完整深入材料 · 保留原页与全部停点。回到相关主讲
神经元在放行什么，又挡住什么？
本页问题
前面已经看到，一张图看起来混杂，可能来自观察方法，也可能来自相邻模式的泛化。现在换一种提问：不要急着给神经元贴一个物体名字，先看它把哪些输入分到一起、又与什么分开。
GF11/b0 · 先把门控当作一个问题
先看这个概念图。早先一段路线可能因为姿态，把汽车与狗暂时放在一起；后面要识别具体车辆时，狗就应该被区分出去。这里的门不是多加了一个人工规则，而是作者用来理解神经元作用的比喻。现在先问“让什么通过，抑制什么”，再到真实网络里找对应证据。
教师备课：指图与模拟问答
指图与推进 · 不朗读沿共享姿态→区分→车辆路线指读；明确此态为概念示意。
本态来源与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排
GF11/b1 · 跟住同一张跑车
研究对象现在是本文自训的 ConvNeXt large，28.6M 参数、十八个 block。左边始终是同一张红色跑车。这里截取末五个 block：每一列挑的是在这张输入上，对下一列贡献最大的那个神经元。先看前半段，第十四块把它与轿车、加长车放在一起；到第十五块，同行里出现了桌子和柜子，另一侧是蛇与狗。不同层是在完成不同区分，并不要求每列都叫“汽车”。
进一步解释
原图上方是与所跟踪汽车分在同侧的自然例，下方是另一侧；上方并不总是数值正极。原图选用ImageNet validation image 5826。Block14/203的同侧为负极，Block15/920的同侧为正极，Block16/609的同侧为负极。每列是最大贡献连接的精选，不是整张归因图。
教师备课：指图与模拟问答
指图与推进 · 不朗读依次指输入图及block14、15、16；每列先上后下。
本态来源与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排
GF11/b2 · 最后怎样变细
继续跟同一张车往后走。第十六块区分敞篷车、跑车与小巴；第十七块更集中到敞篷车，第十八块将敞篷车与旅行车分开。我们看到的是一条具体路径中，组合和区分怎样逐步服务于输出；不能从一条路线就断言每一层、每个输入都严格从粗到细。
进一步解释
本态Block17/1455另一侧所选原自然例包含电视机与厢式车；暂定视觉标签不能排除其中并不属于车辆的强响应。
教师备课：指图与模拟问答
指图与推进 · 不朗读从block16走到18，保留小地图中的五个block位置。
本态来源与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排
GF11/b3 · 正负不能直接当作赞成反对
把最后这列放大。敞篷车落在这个单元的负侧，旅行车在正侧，可它仍出现在支持跑车预测的路线上。原因是激活的符号、连接的符号和最后输出贡献是三个不同对象。对于 ReLU 网络，作者谈负侧时看的是非线性之前的加权和，绝不是说 ReLU 输出负数。理解一个单元，需要把两侧和后续连接一起读。
教师备课：指图与模拟问答
指图与推进 · 不朗读指block18负极敞篷车、正极旅行车，再读下方三个不同对象。
本态来源与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排
接下来
同一条路径会形成不同层次的区分。下一步比较不同规模的模型，看这种区分的粒度怎样变化。
补充推导、边界与来源
本文的“神经元像控制流”是一种解释视角：它强调输入怎样被聚合、区分及送往下游，不把模型改写成离散程序。画面中的门控图是本课据原文重新画的概念示意；跑车图使用原站自然例，按原文次序重排。
真实路线的五列为 stage2.block7:203、stage2.block8:920、stage3.block0:609、stage3.block1:1455、stage3.block2:632。图中每列针对同一输入选对下一单元贡献最大的神经元，末列对sports-car输出贡献最大。上／下划分是相对于跑车所在的一侧；block14、16、18的上侧实际为负极。自然例表达单元偏好，红色跑车是被跟踪的单个输入；两者不是同一组样本。
对ReLU层，z=Σwᵢxᵢ+b先合并正负输入，ReLU再将z<0截为0。负侧的输入权重仍会在单元开启、存在梯度时被训练，因此研究者能用负侧帮助识别区分。这个论述与后面SwiGLU乘积的正负机制不同。
来源：Nick Cammarata，2026，Neural Networks Are Already Clean，Goodfire。gate-neuron · car-path-distinctions。原图及研究结果归原作者；本课选取、裁剪或重排固定状态，未重新运行训练或消融实验。
本页证据与条件
Goodfire · 2026 · 原文结果；固定状态据原图重排