bluemsi/2nd
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

[G1-Sync] Manual knowledge update

Browse Source
This commit is contained in:
Antigravity Agent
2026-04-30 22:42:02 +09:00
parent 0bd4f19e38
commit c36c0644a1
4888 changed files with 18470 additions and 18602 deletions
Download Patch File Download Diff File Expand all files Collapse all files
10_Wiki/Topics/Mechanistic Interpretability (기계적 해석 가능성).md
+3 -3
View File
@@ -1,8 +1,8 @@
---
id: P-REINFORCE-AI-MECH-INTERP
id: [[P-Reinforce]]-AI-MECH-INTERP
category: "10_Wiki/💡 Topics/AI"
confidence_score: 0.98
tags: [AI, Interpretability, MechanisticInterpretability, AISafety]
tags: [AI, [[Interpretability]], MechanisticInterpretability, AISafety]
last_reinforced: 2026-04-20
---
@@ -17,7 +17,7 @@ last_reinforced: 2026-04-20
- **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) 위험한 생각을 하는지 사전에 감지할 수 있는 유일한 기술적 방패다.
- **Significance**: AI가 우리를 속이려 하거나(Deceptive [[Alignment]]) 위험한 생각을 하는지 사전에 감지할 수 있는 유일한 기술적 방패다.
## ⚠️ 모순 및 업데이트 (RL Update)
- 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.