[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,61 +2,138 @@
|
||||
id: wiki-2026-0508-mechanistic-interpretability-기계적
|
||||
title: Mechanistic Interpretability (기계적 해석 가능성)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AI-MECH-INTERP]
|
||||
aliases: [Mech Interp, Circuit Analysis, MI, 기계적 해석성]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.98
|
||||
tags: [AI, Interpretability, MechanisticInterpretability, AISafety]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [ai, interpretability, alignment, anthropic, transformer, safety]
|
||||
raw_sources: [Anthropic Transformer Circuits, Towards Monosemanticity, Scaling Monosemanticity]
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack: { language: python, framework: transformer-lens-sae-lens }
|
||||
---
|
||||
|
||||
# [[Mechanistic Interpretability (기계적 해석 가능성)|Mechanistic Interpretability (기계적 해석 가능성)]]
|
||||
# Mechanistic Interpretability (기계적 해석 가능성)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "AI 신경망을 뜯어 리버스 엔지니어링하는 현대의 고등 해부학." 모델을 단순한 블랙박스로 보지 않고, 내부의 가중치와 뉴런들이 어떻게 결합하여 구체적인 '알고리즘'을 구현하는지 하나하나 밝혀내는 극도의 정밀 분석 기술이다.
|
||||
## 매 한 줄
|
||||
> **"매 뉴런을 회로로 읽는다"**. 모델 내부를 black-box 통계가 아니라 명시적 알고리즘(회로/feature)으로 reverse-engineer 하는 분야. Anthropic의 SAE/circuit 연구가 주축.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **The Mission**: 모델의 가중치를 보고 "이 부분은 문법을 체크하고, 저 부분은 감정을 파악한다"라고 코드로 설명할 수 있을 정도로 깊게 이해하는 것.
|
||||
- **Key Methodologies**:
|
||||
- **Logit Lens**: 각 층이 예측하는 단어가 층을 거듭할수록 어떻게 변하는지 관찰.
|
||||
- **Path Patching**: 특정 정보가 모델의 어느 혈관(Path)을 타고 흐르는지 추적.
|
||||
- **Superposition Theory**: 뉴런 하나가 여러 의미를 동시에 담고 있는 '중첩' 현상을 분해함.
|
||||
- **Significance**: AI가 우리를 속이려 하거나(Deceptive [[Alignment|Alignment]]) 위험한 생각을 하는지 사전에 감지할 수 있는 유일한 기술적 방패다.
|
||||
## 매 핵심
|
||||
### 매 핵심 개념
|
||||
- **Circuit**: 특정 행동을 구현하는 attention head + MLP 신경 sub-graph.
|
||||
- **Feature**: 활성화 공간의 의미 단위 (한 방향 벡터).
|
||||
- **Polysemanticity**: 한 뉴런이 여러 개념 인코딩 → superposition.
|
||||
- **SAE (Sparse Autoencoder)**: superposition을 풀어 monosemantic feature 추출.
|
||||
- **Probing / Logit Lens / Activation Patching**: 진단 도구.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- 수천억 개의 파라미터를 가진 모델을 수작업으로 분석하는 것은 불가능하다. 따라서 최근에는 **'AI를 사용하여 AI를 해석'**하는 자동화된 해석 기술(Auto-Interp) 연구가 활발하며, 앤스로픽(Anthropic)의 'Dictionary Learning' 기법이 이 분야의 최전선을 달리고 있다.
|
||||
### 매 핵심 발견
|
||||
1. **Induction heads** (2022) - in-context learning 구현 회로.
|
||||
2. **IOI circuit** (2022) - Indirect Object Identification.
|
||||
3. **Toy Models of Superposition** (2022) - feature가 압축되는 이유.
|
||||
4. **Towards Monosemanticity** (2023) - SAE로 feature 추출 가능.
|
||||
5. **Scaling Monosemanticity** (2024) - Claude 3 Sonnet에 SAE 적용, "Golden Gate Bridge feature" 등.
