打開黑盒子：大型語言模型的機制解釋性入門 系列

這個系列面向具備基本 AI 與機器學習能力的讀者。Mechanistic Interpretability 是 AI Safety 中重要的一環：當模型能力愈來愈強，我們不只需要評估它做了什麼，也需要理解、監控甚至介入它內部形成行為的機制。文章將從「 factual recall」這個小謎題出發，循序介紹 probing、causal intervention、circuits 與 model psychology 等。每篇以問題帶出方法，搭配圖解、互動工具與可執行範例，帶讀者理解現有工具能回答什麼、不能證明什麼，並具備設計自己第一個 interpretability 小實驗的基礎。