神经元

换句话说，这个神经元识别的始终是一种跨越物体类别的基础视觉形状。

这一结果的重要性在于，一份可靠的神经元解释应该具有预测能力。

这些结果为神经元解释的预测能力提供了定量证据。

他曾深度参与OpenAI早期的机制可解释性研究，也是推动用大模型自动解释神经元的核心成员之一。

早期用于分析神经元特征的可视化方法，有时会在生成图像中引入额外的纹理和伪影，让研究人员误判神经元的功能。

这一假说认为，神经网络的物理神经元数量有限，却需要表达数量庞大的现实特征。

在实验中，他将InceptionV1某一层的神经元数量从480个减少到10个，再重新训练模型。

前OpenAI研究员发现，90%的神经元功能可以解释2026年10月16日10:05DeepTech深科技10月15日，前OpenAI研究员、现任Goodfire研究员NickCammarata在社交平台上分享了一项引发AI研究界关注的发现——大型神经网络的内部结构，可能远比过去认为的更容易理解。

90%的神经元功能，开始被破解

除了观察方法，模型架构也会影响神经元功能的清晰程度。

随着越来越多神经元的功能得到解释，研究人员可以利用已有的连接关系，进一步推断那些尚未理解的部分，逐步构建更加完整的神经网络功能地图。