A continuaciónSiguiente guía
Pilas de entrenamiento DeepSpeed y Megatron
Técnico
GUÍA Técnica
La superposición en la interpretabilidad de la IA es la forma en que las redes neuronales agrupan muchas características en direcciones compartidas, lo que hace que las neuronas individuales parezcan polisemánticas y más difíciles de explicar.
Escuche esta guíaNarrado por IA · ~8 min
A neural network represents what it knows as activations, lists of numbers produced inside each layer. Interpretability researchers call the meaningful properties those numbers encode features: for example, the idea that a sentence is in French, that an image contains a curve, or that a piece of code has a security bug. The hope behind early interpretability work was that each neuron, one entry in a layer's activation list, would correspond to one feature. Sometimes that holds: vision models contain clean curve detectors. Often it does not. A polysemantic neuron is one that responds to several unrelated inputs. The 2020 Distill article Zoom In, by Chris Olah and colleagues then at OpenAI, gave a famous example: neuron 4e:55 in the image model InceptionV1 fires for cat faces, the fronts of cars and cat legs.
Superposition is the leading explanation for why this happens. The idea is that a model needs to track far more features than it has neurons, so it does not give each feature its own neuron. Instead, each feature gets a direction, a particular pattern across many neurons, and those directions are allowed to overlap a little. Two facts from mathematics make this workable. In a space with n dimensions only n directions can be exactly at right angles, but exponentially many can be almost at right angles, a result related to the Johnson-Lindenstrauss lemma. And compressed sensing shows that a vector squeezed into fewer dimensions can still be recovered if it is sparse, meaning most of its entries are zero. Real features are sparse: any given sentence mentions very few of the things a model knows about.
The cost of overlapping directions is interference. When feature A is active, a little of its signal leaks onto feature B's direction. If features rarely occur together, the leak is usually small and a nonlinearity such as ReLU, which zeros out negative values, can filter it away. Polysemanticity is what this looks like from the point of view of a single neuron: because each neuron participates in many feature directions, it lights up for all of those unrelated features. So superposition is a claim about how features are stored, and polysemanticity is the symptom seen when examining neurons one at a time.
The key evidence came from Toy Models of Superposition, published by Anthropic and Harvard researchers on 14 September 2022, with Nelson Elhage as a lead author and Olah as corresponding author. The team trained very small ReLU networks to compress synthetic inputs into fewer dimensions and reconstruct them. Each input feature had a sparsity, the probability of being zero, and an importance, a weight on its reconstruction error. With dense features, the model behaved like principal component analysis and simply kept the most important ones. As features became sparser, it switched abruptly to storing extra features in superposition, a transition the paper describes as a phase change. The stored features arranged themselves into regular geometric shapes such as pairs, triangles, pentagons and tetrahedra. The paper also showed that at least simple computation, an absolute value function, can be carried out while in superposition, and found preliminary links between superposition and adversarial examples.
If features are directions rather than neurons, the practical problem becomes finding those directions. The main method is dictionary learning with a sparse autoencoder (SAE): a separate small network trained to rewrite a model's activations as a sparse combination of many more learned directions than there are neurons. Anthropic's Towards Monosemanticity, published 4 October 2023, applied this to a one-layer transformer with a 512-neuron MLP layer. Trained on 8 billion activation samples, its dictionaries ranged from 512 to 131,072 features and found interpretable ones for DNA, base64, Hebrew and Arabic script. A monosemantic feature is one that responds to a single understandable concept. The paper also showed feature splitting: one feature in a small dictionary breaks into several finer features in a larger one.
The method then scaled to production models. Anthropic's Scaling Monosemanticity, published 21 May 2024, trained SAEs with about 1 million, 4 million and 34 million features on the middle layer of Claude 3 Sonnet. It found features for the Golden Gate Bridge, brain sciences and tourist attractions, as well as safety-relevant features for code backdoors, bias, deception, sycophancy and dangerous content, and showed that clamping a feature to a high value changed the model's behavior. In June 2024 OpenAI researchers reported a 16 million latent SAE trained on GPT-4 activations over 40 billion tokens, and in August 2024 Google DeepMind released Gemma Scope, open SAEs covering all layers of Gemma 2 2B and 9B.
Compared with alternatives, the superposition view explains why simply reading neurons, the approach of early feature visualization, hits a ceiling. The obvious fix, designing models that never use superposition, did not work out: the 2023 paper reports that forcing activation sparsity during training, even down to one active neuron at a time, removed superposition but still left polysemantic neurons, because a model can lower its loss by letting one neuron stand for several mutually exclusive features. Probing, training a small classifier to detect whether a known concept is present, still works but only finds concepts researchers already thought to look for. SAEs are unsupervised, so they can surface unexpected features.
