Offene Probleme in der mechanistischen Interpretierbarkeit

Open Problems in Mechanistic Interpretability

January 27, 2025

Autoren: Lee Sharkey, Bilal Chughtai, Joshua Batson, Jack Lindsey, Jeff Wu, Lucius Bushnaq, Nicholas Goldowsky-Dill, Stefan Heimersheim, Alejandro Ortega, Joseph Bloom, Stella Biderman, Adria Garriga-Alonso, Arthur Conmy, Neel Nanda, Jessica Rumbelow, Martin Wattenberg, Nandi Schoots, Joseph Miller, Eric J. Michaud, Stephen Casper, Max Tegmark, William Saunders, David Bau, Eric Todd, Atticus Geiger, Mor Geva, Jesse Hoogland, Daniel Murfet, Tom McGrath

cs.AI

Zusammenfassung

Die mechanistische Interpretierbarkeit zielt darauf ab, die Rechenmechanismen zu verstehen, die den Fähigkeiten neuronaler Netzwerke zugrunde liegen, um konkrete wissenschaftliche und technische Ziele zu erreichen. Der Fortschritt in diesem Bereich verspricht daher eine größere Sicherheit über das Verhalten von KI-Systemen zu bieten und spannende wissenschaftliche Fragen über die Natur der Intelligenz zu erhellen. Trotz des jüngsten Fortschritts in Richtung dieser Ziele gibt es viele offene Probleme in diesem Bereich, die Lösungen erfordern, bevor viele wissenschaftliche und praktische Vorteile realisiert werden können: Unsere Methoden erfordern sowohl konzeptionelle als auch praktische Verbesserungen, um tiefere Einblicke zu gewähren; wir müssen herausfinden, wie wir unsere Methoden am besten zur Verfolgung spezifischer Ziele anwenden können; und das Feld muss sich mit sozio-technischen Herausforderungen auseinandersetzen, die von unserer Arbeit beeinflusst werden und diese beeinflussen. Diese zukunftsweisende Übersicht diskutiert die aktuelle Grenze der mechanistischen Interpretierbarkeit und die offenen Probleme, von denen das Feld profitieren könnte, wenn sie priorisiert werden.

English

Mechanistic interpretability aims to understand the computational mechanisms underlying neural networks' capabilities in order to accomplish concrete scientific and engineering goals. Progress in this field thus promises to provide greater assurance over AI system behavior and shed light on exciting scientific questions about the nature of intelligence. Despite recent progress toward these goals, there are many open problems in the field that require solutions before many scientific and practical benefits can be realized: Our methods require both conceptual and practical improvements to reveal deeper insights; we must figure out how best to apply our methods in pursuit of specific goals; and the field must grapple with socio-technical challenges that influence and are influenced by our work. This forward-facing review discusses the current frontier of mechanistic interpretability and the open problems that the field may benefit from prioritizing.