|
||||
6. **Circuit Tracing / Attribution Graphs** (2025) - feature 간 인과 추적.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Related: [[Circuit Discovery (회로 발견)|Circuit Discovery (회로 발견)]] , [[Explainable-AI (XAI)|Explainable-AI (XAI)]]
|
||||
- Risk Defense: [[Deceptive Alignment (기만적 정렬)|Deceptive Alignment (기만적 정렬)]]
|
||||
## 💻 패턴
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### Pattern 1 — TransformerLens (회로 분석)
|
||||
```python
|
||||
import transformer_lens as tl
|
||||
model = tl.HookedTransformer.from_pretrained('gpt2-small')
|
||||
logits, cache = model.run_with_cache("The capital of France is")
|
||||
# cache['blocks.5.attn.hook_pattern'] - attention 패턴 검사
|
||||
```
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### Pattern 2 — Activation Patching
|
||||
```python
|
||||
def patch_hook(act, hook):
|
||||
act[:, pos] = clean_cache[hook.name][:, pos]
|
||||
return act
|
||||
patched = model.run_with_hooks(corrupted, fwd_hooks=[(name, patch_hook)])
|
||||
# 어느 위치/layer가 차이를 만드는지 인과 측정
|
||||
```
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### Pattern 3 — Logit Lens
|
||||
```python
|
||||
for layer in range(model.cfg.n_layers):
|
||||
resid = cache[f'blocks.{layer}.hook_resid_post']
|
||||
logits = model.unembed(model.ln_final(resid))
|
||||
print(layer, model.to_str_tokens(logits.argmax(-1)[0, -1]))
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Pattern 4 — Sparse Autoencoder
|
||||
```python
|
||||
import torch.nn as nn
|
||||
class SAE(nn.Module):
|
||||
def __init__(self, d_model, d_sae):
|
||||
super().__init__()
|
||||
self.W_enc = nn.Linear(d_model, d_sae)
|
||||
self.W_dec = nn.Linear(d_sae, d_model, bias=False)
|
||||
def forward(self, x):
|
||||
f = torch.relu(self.W_enc(x)) # sparse activations
|
||||
return self.W_dec(f), f
|
||||
# Loss = recon + λ·||f||_1
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### Pattern 5 — Feature Attribution (sae-lens)
|
||||
```python
|
||||
from sae_lens import SAE
|
||||
sae = SAE.from_pretrained('gpt2-small-res-jb', 'blocks.8.hook_resid_pre')
|
||||
features = sae.encode(activations)
|
||||
top_features = features.topk(10, dim=-1)
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### Pattern 6 — Causal Steering
|
||||
```python
|
||||
# Golden Gate Claude 식: feature 활성화 강제
|
||||
def steer(act, hook, feature_idx, scale):
|
||||
act += scale * sae.W_dec[feature_idx]
|
||||
return act
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
## 매 결정 기준
|
||||
| 목표 | 도구 |
|
||||
|---|---|
|
||||
| 작은 모델 회로 발견 | TransformerLens + activation patching |
|
||||
| Feature 추출 (큰 모델) | SAE (sae-lens, dictionary_learning) |
|
||||
| 행동 인과성 검증 | Activation patching, ablation |
|
||||
| Feature 간 관계 | Attribution graphs / circuit tracing |
|
||||
| 안전 alignment | Steering vectors, refusal feature |
|
||||
| Production 배포 | 아직 일러 — 연구 단계 |
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
**기본값**: 2026 기준 SAE + circuit tracing이 메인 파라다임.
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
## 🔗 Graph
|
||||
- 부모: [[AI-Interpretability]], [[AI-Alignment]]
|
||||
- 변형: [[Sparse-Autoencoder]], [[Circuit-Analysis]], [[Activation-Patching]]
|
||||
- 응용: [[AI-Safety]], [[Model-Debugging]], [[Refusal-Steering]]
|
||||
- Adjacent: [[Transformer-Architecture]], [[Probing]], [[Feature-Visualization]], [[Superposition]], [[Anthropic-Research]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**:
|
||||
- 논문 요약 (Anthropic transformer-circuits.pub).
|
||||
- TransformerLens / sae-lens 코드 작성.
|
||||
- 가설 생성 (어떤 회로가 행동 X를 만드는가?).
|
||||
|
||||
**언제 X**:
|
||||
- 새로운 mech interp 발견 주장 (실험 필수).
|
||||
- 특정 feature ID의 의미 단정 (모델별 다름).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- Single neuron = single concept 가정 (superposition 무시).
|
||||
- Probing 정확도 = 회로 존재 (correlational, 인과 X).
|
||||
- Attention 시각화만으로 결론 (MLP가 더 큰 역할 종종).
|
||||
- SAE feature = ground truth 가정 (해석은 hypothesis).
|
||||
- Toy model 결론을 frontier model에 무비판 외삽.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified. Anthropic 2024-2025 SAE 결과 기준. 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup |
|
||||
|
||||
Reference in New Issue
Block a user