神经网络可解释性被AI解决了？90%神经元只有一个功能

这是 AI 领域最重要的成果之一。

本周五，OpenAI 可解释团队创建人 Nick Cammarata 的一篇超长文章震动了 AI 圈。他说利用现代智能体工具，万亿参数的大模型也是几乎可读的，我们对于神经网络「黑箱」的看法被证明是误解，预期的障碍大多不存在，可解释性将被解决，而且可能很快就会实现。

这可能是可解释性的「苦涩教训」：简单的事情，在荒谬的规模下，就能奏效。

我们能训练出强大的 AI，却未必知道它为什么这样回答。如果让 AI 帮忙研究神经网络的「脑回路」，能否打开这个黑箱？答案似乎是肯定的。

Nick 的文章虽然极长（阅读需要 65 分钟），但是已经有一些研究者对此进行了解读。简单来说，神经网络并非纠缠的结（多义性是错误的）。你可以直接研究它们自身的神经元，而无需先用第二个模型「展开」它们。Qwen-32B 中 90% 的神经元只有一个任务。

这项工作最终可能让我们能够有意设计大型语言模型，并塑造它们的行为方式。

让我们看看他大致是怎么说的：

过去几年，AI 可解释性领域有一个令人沮丧的前提：神经网络是一团打了死结的线团。当神经元数量不够用，模型就会把毫不相干的概念折叠塞进同一个神经元，因为它们恰好互不干扰。想读懂它，必须先训练第二个模型（比如稀疏自编码器 SAE）把结解开。这个被称为 superposition 的假说，是整个安全研究路线的基础。

而现在，亲手打下这副地基的人站出来说：是我们看走眼了，神经网络本来就是干净的。

「猫和汽车」，也许从来就是一个东西

机制可解释性试图追踪神经元和计算回路，解释模型如何得到答案。困难之一是：一个神经元经常对看似毫无关系的东西产生响应。经典案例来自视觉模型 InceptionV1：同一个神经元既识别猫脸，又识别汽车前脸。

过去的重要解释是「叠加」：模型的空间有限，于是把互不相关、又不容易同时出现的概念压进同一组神经元。研究者因此尝试用稀疏自编码器等工具，把这些表征重新拆成可理解的特征。

Nick 如今认为，这个著名案例看错了。

重新检查图片和连接关系后，他发现，猫脸和汽车前脸共享一个特征：V 形。这个神经元还与 V 形火焰、狐狸脸等相关，而圆形会把它推向负向响应。换句话说，「猫和汽车」是人类给出的分类，网络找到的可能是跨越这些类别的形状规律。

他由此提醒：神经元未必像名词，负责给物体贴标签；它们也可能像动词，负责区分模式，把信息送往不同的下游回路。

我们眼中的混乱，有时只是模型使用了我们没想到的分类。

多义性的真相：像树枝一样分叉

另一些神经元确实有多种用途，但作者认为，这也未必源于无关概念的随意混装。

Nick 提出「递归泛化」（recursive generalization）：神经元从一个模式出发，逐渐长出相关分支，分支又继续生长。一个识别「iy」的神经元，可以扩展到「diy」，再扩展到完全不含「iy」的「do it yourself」。一个地质神经元会分枝到名为 Cesium 的地理 JavaScript 库。这不是在高维空间里藏匿信息，而是在语义相邻的领地上生长。他强调，superposition 是最激进、也最难证伪的解释，理应成为最后假设，而他自己曾当了它多年的信徒。

只看训练结束后的响应，这几项可能显得关系松散；沿着训练过程追踪，却能看见它们如何连接起来。

工具也会制造误解。团队发现，一个被自动解释工具标为「多义逗号神经元」的单元，实际与科罗拉多州有关：它响应当地电话区号、俚语等信息，增强它还会让模型倾向于规划徒步旅行。逗号只是模型汇总前文语境的位置。盯着响应发生的字符，反而会错过真正的含义。

2023 年，OpenAI 的自动可解释性项目用最宽松的标准也只找到约 1.7% 可解释神经元，如今在对 Qwen3-32B 的初步审查中作者估计，约 90% 的神经元正、负「极」各自有一项主要工作，约 7% 有两项相关工作，约 2%—4% 尚未理解。这个数字取决于激活阈值，以及如何界定「一项工作」。

稠密模型和 MoE 模型结论相近，作者在 Kimi K3 上得到的是同样的结果：他们在 Kimi K3 上做出了已知首个万亿参数模型的归因图，捡到钱包的问题里，钱包、现金、证件连通失物招领与诚实，最后输出「归还」。用新工具重审当年的 GPT-2 XL，约 70% 的神经元也已大致是「一回事」。

让 AI 科学家研究 AI 内部

这项工作的另一条主线，是智能体改变了研究规模。

AI 可以检查神经元样本、提出解释、追踪上下游连接，再设计实验寻找反例。研究者还让智能体检查了十万张归因图，作者本人也检查了数千张。

怎样避免 AI 编出一个听起来合理的故事？

一种测试是：第一个智能体研究神经元并写下解释；第二个只看解释，生成一个预计能强烈激活它的新样本，再交给网络测量。作者报告，有些样本的激活强度，超过了他们从百亿 token 语料中找到的所有例子。团队也生成「看起来接近、实际不该触发」的反例，并通过移除神经元、增强激活等干预，检查解释能否预测模型行为。

解释由此变成可以被实验推翻的假说。

Cammarata 还提出一个反直觉的见解：理解更多网络，有时会让剩下的部分更容易理解。像填字游戏一样，相邻答案越多，一个空格能填什么就越受约束。较大模型的神经元也可能分工更细，反而更容易辨认。

这让他想到可解释性领域自己的「苦涩的教训」：简单的观察、假设与检验，在足够大规模上，也许比不断设计精巧的拆解方法更有效。

这仍不是「可解释性已经解决」的宣言。注意力机制、完整模型审计，以及如何把理解转化为可靠的安全改进，都有大量工作待做。但它提供了一个值得认真检验的方向：如果神经网络内部已有可追踪的组织，未来的突破，可能来自一座由 AI 科学家参与运转的实验室，持续观察模型、提出问题，并逐个验证答案。