The limits are real. Superposition is a hypothesis supported by toy models and indirect evidence, not a proven description of large models. SAE features are only an approximation: in Scaling Monosemanticity the reconstructions explained at least 65% of the variance of the activations, so a sizable remainder went unexplained, and about 65% of the features in the 34 million SAE were dead, meaning they never fired on a sample of 10 million tokens. The paper cautions that a feature about lying is not evidence that a model lies. Feature labels come from people or models reading examples, which can be wrong. And training SAEs is expensive: compute grows with the product of the number of features and the number of training tokens, so covering every layer of a frontier model is a large engineering project.
03Ejemplo resuelto
Tome tres características A, B y C y una capa con solo dos neuronas, de modo que haya espacio para solo dos direcciones exactamente perpendiculares.
Asigne a cada característica una dirección de longitud unitaria separada por 120 grados, como las esquinas de un triángulo; dos direcciones cualesquiera ahora tienen un producto escalar de menos 0,5.
Active solo la característica A con valor 1: las dos neuronas mantienen la dirección de A y la lectura posterior da A = 1, B = menos 0,5 y C = menos 0,5.
Aplique un ReLU, que convierte los valores negativos en cero: la lectura se convierte en A = 1, B = 0, C = 0, por lo que la interferencia se filtra.
Ahora active A y B juntos: leer C da menos 1 y ReLU lo elimina, pero A y B leen cada uno 0,5 en lugar de 1, por lo que la recuperación es solo parcial.
Observemos una sola neurona: lleva parte de las tres características, por lo que de forma aislada parece responder a tres cosas no relacionadas.
lo que muestra
Una superposición hecha a mano de tres características en dos neuronas. La verificación: las características individuales se decodifican exactamente después de ReLU, las características superpuestas se decodifican con error y cada neurona parece polisemántica. Esto refleja por qué la superposición sólo vale la pena cuando las características son escasas.
La neurona InceptionV1 4e:55, descrita en el artículo Zoom In de Distill de 2020, responde a caras de gato, frentes de automóviles y patas de gato, una neurona polisemántica de libro de texto en un clasificador de imágenes.
Los modelos de superposición de juguetes 2022 de Anthropic entrenaron pequeñas redes ReLU con datos sintéticos dispersos y observaron cinco características agrupadas en dos dimensiones como un pentágono regular.
Towards Monosemanticity (octubre de 2023) utilizó un codificador automático disperso para extraer decenas de miles de características interpretables, como secuencias de ADN, texto base64 y escritura árabe, de una capa de 512 neuronas.
Scaling Monosemanticity (mayo de 2024) entrenó codificadores automáticos dispersos con hasta 34 millones de funciones en Claude 3 Sonnet y encontró una función del puente Golden Gate que podía dirigir el modelo cuando se sujetaba en alto.
Gemma Scope de Google DeepMind (agosto de 2024) lanzó codificadores automáticos dispersos abiertos para cada capa de Gemma 2 2B y 9B para que los investigadores externos puedan estudiar características sin entrenar los suyos.
Los problemas abiertos tienen que ver principalmente con si las características SAE son las unidades correctas. El artículo de Anthropic de 2024 señala la superposición entre capas, donde una característica se distribuye en varias capas, como una de las razones por las que funcionó en el flujo residual, y señala que una gran parte de la variación del modelo sigue sin explicarse en sus diccionarios. La división de funciones, informada en 2023, significa que la cantidad de funciones depende del tamaño del diccionario, por lo que es posible que no haya una única lista verdadera que recuperar. Los investigadores también están trabajando en una capacitación más económica y de mejor comportamiento, como lo demuestran los codificadores automáticos 2024 k-sparse de OpenAI y los JumpReLU SAE de DeepMind en Gemma Scope, y en pasar de características aisladas a circuitos que muestran cómo las características se combinan para producir una respuesta. Aún no se ha probado a escala si estas herramientas pueden detectar de manera confiable el engaño u otros comportamientos riesgosos en modelos de frontera. El documento sobre modelos de juguetes de 2022 también dejó abierto si la superposición explica fenómenos como los ejemplos contradictorios, que vinculó solo con evidencia preliminar.
Boletín gratuito
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
La superposición en la interpretabilidad de la IA es la forma en que las redes neuronales agrupan muchas características en direcciones compartidas, lo que hace que las neuronas individuales parezcan polisemánticas y más difíciles de explicar.
La superposición es la estrategia de codificar características más distintas que dimensiones mediante el uso de direcciones superpuestas casi ortogonales en el espacio de activación.
Debido a que la mayoría de las funciones rara vez están activas al mismo tiempo, las colisiones son poco frecuentes, por lo que el costo de la interferencia se mantiene bajo.
Las neuronas polisemánticas se activan en busca de múltiples características no relacionadas, que es la consecuencia observable de la superposición.
'Toy Models of Superposition' utilizó redes pequeñas y controlables para demostrar cuándo y cómo se agrupan las funciones.
No se pueden ajustar más vectores mutuamente ortogonales que dimensiones, por lo que las entidades terminan teniendo muchas direcciones casi ortogonales con cierta superposición.
sigue aprendiendo
Más guías seleccionadas para este tema.
A continuaciónSiguiente guía
Pilas de entrenamiento DeepSpeed y Megatron
Técnico