一句话定义：多语义神经元（Polysemanticity）指神经网络中的单个神经元会对一组语义上毫不相关的输入都强烈激活——它同时"负责"法律条文、体育赛事和否定语气，而你找不到一个词能概括它。
它是怎么被发现的
研究者常做一件很朴素的事：挑一个神经元，把它在大量文本上的激活值排序，取最高的几十段看看它"喜欢"什么。理想情况下这些片段主题一致，比如全是"细胞""蛋白质""DNA"——这叫单语义神经元（Monosemy），是可以命名的。但实际更常见的是一锅大杂烩：既有"根据合同法第十条"，也有"第三节比赛结束"，还有"并不认为"。这就是多语义。
为什么会这样？主流解释是叠加（AI 词典：Superposition">Superposition）：模型要表达的概念数量远多于它拥有的神经元维度，于是它没有给每个概念配一个专属单元，而是让多个概念共享同一批方向，靠激活的不同组合来区分。就像三个人合租一间办公室，谁在里面、灯开了几盏、桌上摊着什么，组合起来才能判断此刻是谁在用。
打个更直观的比方：一只标签全被磨掉的老式配电箱。你拉下三号闸，走廊灯灭了，同时冰箱停了、窗帘自己合上了。你知道它有用，但没法给它起名字，更不敢随便乱动。
和相邻概念的区别
| 单语义神经元 | 多语义神经元 | |
|---|---|---|
| 最高激活样本 | 主题集中，可命名 | 主题混杂，难命名 |
| 表示效率 | 低（一概念一单元） | 高（共享单元） |
| 可解释性 | 好 | 差 |
容易混淆的几个词：多语义说的是"一个单元管好几件事"这个现象；叠加（Superposition）说的是"为什么会这样"的机制解释，即特征数量超过维度、只能把它们塞进近似正交的方向里；特征（Feature）是可解释性研究更愿意使用的单位，它未必等于单个神经元，也可能是神经元空间里的某个方向。自编码器">稀疏自编码器（Sparse Autoencoder, SAE）就是试图把混在一起的特征重新拆开、逼近单语义的一种字典学习手段，具体效果与参数设置请以论文和官方代码库为准。
对从业者意味着什么
第一，别用"看某个神经元激活最高的样本"来给模型行为下结论。一条看似"欺骗"的神经元，可能同时管着"电影里的反转"和"化学里的相变"，你据此得出的解释会很片面。
第二，做神经元级编辑要格外小心——去偏见、注入知识、剪枝都算。改动一个多语义单元，很可能顺带弄坏一堆无关能力，改完必须在宽泛的任务上回归验证。
对普通职场人来说，这件事的现实含义是：模型内部并不存在"某个开关就对应某个概念"的干净映射，所以"把那个坏念头关掉就行"这种直觉在工程上并不好落地。这也是可解释性至今仍是硬骨头的原因——不是没人看，而是打开盖子后发现每根线都串着好几个房间。