تا به حال فکر کردهاید که درون شبکههای عصبی عمیق واقعاً چه میگذرد؟ دنیای هوش مصنوعی به سمت «تفسیرپذیری مکانیکی» (Mechanistic Interpretability) حرکت میکند تا معمای «جعبه سیاه» مدلهای بزرگ را حل کند.
در پژوهشی جامع که بهتازگی منتشر شده، محققان به بررسی چگونگی مهندسی معکوس الگوریتمهای داخلی ترنسفورمرها پرداختهاند. این مطالعه نشان میدهد چگونه ابزارهایی مثل «رمزگذارهای پراکنده» (SAE) میتوانند پیچیدگیهای درونی مدل را به ویژگیهای قابلفهم انسانی تبدیل کنند. این یعنی گامی بزرگ برای افزایش ایمنی، قابلیت اطمینان و کنترل دقیقتر بر رفتار مدلهای هوش مصنوعی در دنیای واقعی. 🧠✨
منبع: arXiv Machine Learning