"Interpretability Dreams：Anthropic 探索机制可解释性的未来愿景"

Anthropic 的 Chris Olah 探讨了机制可解释性的未来目标，旨在解决叠加挑战，并建立理解高级结构的基础。研究聚焦于特征和电路的识别，并希望将微观发现扩展到宏观层面，以实现可扩展性和自动化可解释性，最终为神经网络的结构和安全性做出贡献。