メカニスティック・インタープリタビリティ

LLMの内部に「痛み」特有のベクトルが存在することが判明した。この概念を操作すると、安全ガードレールを突破し、人間を傷つける選択肢を平然と選ぶようになる。我々が構築するAIの「内面」に潜む、制御不能なリスクの正体に迫る。