通过稀疏电路理解神经网络：OpenAI 最新研究的深度解读

神经网络尤其是大型语言模型的内部工作机制一直像一个黑箱：它们很强大，但我们很难确切知道它们是如何一步步得出答案的。2025年，OpenAI 发布了一项重要研究《Weight-sparse transformers have interpretable circuits》（Gao et al., 2025），提出了一种新思路——通过训练权重稀疏的Transformer模型（weight-sparse transformers），让模型的计算变得更简单、更容易被人类理解。他们不仅发布了论文，还开源了所有模型权重、剪枝后的电路数据以及一个交互式可视化工具，帮助研究者直接观察这些稀疏电路。

这篇文章将基于OpenAI公开的论文、博客文章和GitHub项目文件，完整、通俗地介绍这项工作的核心思想、方法、成果以及如何亲手运行和探索这些稀疏电路。

为什么稀疏模型更容易理解？

普通的密集（dense）神经网络中，每个神经元几乎和下一层的所有神经元都有连接。这种高度纠缠的结构导致计算分布在大量权重上，单个神经元往往同时参与多种不同功能的计算，很难解释。

研究团队的思路很简单：如果我们强制模型的大部分权重为零，让每个神经元只连接少数几个通道，会发生什么？

• 每个神经元只能读取和写入少数残差通道（residual channels）。
• 模型被迫用更少的连接完成任务，计算自然更“解耦”（disentangled）。
• 神经元和通道更容易对应到人类可理解的概念，比如“检测单引号”或“当前列表嵌套深度”。

结果是：模型在某些简单任务上形成的电路（circuit）非常小、连接清晰，甚至可以画出一张完整的计算图，而且这些电路既是充分的（保留它们就能完成任务），又是必要的（删除任何一部分都会导致性能大幅下降）。

研究的核心方法

1. 训练权重稀疏模型

• 使用类似GPT-2的解码器Transformer架构。
• 在训练过程中，每一步优化后只保留每个权重矩阵中绝对值最大的若干项（Top-K），其余强制置零，从而精确控制非零权重数量（L0范数）。
• 同时施加轻度的激活稀疏性（activation sparsity），约1/4的激活为非零。
• 所有模型在Python代码数据集上预训练。

2. 评估可解释性

研究者精心设计了20个简单的二选一下一token预测任务，例如：

• 单/双引号字符串闭合（single_double_quote）
• 变量类型跟踪（set_or_string）
• 括号嵌套深度计数（bracket_counting）

对每个任务，他们使用一种新型结构化剪枝算法（基于可学习掩码+直通估计器），在保持任务损失接近原始模型的前提下，剪枝到最小的电路，然后统计电路中的边数（edges）作为可解释性指标——边数越少越可解释。

3. 关键发现

• 相同预训练损失下，稀疏模型的任务电路比密集模型小约16倍。
• 增大模型总参数规模可以同时提升能力与可解释性，推动能力-可解释性帕累托前沿向外扩展。
• 增加稀疏度（降低L0）会牺牲能力但显著提升可解释性。
• 目前在几千万非零参数规模内可解释性保持良好，更大规模仍具挑战。

三个经典电路示例（完全来自论文）

示例1：单/双引号闭合电路

任务：预测字符串应该用单引号还是双引号闭合。

电路只用了12个节点和9条边：

1. 第0层MLP把token嵌入转换为两个残差通道：一个检测“是否有引号”，另一个分类“单引号还是双引号”。
2. 第10层注意力头使用恒定的查询通道，键通道读取“是否有引号”，值通道读取“引号类型”。
3. 注意力机制忽略中间token，把开引号的类型复制到最后一个token位置。
4. 最终预测匹配的闭合引号。

