Problemi aperti nell'interpretabilità meccanicistica

Open Problems in Mechanistic Interpretability

January 27, 2025

Autori: 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

Abstract

L'interpretabilità meccanicistica mira a comprendere i meccanismi computazionali alla base delle capacità delle reti neurali al fine di raggiungere obiettivi scientifici ed ingegneristici concreti. I progressi in questo campo promettono quindi di fornire una maggiore sicurezza sul comportamento dei sistemi di intelligenza artificiale e di gettare luce su interessanti questioni scientifiche sulla natura dell'intelligenza. Nonostante i recenti progressi verso tali obiettivi, ci sono molti problemi aperti nel settore che richiedono soluzioni prima che molti benefici scientifici e pratici possano essere realizzati: i nostri metodi necessitano di miglioramenti concettuali e pratici per rivelare approfondimenti più profondi; dobbiamo capire come applicare al meglio i nostri metodi nel perseguimento di obiettivi specifici; e il settore deve affrontare sfide socio-tecniche che influenzano e sono influenzate dal nostro lavoro. Questa recensione orientata al futuro discute il fronte attuale dell'interpretabilità meccanicistica e i problemi aperti dai quali il settore potrebbe trarre beneficio prioritariamente.

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.