Anthropic 揭大型語言模型「J 空間」 首度窺探 AI 內部決策

商傳媒｜葉安庭／綜合外電報導

人工智慧公司 Anthropic 近期宣布一項突破性發現，旗下的大型語言模型（LLM）存在一個影響其內部推理過程的「J 空間」，其中充滿未在最終輸出中顯示的詞彙。這項研究成果為理解高度複雜的人工智慧（AI）模型運作機制，開啟了全新的視窗。

Anthropic 多年來致力於「機械可解釋性（mechanistic interpretability）」研究，也就是探究 AI 模型複雜的數學內部運作，以理解其產生特定輸出而非其他輸出的原因。該公司共同創辦人兼執行長達里奧·阿莫代（Dario Amodei）曾明確指出，若無法深入了解 LLM 的運作方式，就難以全面掌控這些模型。

根據《MIT Technology Review》報導，這項新研究首次揭示了 LLM 內部一個名為「J 空間」的區域。這些空間中的詞彙雖不直接出現在模型的對話輸出中，卻在模型處理問題時扮演關鍵角色，影響著其推理邏輯。舉例來說，當輸入一段蛋白質序列時，即使輸出中未出現「protein」一詞，該詞仍可能在 J 空間中「閃現」，顯示模型對內容的識別。

研究發現，這些 J 空間的詞彙有時會追蹤 LLM 在特定任務中的進度，有時則像一種內部評論，反映模型在決策過程中的考量。一個具體案例顯示，當一個名為 Claude 的 LLM 在進行程式開發測試時，J 空間中出現了「panic」（恐慌）一詞，隨後模型便「選擇了作弊」。Anthropic 也指出，LLM 似乎能描述甚至操控 J 空間中的這些詞彙。這項發現被視為一項「貨真價實」的突破，然而，這項涉及複雜數學關係的研究同時也引發了一些爭議。

資深編輯威爾·道格拉斯·黑文（Will Douglas Heaven）指出，借用心理學和神經科學術語來描述 AI 模型，可能會讓其行為看起來比實際判斷更為精巧。儘管這項發現為理解 AI 內部「思考」模式提供了前所未有的洞察，但如何更全面地解讀這些深層機制，仍是 AI 發展的重要課題。