3.2 KiB
3.2 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-mechanistic-interpretability-기계적 | Mechanistic Interpretability (기계적 해석 가능성) | 10_Wiki/Topics | needs_review | self |
|
none | A | 0.98 |
|
2026-04-20 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
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 (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.
🔗 지식 연결 (Graph)
- Related: Circuit Discovery (회로 발견) , Explainable-AI (XAI)
- Risk Defense: Deceptive Alignment (기만적 정렬)
🤖 LLM 활용 힌트 (How to Use This Knowledge)
언제 이 지식을 쓰는가:
- (TODO)
언제 쓰면 안 되는가:
- (TODO)
🧪 검증 상태 (Validation)
- 정보 상태: needs_review
- 출처 신뢰도: A
- 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)
🧬 중복 검사 (Duplicate Check)
- 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
- 처리 방식: UPDATE (자동 정규화)
- 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|---|---|---|---|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |