这个技术试图解决模型的可解释性问题，简单来说就是回答“模型为什么做出这个决策？”以及“它是如何得出这个结果的？”这两个问题。在AI飞速发展的今天，大语言模型（LLM）虽然表现出了惊人的能力，但其内部运作机制始终像一个神秘的“黑箱”。我们不知道它为何做出某个回答，也不清楚它是如何从海量数据中提取知识的。这种不可解释性，成为了AI在医疗、金融、法律等高风险领域落地的重大障碍。对此，OpenAI研究团队训练出了一个权重稀疏的Transformer模型，强制模型权重矩阵中99.9%权重为零，仅保留0.1%非零权重。在这项研究中，研究团队在模型内部形成了紧凑且可读的“电路”（Circuits），每个电路都仅保留了保证模型性能的关键节点，神经元的激活变得具有明确的语义。有外网网友称这一技术让当下的MoE（混合专家模型）走到了尽头，并说“我们一直以来都将权重隔离到‘专家’中，以此粗略地近似稀疏性，仅仅是为了满足稠密矩阵核的要求。”
▲外网评价（图源：X）
更有网友将这项研究形容为将模型“减肥到只剩骨架”，还说这项研究就好像打开了黑匣子，不试图解开稠密模型而是直接构建稀疏模型，正是这项研究有趣的地方。
▲外网评价（图源：X）
但有些网友却不这么认为，称其没有看出MoE模型为何会因此走到尽头，并进一步解释说这一技术是针对XAI（可解释AI）的，它的训练成本要高100-1000倍，回到“研究时代”并不意味着让事情变得更复杂。
▲外网评价（图源：X）
该模型目前受限于计算效率瓶颈，其运算速度较密集模型慢100至1000倍，将该技术直接应用于千亿参数级别的前沿大模型，现阶段尚不具备可行性。
开源地址：Github：https://github.com/openai/circuit_sparsityHugging Face：https://huggingface.co/openai/circuit-sparsity01.训练稀疏TransformerOpenAI理清模型内部计算
要理解这项研究的突破，首先需要明白传统大模型为何难以解释。在标准的密集模型（Dense Models）中，神经网络存在一种被称为“超级位置”（Superposition）的现象。简单来说，为了存储海量的信息，模型被迫让单个神经元或权重矩阵同时编码多个完全不同的概念。这种特征纠缠导致了严重的后果，例如模型的决策不可追溯和逻辑混乱，当模型输出一个结果时，我们无法确定是哪个具体的“概念”在起作用。针对以上问题，以前的研究通常从试图拆解密集、纠结的网络开始。但OpenAI团队采取了一种“反直觉”的策略，即训练权重稀疏的Transformer模型，强制模型权重矩阵中99.9%权重为零，仅保留0.1%非零权重。强制模型限制了模型只能使用其神经元之间极少的可能连接，而这一简单的更改，几乎从根本上理清了模型的内部计算。
▲每个神经元只与下一个层的几个神经元相连（图源：OpenAI技术博客）
具体的技术手段包括：1、动态剪枝与稀疏约束：在训练过程中，系统会动态执行“剪枝”操作，每一步优化后仅保留绝对值最大的权重（Top-K稀疏化）。2、激活稀疏化：在残差流、注意力键/值矩阵等关键位置，研究团队引入了AbsTopK激活函数，强制仅保留前25%的激活值。3、架构微调：为了配合稀疏化，研究团队用RMSNorm替代了传统的LayerNorm，避免归一化操作破坏稀疏性，同时引入了“Bigram表”来处理简单的模式匹配，从而释放模型的主干容量去处理复杂的逻辑推理。02.模型内部形成紧凑可读的“电路”规模缩减16倍
这项技术的最大成果，是模型内部形成了紧凑且可读的“电路”（Circuits）。在传统密集模型中，完成一个任务可能需要成千上万个节点协同工作，逻辑分散且难以捕捉。而在稀疏模型中，研究团队观察到了极简的计算路径：1、极简的逻辑单元：例如在处理“字符串闭合”任务时，模型仅用12个节点就构建了一个完美的电路，清晰地展示了它是如何检测单引号或双引号是否闭合的。2、可读的特征：神经元的激活变得具有明确的语义。研究人员发现了一些神经元专门负责检测“单引号”，另一些则像“计数器”一样精确地追踪列表的嵌套深度。3、规模缩减16倍：对比实验显示，在相同的任务损失下，稀疏模型的电路规模比密集模型小了16倍。这意味着解读AI思维的难度降低了整整一个数量级。
▲稀疏模型的电路规模比密集模型小了16倍（图源：OpenAI技术论文）
为了验证这些电路的真实性，团队进行了“均值消融”实验。结果证明，移除非电路节点对任务几乎没有影响，而一旦移除电路中的关键节点，模型性能就会瞬间崩塌。这证实了这些电路确实是模型执行任务的“必经之路”。
▲“均值消融”实验（图源：OpenAI技术论文）
03.稀疏模型解读力强但速度慢千倍OpenAI提出“桥梁网络”
为了测量稀疏模型计算的解耦程度。研究团队设计了一套简单的算法任务。对于每个模型，他们都将其剪裁成了仍能执行该任务的最小电路，并检查了该电路的简洁程度。研究团队发现，用规模更大、稀疏度更高的模型进行训练后，就能够依托结构更简洁的电路，构建出性能更强的模型。
▲模型的可解释性与能力的对比图（图源：OpenAI技术博客）
从模型可解释性与性能的对比图可见，在稀疏模型规模固定的前提下，提升稀疏性，也就是将更多权重置零，虽会导致模型性能有所下降，但能显著增强其可解释性。尽管稀疏模型在可解释性方面优势突出，但其应用目前受限于计算效率瓶颈：稀疏矩阵运算无法借助Tensor Cores实现加速，运算速度较密集模型慢100至1000倍。这意味着，将该技术直接应用于千亿参数级别的前沿大模型，现阶段尚不具备可行性。为此，研究团队提出了“桥梁网络”（Bridges）方案：1、编码-解码映射：在稀疏模型与预训练的密集模型之间插入一个编码器-解码器对。2、跨模型干预：编码器将密集模型的激活映射到稀疏空间，解码器则反向转换。“桥梁网络”（Bridges）方案可以在“透明”的稀疏模型上修改某个特征，然后通过桥梁将这种扰动映射回“黑箱”的密集模型，从而实现对现有大模型的可解释性行为编辑。04.结语：OpenAI提出稀疏化新路径让大模型从“黑箱”走向“可解释”
OpenAI研究团队的这项研究，标志着AI可解释性领域的一项重要突破，也印证了理解AI并非遥不可及的目标。研究团队在论文博客中称，这项工作是迈向更宏大目标的早期探索。接下来，他们计划将相关技术扩展至更大规模的模型，同时进一步解释更多模型的行为逻辑。为解决稀疏模型训练效率低下的问题，团队提出了两个后续研究方向：一是从现有密集模型中提取稀疏电路，替代“从头训练稀疏模型”的传统方式；二是研发更高效的可解释性模型训练技术，推动相关技术更易落地生产。“我们的目标是逐步扩大可可靠解释的模型范围，同时打造相关工具，让未来的AI系统更易于分析、调试与评估。”研究团队在论文博客中写道。
