Anthropic如何给Claude的“黑箱思考”画地图

在中文语境里，很多人会把大模型理解成“会聊天的黑箱”：它给出的答案看似条理清楚，但答案背后到底经过了怎样的计算，并不会自动摊开给人看。Anthropic对Claude做的可解释性研究，核心就是尝试给这个黑箱配一台“显微镜”——不是看一段模型秘密写下的内心独白，而是让研究者能检查Claude生成文字时的部分内部计算。

不是“读心术”，而是造仪器

大型语言模型在写出每一个词时，背后都有大量计算。Anthropic称，这些策略被编码在模型为每个词执行的“数十亿次计算”中；即使是模型开发者，如果没有专门工具，也很难直接看懂这些计算。

因此，Anthropic所说的AI“显微镜”更像是一套研究仪器：把原本难以理解的神经网络活动，转换成研究者可以命名、观察、测试的结构。这和简单询问“Claude，你刚才为什么这么回答？”不是一回事。后者得到的仍然是一段模型生成的文本；前者试图触及生成文本之前的计算过程。

第一步：把内部激活整理成“特征”

Anthropic早期的一条主线，是在模型内部寻找可解释的概念。它把这些概念称为“特征”（features）。

可以把“特征”理解成一个抓手：当Claude处理某个问题时，模型内部会出现海量数字活动；研究者希望从中识别出稳定的模式，并给它一个相对可理解的名字，而不是只面对一堵由数字组成的墙。

这相当于地图的第一层。研究者不只问“Claude最后说了什么”，还会问：在生成这句话的过程中，哪些内部概念被激活了？这些概念是否与答案中的内容、语气或任务有关？

第二步：把“特征”连成“回路”

新的关键进展，是从单个特征走向“回路”（circuits）。Anthropic称，其研究把此前定位可解释概念的工作进一步扩展为：把这些概念连接成计算回路，从而揭示输入到Claude的词语如何被转换成输出词语的部分路径。

这一步很重要。单个特征只能说明“某个概念在模型内部出现了”；而回路追踪更接近于追问：这些概念之间如何相互影响？哪个环节推动了下一步计算？哪些内部路径参与了最终回答？

对于看起来像“推理”的行为，过程往往和结果一样关键。一个模型给出正确答案，并不等于研究者理解了它为什么能给出这个答案；回路追踪的意义，就在于试图把中间那段看不见的计算路径勾勒出来。

第三步：把工具用于真实的Claude行为

2025年3月，Anthropic表示分享了两篇相关论文：一篇把“特征”层面的可解释性推进到“回路追踪”，另一篇则把这套工具用于Claude 3.5 Haiku，研究若干简单任务，这些任务代表了十类关键模型行为。

Anthropic还把这类工作称为观察“AI生物学”。这个说法有一点类比意味：如果只看模型最终回答，就像只看一个生物体的外在行为；而可解释性工具则试图进一步观察其内部机制，看看哪些结构和路径可能解释这种行为。

为什么不能只让Claude自己解释

让Claude解释自己的答案，得到的仍然是一个输出结果。它可能流畅、合理，也可能只是事后组织出来的叙述。Anthropic的机制可解释性研究，关注的是产生这些文字的底层计算，而不是把模型的自我说明直接当作内部过程的证据。

因此，回路追踪提供的是另一类证据：不是让模型“讲讲你怎么想的”，而是用工具观察内部活动如何对应到特征、特征之间如何形成路径，以及这些路径如何参与从输入到输出的转换。

能看到什么，也看不到什么

这项工作能让Claude内部的一部分运作更清楚：哪些特征可能相关、这些特征如何连接、哪些计算路径似乎参与了某次回答。它也让研究者有机会把“表面表现”和“内部机制”放在一起比较，而不是只根据最终答案判断模型行为。

但边界同样重要。Anthropic自己的表述是“迈向显微镜的进展”，并称这些方法揭示的是从输入词语到输出词语路径中的“部分”环节。这意味着，现阶段的工具不能被理解为Claude所有计算的完整解码器，也不能被当成模型每一丝“想法”的可靠逐字记录。

一句话看懂

Anthropic让Claude的隐藏推理更容易理解，靠的是三步：先把部分内部激活翻译成可解释的“特征”，再追踪这些特征如何组成“回路”，最后把这张不完整但可检验的地图用于分析具体模型行为。它的价值在于把AI黑箱打开一条缝；它的局限也很明确——这仍是局部的科学测绘，不是全知全能的读心术。