---
id: [[P-Reinforce|P-Reinforce]]-AUTO-MCIS-001
category: Unified
confidence_score: 0.95
tags: [auto-reinforced, mechanistic-interpretability, steering-vectors, sae, sparse-autoencoders, model-understanding]
last_reinforced: 2026-05-04
---

# [[Mechanistic Interpretability & Steering|Mechanistic Interpretability & Steering]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "지능의 역공학: 블랙박스로 여겨졌던 AI의 내부 신경망을 해부하여 특정 뉴런이 어떤 개념(예: '정직', '코딩')을 담당하는지 찾아내고, 이를 직접 조절(Steering)하여 모델의 성격이나 능력을 실시간으로 바꾸는 기술."

## 📖 구조화된 지식 (Synthesized Content)
기계적 해석 가능성(Mechanistic Interpretability)은 모델의 내부 작동 원리를 뉴런 단위에서 이해하려는 학문이며, 스티어링(Steering)은 그 이해를 바탕으로 모델을 제어하는 기술입니다.

1.  **SAE (Sparse Autoencoders)**:
    *   **원리**: 모델의 수억 개 뉴런 속에 복합적으로 얽혀 있는 개념들을 분리하여, 인간이 이해할 수 있는 단일 개념(Feature)으로 추출하는 기술입니다.
    *   **의의**: "이 뉴런 그룹은 '골든게이트 교량'에 반응한다"와 같은 구체적인 지도를 그릴 수 있게 합니다. (Anthropic의 연구 사례)
2.  **Steering Vectors (스티어링 벡터)**:
    *   **개념**: 특정 개념(예: '무해함', '논리적 추론')과 관련된 신경망의 활성화 패턴을 추출하여 벡터로 만듭니다.
    *   **활용**: 추론 시 이 벡터를 모델의 중간 레이어에 주입(Injection)하여, 모델이 더 정직하게 답하게 하거나 특정 주제에 집중하게 유도할 수 있습니다.
3.  **Superposition (중첩)**:
    *   모델이 제한된 뉴런 수로 방대한 지식을 저장하기 위해, 하나의 뉴런이 여러 개념에 동시에 관여하는 현상입니다. 해석 가능성 연구는 이 중첩을 해소하는 것이 주된 목표입니다.

## ⚖️ Trade-offs & Caveats
*   **성능 저하**: 특정 개념을 너무 강하게 스티어링하면 모델의 일반적인 언어 능력이 망가지거나 답변이 부자연스러워질 수 있습니다.
*   **복잡성**: 거대 모델의 모든 개념을 완벽히 해석하는 것은 여전히 초보적인 단계이며, 막대한 연산량이 필요합니다.

## 🔗 지식 연결 (Graph)
*   **상위 개념**: [[AI Safety & Constitutional AI|AI Safety & Constitutional AI]], [[Deep Learning Theory|Deep Learning Theory]]
*   **관련 연구**: Anthropic (Golden Gate Claude), OpenAI (Microscope)
*   **연관 기술**: [[Fine-Tuning & Alignment|Fine-Tuning & Alignment]]

---
*Last updated: 2026-05-04*