4月24日，Anthropic 公司首席执行官 Dario Amodei 发表了一篇文章，强调研究人员对全球领先 AI 模型内部运作机制知之甚少。
为解决这一问题，Amodei 为 Anthropic 设定了一个雄心勃勃的目标：到 2027 年能够可靠地检测出大多数 AI 模型问题，到 2027 年揭开 AI 模型的黑箱。
Amodei 承认面临的挑战。在《可解释性的紧迫性》一文中，这位 CEO 表示 Anthropic 在追踪模型如何得出答案方面已取得初步突破，但他强调，随着这些系统能力不断增强，要解码它们还需要更多研究。
“Amodei 在文中写道：‘我非常担忧在缺乏更好可解释性手段的情况下部署这类系统。这些系统将成为经济、技术和国家安全的核心，且将具备如此高度的自主性，以至于我认为人类对其运作原理全然无知是根本不可接受的。’“
Anthropic 是机械可解释性领域的先驱公司之一，该领域致力于揭开 AI 模型的黑箱，理解其决策背后的原因。
尽管科技行业的 AI 模型性能快速提升，我们对这些系统如何做出决策仍知之甚少。
例如，OpenAI 最近发布了新的推理 AI 模型 o3 和 o4-mini，在某些任务上表现更优，但相比其他模型也更容易产生幻觉。公司并不清楚这一现象的原因。
“当生成式 AI 系统执行某项任务，比如总结一份财务文件时，我们无法在具体或精确的层面上理解它为何做出这样的选择——为何选用某些词汇而非其他，又为何在通常准确的情况下偶尔犯错，”Amodei 在文章中写道。
文章中，Amodei 提到 Anthropic 联合创始人 Chris Olah 称 AI 模型“更像是被培育而非建造出来的”。换言之，AI 研究者已找到提升模型智能的方法，但对其深层原理仍不完全明了。
在文章中，Amodei 指出，若在未理解这些模型运作原理的情况下实现人工通用智能（AGI）——他称之为“数据中心里的天才国度”可能带来危险。早前的一篇文章里，Amodei 曾预言科技行业可能在 2026 或 2027 年达成这一里程碑，但他认为人类距离完全理解这些 AI 模型还有很长的路要走。
Amodei 表示，长远来看，Anthropic 公司希望实质上对最先进的 AI 模型进行“脑部扫描”或“核磁共振检查”。他解释道，这类诊断能帮助识别 AI 模型中的各类问题，包括其撒谎、追逐权力或其他缺陷的倾向。他补充说，实现这一目标可能需要五到十年时间，但这些措施对于测试和部署 Anthropic 未来的 AI 模型将是必不可少的。
Anthropic 取得了几项研究突破，使其能更好地理解其 AI 模型的工作原理。例如，该公司最近发现了通过所谓的“电路”追踪 AI 模型思维路径的方法。Anthropic 识别出一个帮助 AI 模型理解美国各城市所属州的电路。目前公司仅发现少数此类电路，但估计 AI 模型中存在数百万个。
Anthropic 一直致力于可解释性研究的投入，并首次投资了一家专注于该领域的初创公司。虽然目前可解释性主要被视为安全研究的分支，但 Amodei 指出，最终阐明 AI 模型如何得出答案可能带来商业优势。
在文章中，Amodei 呼吁OpenAI 和谷歌 DeepMind 加大在该领域的研究投入。除了友好的推动外，Anthropic 的 CEO 还请求政府实施“轻触式”监管以鼓励可解释性研究，例如要求企业披露其安全实践。阿莫迪同时提出，美国应对中国实施芯片出口管制，以降低失控的全球 AI 竞赛风险。
Anthropic 始终因其对安全的专注而区别于 OpenAI 和谷歌。当其他科技公司抵制加州颇具争议的 AI 安全法案 SB 1047 时，Anthropic 对该法案表示了适度支持并提出建议，该法案旨在为前沿 AI 模型开发者设定安全报告标准。
在此情况下，Anthropic 似乎正推动全行业共同努力以更深入理解 AI 模型，而不仅仅是提升其性能。
参考资料
https://techcrunch.com/2025/04/24/anthropic-ceo-wants-to-open-the-black-box-of-ai-models-by-2027/
编译：ChatGPT
（文：Z Potentials）