可解释性
“我们所看见的一切，都是由我们看不见的事物投下的影子。”——Martin Luther King, Jr.，1961 年在 Detroit Council of Churches 的布道
本章（目前仍为提纲性质）转向讨论 LLM 可解释性（interpretability），有时也称为 机制可解释性（mechanistic interpretability）。研究者在这一领域中寻找方法，帮助我们理解语言模型如何实现其行为。大量工作聚焦于揭示模型的内部表示，例如它们似乎编码了何种意义；还关注模型进行推理的路径，以及我们能否描述特定的“回路”。