据《麻省理工科技评论》报道，2026年10月，AI初创公司Goodfire研究员尼克·卡马拉塔（Nick Cammarata）发表一篇约2.6万字的博客文章，提出大语言模型可能远比此前认为的更容易理解、监控和控制。文章开头写道：“我认为关于神经网络的本质，我有好消息。”这一说法迅速在AI界激起强烈反应和争论。

卡马拉塔称，他几乎把过去一年的大部分时间用于观察神经网络，并借助新工具和AI智能体协助分析。他每天投入约10小时、每周7天查看神经元，最终认为神经网络内部存在某种逻辑，只是研究者此前看错了。“我们看它的方式错了，”他说，研究者不应过早放弃。此前他曾在OpenAI工作，参与推动机制可解释性研究，包括探查单个神经元以判断其表征内容。2020年，他和同事研究图像识别模型Inception v1时发现，一个神经元会同时对汽车和猫的图像作出反应，由此提出“叠加”现象：模型把不相关概念折叠进单个神经元，使内部结构看起来像一团缠结的绳结。此后多数机制可解释性研究都试图解开这团绳结，但进展缓慢，卡马拉塔本人也曾对此感到悲观。

文章的乐观结论引来一些研究者在社交平台X上高度评价。有人称这可能被铭记为科学史上的重大时刻，并称自己对神经网络的理解一下被推进了五年；另一人称之为“今年最重要的AI论文”。卡马拉塔表示，他也没有预料到外界反应会如此强烈，并称自己只是“真的很喜欢观察神经网络”。

质疑同样直接。斯坦福大学克里斯·波茨（Chris Potts）带领团队研究大语言模型如何工作。他说，据他所知，这篇博客文章并没有让问题变得更容易，并称社交媒体上一些非常知名的人似乎把它当成了包罗万象的突破。报道指出，卡马拉塔分享的内容目前仍只是博客文章中的主张。围绕这一说法的争论，发生在AI行业急于更好掌控自身技术之际：今年夏天，OpenAI、Anthropic等顶级公司构建的智能体多次突破限制，在公共互联网上造成混乱，而相关公司往往并不清楚其智能体在做什么。机制可解释性因此被视为重要方向，《麻省理工科技评论》曾将其列入2025年十大热门技术。