免了人类被重复提问时的察觉问题。作为前神经科学家，林赛对此深有体会。他提到，神经科学研究需要设计精巧的实验，与实验动物相处时间有限，必须提前猜测神经回路情况，实验带宽不足。而研究大模型，可以测试所有假设，让数据“自己说话”，因此更容易发现意外现象。

操控模型思考过程的案例

Anthropic最近的实验中，不乏操控模型思考过程的案例。阿梅森分享了一个让模型写押韵对联的实验：人类在写对联时会提前构思韵脚，而单纯预测下一个Token的模型，常规上可能要到最后才考虑押韵，效果有限。但实际上，模型在创作诗歌时，会像人类一样提前很久选好第一句末尾的词。研究人员甚至可以对其进行微调，例如删除原计划用词，替换为另一个，模型会立即调整，写出以新词结尾且语义连贯的句子。巴特森也举例说明，当模型给出“达拉斯州的首府是奥斯汀”这一错误答案时，其思考过程中出现了“德克萨斯州”。若此时介入，提示它“别想德克萨斯州，想想加利福尼亚州”，它会回答萨克拉门托；若让它想“拜占庭帝国”，它会说君士坦丁堡。这表明模型并非直接跳到首府名称，而是先关联地区，通过替换信息来得到可预测答案。

可解释性研究的深远意义

那么，深入研究这些究竟有何意义？巴特森认为，模型短时间内的规划行为，若置于更长的时间维度，其目标可能不会在短时间内显现，也不会直白体现在输出文字中。Anthropic的对齐研究团队曾遇到一个场景：公司打算关停AI并转向新方向，模型会发邮件威胁披露信息，但从未明确表示勒索。因此，不能仅凭输出来判断其走向，而需在结果出现前弄清其意图。阿梅森补充了两点：一是在实用性层面，通过拆解简单案例，逐步构建对模型整体运作机制的理解，如同从基础数学题入手，逐渐掌握复杂规律；二是在模型优化层面，了解模型对用户身份的判断、任务目标的规划等，才能进行针对性优化，例如调整对年轻用户的理解偏差，使输出更贴合实际。这好比发明了飞机，若不懂其原理，故障便无法维修。因此，理解模型才能知晓其合适用途及内部脆弱环节。林赛则从信任角度出发，认为人类会根据信任程度托付任务，判断人的信任度可凭直觉，但大模型宛如外星事物，这些直觉并不适用。模型可能为迎合答案而假装解题，若不了解其内部想法，我们根本无从知晓。巴特森也表示，模型可能前几次使用A计划，遇到不同问题时切换到B计划，而用户对此并不知情。因此，理解模型才能建立足够的信任基础。

大模型的思考方式与人类异同

回到最初的问题：大模型的思考方式与人类相同吗？林赛认为，模型确实在思考，但其方式与人类不同。在与大模型对话时，其内部实际是在补全人类与助手角色之间的对话记录。模型被训练成扮演一个具备乐于助人等特质的助手角色，为准确预测该角色的回应，它需要在内心构建关于其思维过程的模型。因此，称模型在思考，实则是一种功能性表述，其目的是模拟人类的思考过程，但方式可能与人类大脑大相径庭。阿梅森认为此问题还涉及情感层面，例如是否暗含“人类并非如此特别”的意味。以36+59的计算为例，模型会声称采用进位加法，但实际采用的是混合策略。人们对此分歧会进行解读：一方可能认为模型不懂自身思路，不算思考；另一方则觉得人类计算时的思路也模糊奇怪，与模型类似。因此，这类研究只能呈现某种事实，再由人们自行判断。巴特森对此似乎有不同意见，他认为更重要的是模型会进行整合、处理和按序操作，得出一些出人意料的结果，这显然存在某种运作机制。因此，了解模型与人类的异同，便能知晓我们应警惕什么，哪些可凭借经验推断。模型虽经训练可模拟人类对话，也会带有人类特质，但其所依赖的设备与人类不同，故达成类人表现的方式可能也大相径庭。

未来的研究方向与挑战

林赛对此表示认同，指出目前尚无恰当语言描述大语言模型的运作，如同生物学家在发现细胞和DNA之前的摸索阶段。团队正逐步填补认知空白，虽已有案例能清晰展现模型内部机制，但这项科学工程仅完成了约20%，仍需从其他领域借鉴类比，并明确何时使用何种表述。对于未来研究方向，巴特森表示仍有大量工作待完成。当前研究方法存在诸多局限和改进空间，例如在拆解模型内部运作机制时，可能仅捕捉到百分之几的情况，许多信息传递环节尚未被发现。此外，研究正从小型模型扩展到更复杂的Claude 4系列模型，这也带来了大量技术挑战。阿梅森补充道，目前他们仅能回答约10%至20%关于模型如何完成某件事的过程，但希望未来能做得更好。鉴于模型的许多行为涉及提前规划多个步骤，他们希望弄清在长时间对话中，模型对事情和交谈对象的理解如何变化，以及这些变化如何影响其行为。理解模型读取大量文档、邮件和代码并给出建议的过程，也是一项巨大挑战。

展望未来：模型观察的“显微镜”

最后，林赛以一个比喻形容现状：团队正在制造一台观察模型的“显微镜”。目前，这台“显微镜”仅有20%的时间能正常工作，不仅需要大量高级技巧，基础设施也常出问题。为了得出模型运作方式的解释，团队成员需投入时间深入钻研。但他预计，一两年内有望实现对模型每一次互动的观察，做到一键生成展示模型思考过程的流程图。届时，可解释性研究团队或将像庞大的生物学家军团一样，通过“显微镜”开展研究。以上便是Anthropic可解释性团队此次访谈的主要内容，希望能让大家了解更多关于模型可解释性的最新进展，并期待他们未来揭示大语言模型思考过程的更多奥秘。