#バックドア検出

機械的解釈可能性がMIT 2026ブレークスルーに選出 ── LLMの「ブラックボックス」を終わらせるリバースエンジニアリング手法

機械的解釈可能性（mechanistic interpretability）が注目されている。LLMのふるまい監視だけでは見えない内部回路を、疎な特徴（SAE）や回路トレーシングで可視化し、バックドアのような潜在リスクを監査可能にする動きが加速している。