【生成式人工智能-七-大型语言模型的可解释性】

今天我们在使用大模型的时候，通常都会说模型具有的上亿个参数，且通常是一个黑盒，根本无法用常规的思维去解释出现这些结果的原因，事实上大型语言模型真的是无法解释么，能否了解模型在想什么呢？要想了解这个问题，我们要先了解大语言模型是如何实现输出的。

语言模型是如何工作的

1.把文字变成Token

现在有一些库是可以切分Token的，一般来说一个汉字可能就是一个Token，NLTK库也是做这个事情的，每个模型会有自己的Token库

2.将Token表示成向量

具体的来说，其实就是把这些Token变成一个多维度的数组，这就叫做Embeding，这样的好处是什么，语义相近的词，可以用表示相近的Embeding，具体的做法就是查找一个Embeding表，这个Embeding表是通过一个简单的神经网络训练出来的，神经网络中的参数就是Embeding的向量。
当然这些Embeding是没有位置关系的，我们要考虑位置关系，就有了Postion Embeding，这个可以用固定的算法，也可以用算法学习出来，这些之前的文章讲过，不再赘述。可以看一下之前讲过的。https://blog.csdn.net/zishuijing_dd/article/details/136416702?spm=1001.2014.3001.5502

3.考虑上下文Attention

这些Embeding的向量没有考虑上下文的信息，但是上下文不同，同一个字的含义也可能是不同的意思，所以就有了通过Attention 来考虑上下文，并把这种关系记录到Embeding中，attention 获得的score分数越高，证明二者相关性越高，这部分也在之前的文档讲过，不再赘述。https://blog.csdn.net/zishuijing_dd/article/details/136416702?spm=1001.2014.3001.5502

4.编码器和解码器

上图是一个形象点的表示，当我们有了token的向量之后，我们就输入模型当中，模型分为Encoder和Decoder，Encoder负责处理输入，同时把生成的向量作为Decoder的输入，然后每次生成一个Token，然后 又把新生成的这个Token和Encoder的输出一起作为输入再次产生输出。最后decoder的输出就作为此次模型的输出

了解模型的整体工作流程之后，我们再次思考这个问题，语言模型无法解释体现在那些方面呢？

语言模型无法解释体现在那些方面？

1. 参数不公开
   如上encoder和decoder的神经网络，里面的参数众多，但是大多数模型并不公布它的参数

2. 推导出结论的思维不明确
   当我们采用Decision Tree的时候，我们可以很明确的看到得出这个结论的路径，但是这个大语言模型没有这样明确的路径

3. 模型是个黑盒子
   模型不是开源的，根本无法知道它内部的运作原理。

但是我们是否真的就完全无法解释大语言模型了么？
答案是否定的

语言模型通过什么方法可以获得解释性

我们有两种方法可以获取这种可解释性，通过语言模型的神经网络进行分析，或者可以直接跟它对话，询问原因。

通过语言模型的神经网络进行分析

通过对语言模型的内部的网络进行分析，我们通常可以做到以下这些：

找出哪些是影响输出的关键输入

比如 遮住某些词，查找对输出的影响

举个例子来说，我们可以遮住某一些词，如果不影响其中某些词的输出，说明这个词对其中这些词不是关键输入，反之则是关键输入

分析attention weight

上面计算attention 计算出来的score越大，我们可以认为这个Token对这个输出的重要性 越大。

分析关键资料，分析Embedding的信息等等

可以把神经网络每一层的输出分析，用它作为一个一个模型的输入来进行分析，看这一层的Embeding是否能具备了词法、文法等等的能力。

直接询问语言模型

除了分析模型内部的神经网络外，现在的语言模型虽然不开源，但是我们可以直接问它，说出回复这个答案的原因。
当然也衍生出了另外一个问题，这个答案究竟是模型胡乱编造接龙出来的，还是对的呢？当然这个也有人专门研究过，比如问它，输出这个字的置信度有多少，它的答案竟然很准确，当然也有很多例子能够说明他有很多真的是胡编乱造的。

找出这些可解释性，有什么作用？

我们费劲的找出可解释的模型，有什么用么，举两个例子：

可以预估模型的能力

比如我们可以可视化模型中每层layer之间对于每个输入的attention是否在变化，如果一直都是很平均，就说明模型还没有收敛的趋势，效果就不会很好

加速模型训练

可以从中观察那些数据对于模型是关键输入，我们就可以减少attention的数量，从而加速模型训练