英文：Mechanistic Interpretability 分类：alignment
逆向工程神经网络的内部计算机制（权重、激活、电路），理解模型"如何"实现特定行为，是对齐与安全研究的前沿方向。
方法：激活分析（神经元响应）、特征可视化、电路发现（注意力头/MLP 协作）、稀疏自编码器（解耦特征）、探针（线性读出）；目标：定位能力/安全相关机制（如越狱触发器）；挑战：规模化（万亿参数）与自动化。
用于安全审计（找幻觉/越狱根因）、模型调试（行为归因）、对齐验证（检测隐藏目标）与 AI 理论研究；机制可解释性是"打开模型黑箱"的科学路径。