Anthropic 团队最新研究发现，通过字典学习，可以将大型神经网络中的神经元分解为可解释的特征。通过人为激活特定特征，可以引导模型给出预期的输出。这一研究有望解决 AI 不可解释性的问题，让我们更好地理解模型的工作原理。Anthropic 团队发布了一份详细报告，总结了他们的研究结果。该研究为解决 AI 黑盒问题提供了新的思路。