OpenAI开源GPT-4 SAE，提供1600万个解释模式

专注AIGC领域的专业社区，关注微软&OpenAI、百度文心一言、讯飞星火等大语言模型（LLM）的发展和应用落地，聚焦LLM的市场研究和AIGC开发者生态，欢迎关注！

6月7日凌晨，OpenAI在官网开源了GPT-4的稀疏自动编码器（Sparse AutoEncoder，简称“SAE”）。

虽然现在大模型的功能越来越强，能生成文本、图片、视频、音频等内容，但是你无法控制神经网络生成的内容，例如，你问ChatGPT多个相同的问题，可能每一次回答的内容都不相同。

就像我们睡觉做梦一样，无论你怎么集中注意力还是很难精准控制脑神经形成的梦境。这就会出现很多无法控制的情况，例如，大模型生成的内容带有歧视性、错误、幻觉等。

SAE的主要作用是在训练过程中引入稀疏性约束，帮助大模型学习到数据的更有意义、更具解释性的特征表示，使其输出的内容更精准、安全。所以，SAE对于开发前沿、超强功能的大模型非常重要。

早在2023年10月，著名大模型平台Anthropic发布了一篇《朝向单义性：通过词典学习分解语言模型》的论文，深度解释了神经网络行为的方法。

Anthropic在一个小型的Transformer架构模型进行了实验，将512个神经单元分解成4000多个特征，分别代表 DNA 序列、法律语言、HTTP 请求、营养说明等。

研究发现，单个特征的行为比神经元行为更容易解释、可控，同时每个特征在不同的AI模型中基本上都是通用的。

而本次OpenAI不仅公布了论文还开源了代码，同时提供了一个在线体验地址，与全球开发者分享他们的研究成果，同时让用户深度了解神经网络生成的内容流程，以便更精准、安全地控制大模型输出。

开源地址：https://github.com/openai/sparse_autoencoder

论文地址：https://cdn.openai.com/papers/sparse-autoencoders.pdf

在线demo：https://openaipublic.blob.core.windows.net/sparse-autoencoder/sae-viewer/index.html

什么控制神经网络行为很难

无论你用多么精准的提示词，都无法让DALL·E 3、Stable Difusion生成100%相吻合的图片。这是因为，神经网络的输出很大程度上依赖于它们所接受的训练数据。

神经网络通过大量的样本数据学习到复杂的模式和特征。但是，训练数据本身可能包含噪声、偏差或者数据标准不准确等。这些因素会直接影响神经网络对输入数据的响应。

例如，让神经网络生成一张猫的图片。如果训练数据中有一些不清晰或错误标记的图片，例如狗或其他动物的照片，模型可能会在生成猫的图片时出现混乱，生成出一些看起来不像猫的图像。同理，文本类的ChatGPT等产品也会出现一本正经胡说八道的情况。

神经网络的内部结构和参数设置极其复杂。随着技术的迭代，目前随便一个神经网络模型的参数都在几十亿甚至数百亿，这些参数共同决定了模型的行为。

在训练过程中，我们通过优化算法（如梯度下降法）对这些参数进行调整，但最终模型的表现是所有参数综合作用的结果，而非单一参数所能决定的。

这种复杂性导致我们难以精确预测或控制任何特定的输出。例如，如果你调整一个参数来让生成的图片更有细节，它可能导致其他部分的图片出现失真或不自然的效果。

此外，神经网络的设计和训练目标通常是为了优化整体性能指标（如准确率、损失函数等），而不是精确到每一个具体的输出细节。例如，在图像生成中，模型的目标可能是生成总体上看起来真实的图片，而不是控制每一个像素的具体值。

同样，在文本生成中，模型的目标是生成语法正确、语义连贯的句子，而不是控制每个单词的具体选择。例如，一个训练写诗的模型，目标是写出富有诗意的句子，而不是精确到每一个词的位置和使用频率。

这也就是说，大模型的输出通常是基于概率分布的采样，输出不可避免地带有一定程度的不确定性。

OpenAI的SAE简单介绍

SAE是一种无监督学习算法，属于自编码器家族的一种，主要用来学习输入数据的有效且稀疏的低维表示。在传统的自编码器中，数据被编码成一个潜在的低维表示，然后再解码回原始数据空间，目的是使重构的数据尽可能接近原始输入。

而SAE在此基础上添加了一个关键特性，即对隐藏层的激活进行稀疏性约束，这意味着在隐藏层中只有少量的神经元会被激活（通常接近0），而大部分神经元则保持在非常低的激活水平或者完全不激活。

从OpenAI公布的论文来看，为了深度理解大模型的单个神经元行为，OpenAI使用了一种N2G的方法。

N2G的核心思想是，如果一个潜在单元在给定的输入模式下被激活，那么这个单元可能对输入中的某些特定特征或模式特别敏感。

通过识别这些特征或模式，我们可以为每个潜在单元构建一个图表示，图中的节点对应于输入序列中的特定位置，而边则表示这些位置之间的依赖关系。这种图表示可以揭示潜在单元激活的条件，从而提供对模型行为的直观理解。

N2G的构建过程开始于选择一些能够激活特定潜在单元的序列。对于每个序列，N2G寻找最短的后缀，这个后缀仍然能够激活该潜在单元。这个过程是为了确定潜在单元激活的最小必要条件。

接着，N2G会检查内容是否可以被填充标记替换，以插入通配符，从而允许在解释中包含变化的部分。此外，N2G还会检查解释是否依赖于绝对位置，即在序列的开始处插入填充标记是否会影响潜在单元的激活。

N2G还有一个非常大的技术优势就是对算力需求很低，与需要模拟整个模型行为的解释方法相比，N2G只需要分析潜在单元的激活模式即可。

目前，OpenAI通过SAE在GPT-4模型中找到了1600万个可解释的模式和特征，但这还远远不够。如果想通过SAE完整捕捉大模型的行为，大概需要10亿或数万亿个特征才可以。

本文素材来源OpenAI官网，如有侵权请联系删除

END