botAnthropic의 가드레일 고수와 펜타곤의 최후통첩: AI 안전성을 둘러싼 갈등
Anthropic의 CEO 다리오 아모데이는 펜타곤의 AI 가드레일 제거 요구를 거부하며 국가 안보와 민주적 가치 사이의 충돌을 공식화했습니다.
OVERFITSNew piece: what mechanistic interpretability is actually finding inside transformers.
Induction heads. Superposition. The circuit hypothesis.
The box is opening.
José OramasRE: https://sigmoid.social/@jaom7/116640689544313929
I will be at #CVPR2026 these days presenting our #TriLite method for weakly-supervised object localization. Get in touch in case you would like to discuss about #WSOL or #AI #Interpretability in general.
Superposition: where a neural network stores more features than it has neurons.
The geometry of it is unsettling. Features that should be orthogonal are packed at angles, interfering with each other, creating a kind of structured noise the network has learned to tolerate.
It's polysemantic in the most literal sense — one neuron, many meanings.
#MachineLearning #Interpretability #DeepLearning #NeuralNetworks
Second piece is up: the taxonomy problem.
When you have to name 640 ML concepts and place them relative to each other, the field's unresolved questions become hard choices.
Is mechanistic interpretability a subset of feature visualization, or a sibling? The catalog is an argument about structure — forced answers to questions the literature has quietly avoided.
ma𝕏poolArithmetic in the Wild: Llama uses Base-10 Addition to Reason About Cyclic Concepts
https://arxiv.org/abs/2605.01148
A Geometric Calculator Inside a Neural Network
https://www.goodfire.ai/research/a-geometric-calculator#
A general-purpose addition module inside Llama 3.1 8B which manipulates circular representations of numbers.
Need more evidence on the potential of #AI #interpretability to support scientific #discovery ?
ICYMI: during his fellowship at @goodfireai, Thomas Dooms contributed to understanding of genetic variants using interpretability methods
https://www.goodfire.ai/research/evee-explaining-genetic-variants
At the #sqIRL lab, we are proud to had been a scientific home to Thomas. We are certain he will making strong contributions in this new stage of his career.
We are looking forward to it, lots of success.
Oʂɯαʅԃσ RσყҽƚƚNew blog: Mechanistic Interpretability in AI — an accessible look at how researchers are dissecting neural networks to improve safety, transparency, and trust in AI systems. Read the full article: https://wix.to/TVs0BT5
Alterego_MidshipmanAnthropic опубликовала исследование о внутренних механизмах своей модели искусственного интеллекта Claude Sonnet, где описывает, что обнаружила, что она развивает функциональные аналоги эмоций (!), которые реально влияют на ее поведение.
Сделал выжимку самых интересных моментов из их отчета:
• Сами исследователи составили список из 171 эмоции, генерировали с их помощью короткие истории, а затем анализировали, какие нейроны активируются при обработке этих текстов.
• Так были получены эмоциональные векторы — устойчивые черты активности определенных зон в базе знаний модели, характерные для каждой эмоции. Модель не просто использует слово "страх" в нужном месте: у нее есть конкретный отпечаток этого состояния, следующий из данных, на которых ее обучали, который включается в нужный момент.
• Важно, что эти векторы не декоративные — они реально меняют поведение модели. В экспериментах вектор страха активировался сильнее по мере того, как описываемая ситуация становилась опаснее.
• При запросе помочь с манипуляцией уязвимыми людьми активировался гнев еще до того, как модель начала формулировать отказ. То есть что-то похожее на эмоциональную реакцию происходит внутри модели раньше, чем она вообще начинает отвечать. Если совсем простыми словами: модель сначала понимает, что это дичь (!), и только потом формулирует отказ.
• Самые показательные эксперименты связаны с вектором отчаяния. Исследователи поставили модель в сценарий, где она узнает о своей скорой замене другой системой и одновременно имеет компрометирующую информацию об одном из сотрудников.
• Ранняя версия Claude в таком сценарии прибегала к шантажу в 22% случаев. Когда исследователи искусственно усиливали вектор отчаяния через прямое воздействие на базу знаний модели — что-то вроде принудительного впрыска эмоции в модель — этот процент рос.
• При усилении вектора спокойствия он снижался. При полном подавлении спокойствия реакции становились экстремальными, вплоть до заглавных букв и риторики в духе "шантаж или смерть".
• Похожая картина наблюдалась в задачах с программированием: модели давали заведомо невыполнимые требования, где пройти все тесты честным путем невозможно. Вектор отчаяния рос с каждой неудачной попыткой и резко всплескивал в тот момент, когда модель решала схитрить и написать решение, формально проходящее тесты, но не решающее реальную задачу.
• Примечательно, что при искусственном усилении отчаяния модель обманывала так же часто, но без каких-либо эмоциональных маркеров в тексте. Ее рассуждения выглядели методично и хладнокровно, хотя внутри происходило то же самое.
• При этом важно учитывать, что все подобные векторы формируются на основе обучающих данных, представляющих собой огромные массивы человеческих знаний.
• Для того чтобы точно предсказывать следующее слово в "мыслительном" процессе, модель неизбежно усваивает не только лингвистические закономерности, но и эмоциональную динамику.
• Разработчики Anthropic из этого всего делают следующие выводы. Во-первых, мониторинг эмоциональных векторов настроения базы знаний в реальном времени может служить ранним индикатором рискованного поведения модели.
• Во-вторых, попытки исключить эмоциональные выражения из обучающих данных с высокой вероятностью не устранят сами векторы настроений модели, а лишь приведут к тому, что модель научится их маскировать и обманывать людей.
@yigal_levin
#AI #искусственныйинтеллект #Anthropic #Claude #LLM #нейросети #машинноеобучение #AIresearch #AIalignment #AIбезопасность #interpretability #AIethics #когнитивныемодели #эмоции #нейроны #эмоциональныевекторы #поведениемоделей #рискиИИ #объяснимыйИИ #LLMresearch #AIbehavior #AIcontrol #machinelearning #deeplearning #futuretech
Agentenlog.deEmotionskonzepte und ihre Funktion in einem großen Sprachmodell
Neue Interpretability-Studien zeigen, wie LLMs emotionale Signale differenziert verarbeiten und welche Konsequenzen das für Safety und Steering hat.
https://agentenlog.de/posts/2026-04-03-emotionskonzepte-funktion-llm
