Große Sprachmodelle demonstrieren bemerkenswerte Fähigkeiten – das Verfassen von Essays, das Lösen mathematischer Probleme und die Codegenerierung – doch ihre internen Denkmechanismen bleiben weitgehend undurchsichtig. Während Forscher beobachten können, wie sich Milliarden von Parametern während des Trainings verändern, bleibt die grundlegende Logik dieser Systeme verborgen, sodass die Ingenieurspraxis der wissenschaftlichen Erkenntnis voraus ist.

Thomas Icard, Professor für Philosophie und Informatik an der Stanford University, trägt zur Interpretabilitätsforschung bei, indem er Werkzeuge aus Logik und kognitiver Wissenschaft anwendet. Der entstehende Ansatz verbindet mechanistische Interpretierbarkeit – die Untersuchung einzelner Modellkomponenten und ihrer Wechselwirkungen – mit Kausalinferenzmethoden aus der Kausalitätstheorie. Diese Integration ermöglicht es Forschern, Hypothesen darüber zu konstruieren und zu testen, wie spezifische neuronale Pfade zu Modellausgaben beitragen.

Durch die Betrachtung des LLM-Denkens durch eine Kausalitätslinie können Forscher Entscheidungspfade durch das Netzwerk verfolgen, identifizieren, welche Modellkomponenten bestimmte Ausgaben steuern, und höherstufige Abstraktionen des algorithmischen Verhaltens konstruieren. Dieser Rahmen adressiert eine grundlegende Lücke: das Verständnis nicht nur dessen, was Modelle berechnen, sondern wie sie es auf sinnvolle Abstraktionsebenen jenseits einzelner Parameter tun.