Circuit在人工智能领域特指神经网络中的计算路径或功能模块，是理解大模型内部工作原理的关键单元。近期，随着大模型规模不断扩大，研究人员开始深入探索这些内部电路的形成机制和功能特性。
Circuit 近期进展
2025年9月，研究人员提出PIR方法，能够从大模型内部状态读出被隐瞒的答案，为模型解释性提供了新工具。给大模型测谎：PIR 从内部状态读出被隐瞒的答案
2023年8月，Circuit Condensation方法被提出，通过行为因果电路压缩技术，大幅减少了模型参数量同时保持功能完整性。Circuit Condensation：行为因果电路压缩方法
2023年6月，双向条件流匹配技术被应用于解决混沌系统逆问题，展示了电路分析在复杂系统中的潜力。用双向条件流匹配解决混沌系统逆问题
当前焦点与观察点
当前，Circuit研究正朝着更高效、更可解释的方向发展。NSAC方法受生物启发，将随机注意力电路用于概率表示学习，为神经网络设计提供了新思路。NSAC：受生物启发的随机注意力电路用于概率表示学习
同时，Anthropic团队开发的Circuit Tracing技术致力于揭示语言模型的完整计算图，这将有助于我们更深入理解大模型的决策过程。Circuit Tracing: 揭示语言模型计算图
总体来看，Circuit研究正处于快速发展阶段，不仅推动了大模型解释性技术的进步，也为构建更高效、更可控的神经网络提供了理论基础。