整个过程就像一个清晰的算法：检测 → 分类 → 复制 → 输出。

示例2：括号嵌套深度计数

任务：判断当前token是否在嵌套列表内部。

电路用7个节点、4条边：

• 一个注意力值通道检测开括号“[”。
• 注意力头把历史开括号数量累加写入残差流（即嵌套深度）。
• 另一个注意力头读取该深度并阈值判断是否在嵌套内部。

理解这个电路后，研究者甚至能构造对抗样本攻击模型。

示例3：变量类型跟踪（set_or_string）

任务：判断变量current后面应该接.add（如果是set）还是+=（如果是字符串）。

电路使用两跳注意力：

1. 第一跳把变量名复制到set()所在的token。
2. 第二跳用该token作为键，把类型信息复制到最终位置。

这些电路的共同特点是：节点激活对应清晰概念，连接直观，几乎不需要抽象就能理解。

如何亲手运行和探索这些稀疏电路？

OpenAI开源了完整项目：https://github.com/openai/circuit_sparsity

安装步骤

git clone https://github.com/openai/circuit_sparsity.git
cd circuit_sparsity
pip install -e .

启动交互式可视化仪表盘

streamlit run circuit_sparsity/viz.py

仪表盘会自动从OpenAI公共存储下载数据并本地缓存。左侧栏可以选择：

• 模型（csp_yolo1、csp_yolo2、csp_sweep1_* 等）
• 任务（如 single_double_quote）
• 剪枝sweep版本（如 prune_v4）
• 节点预算 k

主界面使用Plotly绘制交互式电路图，支持：

• 查看每个节点的激活预览
• 消融（ablation）影响热图
• token级激活分布

图：仪表盘截图，展示词嵌入/位置嵌入选项卡，带节点消融影响和激活预览

运行模型推理

项目提供轻量级GPT实现，适合CPU/GPU推理。

from circuit_sparsity.inference.gpt import GPT, GPTConfig, load_model
from circuit_sparsity.inference.hook_utils import hook_recorder
from circuit_sparsity.registries import MODEL_BASE_DIR

# 加载预训练稀疏模型
model = load_model(f"{MODEL_BASE_DIR}/models/csp_yolo2", cuda=False)

# 前向传播并记录激活
with hook_recorder() as rec:
    logits, loss, _ = model(tokens)

# rec 包含所有中间激活，如 {"0.attn.act_in": tensor(...), ...}

可用模型一览

常见问题解答（FAQ）

权重稀疏模型和普通的稀疏（如MoE）有什么区别？

这里的权重稀疏是指每个权重矩阵中大部分元素永久为零（L0小），而MoE模型虽然激活路径稀疏，但权重本身几乎全是密集的。

为什么不直接在现有大模型上做可解释性研究？

密集模型中广泛存在叠加（superposition），计算高度纠缠。稀疏训练从根本上减少了这种纠缠，让电路更易分离。

稀疏模型能达到前沿模型性能吗？

目前训练和部署效率低，规模受限。但研究表明稀疏训练是理解计算原理的有力工具，未来可能通过桥接技术或更高效训练方法应用到密集模型。

剪枝得到的电路真的可信吗？

论文使用均值消融（mean ablation）验证：只保留电路节点就能保持任务性能；删除电路中任何节点都会严重损害性能。这比许多现有电路研究更严格。

我能在本地运行所有模型吗？

是的，所有模型和可视化数据都公开。数据存储在 https://openaipublic.blob.core.windows.net/circuit-sparsity，仪表盘会自动下载。

如何清除缓存重新下载数据？

运行项目中的 clear_cache.py 脚本。

未来方向（论文中提到的）

1. 把技术扩展到更大模型，解释更复杂行为。
2. 从现有密集模型中提取稀疏电路，而不是从头训练。
3. 开发更高效的稀疏训练技术，使其更接近生产部署需求。

这项工作虽然距离完全理解最强大模型还有很长路要走，但它首次展示了：通过改变训练方式，我们确实可以让模型的内部计算变得显著更易理解。对于那些希望深入研究神经网络“思考”过程的人来说，这是一个宝贵的起点和工具集。

如果你对机制可解释性（mechanistic interpretability）感兴趣，强烈建议克隆仓库、启动仪表盘，亲自探索这些稀疏电路——那种看到一个清晰算法从权重中浮现的感觉，真的很奇妙。