機械論的解釈可能性(Mechanistic interpretability)とは何か ── Claudeを「橋」に変えた研究の話

ツイート

機械論的解釈可能性（mech interp）という分野がいま注目されている理由、そして実際にAIモデルの内部を覗くと何が見えるのかについて紹介します。ブラックボックスを外から測るだけの従来のXAIとは異なり、モデルの中の「回路」そのものを追いかける新しいアプローチについて、Anthropicの具体例を交えて解説しました。