OpenAI 研究如何破解 GPT-4 思維，公開超級對齊團隊工作，Ilya Sutskever 也在作者名單之列。
該研究提出了改進大規(guī)模訓(xùn)練稀疏自編碼器的方法，并成功將 GPT-4 的內(nèi)部表征解構(gòu)為 1600 萬個可理解的特征。由此，復(fù)雜語言模型的內(nèi)部工作變得更加可理解。
其實，早在 6 個月前，研究就已經(jīng)開始進行了：
OpenAI 將其公開后，前超級對齊團隊成員、論文一作前來轉(zhuǎn)發(fā)分享：
我們引入了一種基于 TopK 激活函數(shù)的新稀疏自編碼器訓(xùn)練技術(shù)棧，消除了特征縮減問題，并允許直接設(shè)置 L0。
我們發(fā)現(xiàn)這種方法在均方誤差 / L0 邊界上表現(xiàn)良好。即使在 1600 萬的規(guī)模下，也幾乎沒有失活的潛在單元（latent）。
同樣在作者名單里的、此前在 OpenAI 超級對齊團隊的 Ilya 同盟 Jan Leike（就是從 OpenAI 憤而離職剛剛加入 Anthropic 的 RLHF 發(fā)明者之一）也表示：
這是一項重大的進步！稀疏自編碼器是目前用來真正理解模型內(nèi)部思維的最好的方法。
更有意思的是，不久前 Anthropic 發(fā)了一項類似的工作。
成功從 Claude 3.0 Sonnet 的中間層提取了數(shù)百萬個特征，為其計算過程中的內(nèi)部狀態(tài)提供了一個大致的概念性圖。
于是有網(wǎng)友就開麥了，工作牛是牛，但 OpenAI 是不是有點太著急了，論文鏈接沒有指向 Arxiv，分析似乎也沒有那么深入。
是不是為了回應(yīng) Anthropic 的研究以及 Jan Leike 出走的事兒，誰知道呢？（doge）
回歸正題，OpenAI 超級對齊團隊是如何想法子破解 GPT-4 思維的？
在 OpenAI 新公布研究中再見 Ilya 的名字
目前，語言模型神經(jīng)網(wǎng)絡(luò)的內(nèi)部工作原理仍是個“黑盒”，無法被完全理解。
為了理解和解釋神經(jīng)網(wǎng)絡(luò)，首先需要找到對神經(jīng)計算有用的基本構(gòu)件。
然鵝，神經(jīng)網(wǎng)絡(luò)中的激活通常表現(xiàn)出不可預(yù)測和復(fù)雜的模式，且每次輸入幾乎總會引發(fā)很密集的激活。而現(xiàn)實世界中其實很稀疏，在任何給定的情境中，人腦只有一小部分相關(guān)神經(jīng)元會被激活。
由此，研究人員開始研究稀疏自編碼器，這是一種能在神經(jīng)網(wǎng)絡(luò)中識別出對生成特定輸出至關(guān)重要的少數(shù)“特征”的技術(shù)，類似于人在分析問題時腦海中的那些關(guān)鍵概念。
它們的特征展示出稀疏的激活模式，這些模式自然地與人類易于理解的概念對齊，即使沒有直接的可解釋性激勵。
不過，現(xiàn)有的稀疏自編碼器訓(xùn)練方法在大規(guī)模擴展時會面臨重建與稀疏性權(quán)衡、latent 失活等問題。
在 OpenAI 超級對齊團隊的這項研究中，他們推出了一種基于 TopK 激活函數(shù)的新稀疏自編碼器（SAE）訓(xùn)練技術(shù)棧，消除了特征縮小問題，能夠直接設(shè)定 L0（直接控制網(wǎng)絡(luò)中非零激活的數(shù)量）。
該方法在均方誤差（MSE）與 L0 評估指標上表現(xiàn)優(yōu)異，即使在 1600 萬規(guī)模的訓(xùn)練中，幾乎不產(chǎn)生失活的潛在單元（latent）。
具體來看，他們使用 GPT-2 small 和 GPT-4 系列模型的殘差流作為自編碼器的輸入，選取網(wǎng)絡(luò)深層（接近輸出層）的殘差流，如 GPT-4 的 5/6 層、GPT-2 small 的第 8 層。
并使用之前工作中提出的基線 ReLU 自編碼器架構(gòu)，編碼器通過 ReLU 激活獲得稀疏 latent z，解碼器從 z 中重建殘差流。損失函數(shù)包括重建 MSE 損失和 L1 正則項，用于促進 latent 稀疏性。
然后，團隊提出使用 TopK 激活函數(shù)代替?zhèn)鹘y(tǒng) L1 正則項。TopK 在編碼器預(yù)激活上只保留最大的 k 個值，其余清零，從而直接控制 latent 稀疏度 k。
