28 lines
1.9 KiB
Markdown
28 lines
1.9 KiB
Markdown
---
|
|
id: P-REINFORCE-AI-MECH-INTERP
|
|
category: "10_Wiki/💡 Topics/AI"
|
|
confidence_score: 0.98
|
|
tags: [AI, Interpretability, MechanisticInterpretability, AISafety]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[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.
|
|
|
|
## 📖 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) 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.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- Related: [[Circuit Discovery (회로 발견)]] , [[Explainable-AI (XAI)]]
|
|
- Risk Defense: [[Deceptive Alignment (기만적 정렬)]]
|