Problèmes ouverts en interprétabilité mécaniste.

Open Problems in Mechanistic Interpretability

January 27, 2025

Auteurs: 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

Résumé

L'interprétabilité mécaniste vise à comprendre les mécanismes computationnels sous-jacents aux capacités des réseaux neuronaux afin d'atteindre des objectifs scientifiques et d'ingénierie concrets. Les progrès dans ce domaine promettent ainsi d'offrir une assurance accrue quant au comportement des systèmes d'IA et d'éclairer des questions scientifiques passionnantes sur la nature de l'intelligence. Malgré les avancées récentes vers ces objectifs, de nombreux problèmes ouverts subsistent dans le domaine qui nécessitent des solutions avant que de nombreux avantages scientifiques et pratiques ne puissent être réalisés : Nos méthodes nécessitent à la fois des améliorations conceptuelles et pratiques pour révéler des perspectives plus approfondies ; nous devons déterminer la meilleure façon d'appliquer nos méthodes pour atteindre des objectifs spécifiques ; et le domaine doit faire face à des défis socio-techniques qui influencent et sont influencés par notre travail. Cette revue prospective examine la frontière actuelle de l'interprétabilité mécaniste et les problèmes ouverts dont le domaine pourrait bénéficier en les priorisant.

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.