不需要 L1 正則項，避免了 L1 導(dǎo)致的激活收縮問題。實驗證明，TopK 相比 ReLU 等激活函數(shù)，在重建質(zhì)量和稀疏性之間有更優(yōu)的權(quán)衡。
此外，自編碼器訓(xùn)練時容易出現(xiàn)大量 latent 永遠不被激活（失活）的情況，導(dǎo)致計算資源浪費。
團隊的解決方案包括兩個關(guān)鍵技術(shù)：
將編碼器權(quán)重初始化為解碼器權(quán)重的轉(zhuǎn)置，使 latent 在初始化時可激活。
添加輔助重建損失項，模擬用 top-kaux 個失活 latent 進行重建的損失。
如此一來，即使是 1600 萬 latent 的大規(guī)模自編碼器，失活率也只有 7%。
團隊還提出了多重 TopK 損失函數(shù)的改進方案，提高了高稀疏情況下的泛化能力，并且探討了兩種不同的訓(xùn)練策略對 latent 數(shù)量的影響，這里就不過多展開了。
為了證明該方法的可擴展性，團隊訓(xùn)練了上述提到的一個具有 1600 萬個 latent 的稀疏自編碼器，并在 GPT-4 模型的激活上處理了 40 億個 token。
在 GPT-4 激活上處理 40 億 token
接下來，評估自編碼器質(zhì)量的關(guān)鍵在于提取出的特征是否對下游應(yīng)用任務(wù)有用，而不僅僅是優(yōu)化重建損失和稀疏性。
因此，團隊提出了幾種評估自編碼器質(zhì)量的新方法，包括：
下游損失（Downstream Loss）：評估自編碼器重建的 latent 對語言模型性能的影響。
探測損失（Probe Loss）：檢查自編碼器是否能夠恢復(fù)我們認為可能發(fā)現(xiàn)的特征。
可解釋性（Explainability）：評估自編碼器 latent 的激活是否能夠通過簡單且精確的解釋來理解。
剔除稀疏性（Ablation sparsity）：評估移除個別 latent 對下游預(yù)測的影響。
實驗發(fā)現(xiàn)，TopK 自編碼器在下游損失上的改進幅度超過了重建 MSE 的改進。
探測損失隨 latent 數(shù)量增加而改善，但在某些區(qū)間會先升后降。
此外，研究人員發(fā)現(xiàn)精確度和召回率在 latent 數(shù)量較大、稀疏度適中時最優(yōu)。
TopK 模型相比 ReLU 模型有更高的召回率，能更好地壓制虛假激活。
剔除稀疏性方面（見上圖 6 b），團隊發(fā)現(xiàn)自編碼器 latent 的影響較為稀疏，遠小于直接 ablating 殘差流通道。但當稀疏度 k 過高時，影響的稀疏性會下降。
最后，論文一作表示稀疏自編碼器的問題仍然遠未解決，這項研究中的 SAE 只捕獲了 GPT-4 行為的一小部分，即使看起來單義的 latent 也可能難以精確解釋。而且，從表現(xiàn)優(yōu)異的 SAE 到更好地理解模型的行為，還需要大量的工作。
關(guān)于這項研究的更多細節(jié)，感興趣的家人可以查看原論文。
OpenAI 還公開發(fā)布了完整源代碼和針對 GPT-2 的多個小規(guī)模自編碼器模型權(quán)重。還發(fā)布了一個在線可視化工具，用于查看包括這個 1600 萬 latent GPT-4 自編碼器在內(nèi)的多個模型的激活特征。
參考鏈接：
[1]https://x.com/OpenAI/status/1798762092528586945
[2]https://openai.com/index/extracting-concepts-from-gpt-4/
[3]https://news.ycombinator.com/item?id=40599749
[4]https://x.com/janleike/status/1798792652042744158
[5]https://openaipublic.blob.core.windows.net/sparse-autoencoder/sae-viewer/index.html
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。