Problemas Abiertos en Interpretabilidad Mecanicista

Open Problems in Mechanistic Interpretability

January 27, 2025

Autores: Lee Sharkey, Bilal Chughtai, Joshua Batson, Jack Lindsey, Jeff Wu, Lucius Bushnaq, Nicholas Goldowsky-Dill, Stefan Heimersheim, Alejandro Ortega, Joseph Bloom, Stella Biderman, Adria Garriga-Alonso, Arthur Conmy, Neel Nanda, Jessica Rumbelow, Martin Wattenberg, Nandi Schoots, Joseph Miller, Eric J. Michaud, Stephen Casper, Max Tegmark, William Saunders, David Bau, Eric Todd, Atticus Geiger, Mor Geva, Jesse Hoogland, Daniel Murfet, Tom McGrath

cs.AI

Resumen

La interpretabilidad mecanicista tiene como objetivo comprender los mecanismos computacionales subyacentes a las capacidades de las redes neuronales para lograr objetivos científicos y de ingeniería concretos. El progreso en este campo promete proporcionar una mayor certeza sobre el comportamiento de los sistemas de IA y arrojar luz sobre emocionantes cuestiones científicas sobre la naturaleza de la inteligencia. A pesar del avance reciente hacia estos objetivos, existen muchos problemas abiertos en el campo que requieren soluciones antes de que se puedan materializar muchos beneficios científicos y prácticos: Nuestros métodos requieren mejoras tanto conceptuales como prácticas para revelar ideas más profundas; debemos determinar la mejor manera de aplicar nuestros métodos en busca de objetivos específicos; y el campo debe enfrentar desafíos sociotécnicos que influyen y son influenciados por nuestro trabajo. Esta revisión prospectiva analiza la frontera actual de la interpretabilidad mecanicista y los problemas abiertos de los que el campo podría beneficiarse al priorizarlos.

English

Mechanistic interpretability aims to understand the computational mechanisms underlying neural networks' capabilities in order to accomplish concrete scientific and engineering goals. Progress in this field thus promises to provide greater assurance over AI system behavior and shed light on exciting scientific questions about the nature of intelligence. Despite recent progress toward these goals, there are many open problems in the field that require solutions before many scientific and practical benefits can be realized: Our methods require both conceptual and practical improvements to reveal deeper insights; we must figure out how best to apply our methods in pursuit of specific goals; and the field must grapple with socio-technical challenges that influence and are influenced by our work. This forward-facing review discusses the current frontier of mechanistic interpretability and the open problems that the field may benefit from prioritizing.