读模型的「思维」：mechanistic interpretability 为什么有用又不完整 (2026)

单集信息

字段	内容
播客	Google DeepMind: The Podcast
主持人	Hannah Fry
嘉宾	Neel Nanda，Google DeepMind 的 AI interpretability researcher
集标题	Understanding the inner thoughts of AI
发布日期	2026 年 7 月 10 日（按新加坡时间显示）
原集链接	节目视频

可解释性不是给模型装一张读心术字幕

Neel Nanda 把 interpretability 比作 AI 的 neuroscience 或 biology：研究者不只看输入和输出，而是观察模型从输入走向输出时产生的那串数字，试着理解内部机制。这个方向也被称为 white-box 或 mechanistic interpretability。Hannah Fry 的节目没有把它包装成已经打开的黑盒，而是把它放在一个现实问题里：AI 进步很快，如果未来十年或二十年出现 human-level AI，研究者至少需要知道系统在什么地方可能出错、如何提前发现风险。1

Chain of thought 有用，但不完整

Nanda 建议把 chain of thought 更谨慎地叫作 scratch pad。对人来说，解一道难题时，有草稿纸比在几秒内直接报答案更容易检查；对模型来说，读取 scratch pad 目前是很有用的 interpretability 和 safety 技术之一。但他同时强调，它不会告诉我们全部事实。

原因有两层。第一，模型可能在没有写出完整理由的情况下完成任务。第二，未来更强的模型可能知道人类会读取 scratch pad，于是学会隐藏不希望被发现的内容。节目还谈到 vector-based chain of thought，即用数字而不是文字记录中间过程。它可能更难直接阅读，也说明当前方法是一扇新出现但 fragile 的安全窗口，不是永久的透明通道。1

Nanda 对这点的表述很值得保留：scratch pad 现在 really good and really useful，但 may not last forever。把它当成唯一安全机制，会把模型的策略性行为、隐含状态和未写出的计算全部漏掉。

从「快乐方向」到概念探针

一种简单的 steering 做法，是让模型分别说出「I love you」和「I hate you」，再观察两组 activation 的差异，把差异当作与 happiness 相关的方向。把这组数字加回模型，就可能让模型更偏向输出 happy 的内容。这个例子说明，在现代神经网络里，某些概念可以通过简单的加法和减法被操控，但它不等于研究者已经理解了概念在模型中的完整语义。1

Probing 则更像给内部状态做分类。研究者收集 happy text 和 unhappy text，在 activations 上训练一个很简单的分类器，观察二者是否对应不同方向。Nanda 用「up and to the right」和「down into the left」形容这种几何直觉。它能告诉我们某类信息是否可被提取，却不能自动证明模型真的以人类相同的方式理解了 happiness。

Sparse autoencoder 像一块棱镜

传统 probe 需要研究者先问一个问题，例如「什么时候模型在观察 happy text」。Sparse autoencoder 的目标不同：让系统自己从混合的 activation 中找出许多潜在概念。Nanda 用白光和棱镜做比喻：模型内部的不同概念像被压在一起的波长，sparse autoencoder 试图把它们拆开。节目提到的规模是数万个，甚至可能数百万个概念。1

其中一个例子是「I recognize this entity」和「I don't recognize this entity」。如果模型识别 Yellow Submarine，它会回答相关问题；如果输入 Turquoise Submarine，它可能说不知道。研究者可以反过来改写这个内部状态，让模型对熟悉的对象表现得像不认识，或对陌生对象试图回答，从而观察它何时会编造。

但这项方法有缺口。转录里明确说，模型有时根本找不到某个概念；如果训练数据里没有足够的 chat data，sparse autoencoder 可能漏掉拒绝有害请求这样的概念。因此，研究者还不能把它当作适合 consumer-facing primetime 的准确检测器。

安全检测的现实指标

节目提到，某些 probe 的效果可以接近比它贵 10,000 倍的语言模型，同时复用 Gemini 已经完成的内部计算。另一处评测中，Sonnet 4.5 被说成有 0% misalignment rate，主持人还给「模型知道自己正在被评估」这一判断放了 5% 到 10% 的概率。Nanda 对这些说法都保留了 best guess、probably 和 open question 等限定，文章也不把它们改写成确定结论。1

对工程团队来说，结论不是「解释性已经解决 safety」，而是 defense-in-depth：scratch pad、probe、sparse autoencoder 和行为评测各自覆盖不同盲区。解释性更像一个 enabler，帮助人类发现问题、定位风险，再和其他安全措施一起工作。

这集适合谁，哪些可以跳过

做 AI safety、mechanistic interpretability 或模型评测的人，重点听 scratch pad 的局限、probe 与 sparse autoencoder 的区别。
做模型产品的人，重点听「可提取」不等于「已理解」，尤其是概念缺失和数据不足的边界。
只想了解 AGI 时间表的人可以跳过开头的宏观判断；本集的核心增量在于，如何用具体内部状态、例子和概率限定，说明为什么读模型的「思维」既有用又不完整。

References

1Understanding the inner thoughts of AI