Khả năng diễn giải cơ học là một phương pháp nghiên cứu cố gắng chia nhỏ cấu trúc bên trong của mạng lưới thần kinh thành các đơn vị mạch và làm rõ quá trình suy luận của mô hình ở dạng mà con người có thể xác minh được.
Khả năng diễn giải cơ học là một lĩnh vực được phát triển chủ yếu bởi các viện nghiên cứu như Anthropic và là một cách tiếp cận cố gắng chia nhỏ trọng lượng và kích hoạt của mạng lưới thần kinh thành các đơn vị mà con người có thể đọc được như "tính năng" và "mạch" và giải thích nguyên nhân tại sao một mô hình tạo ra đầu ra của nó. Các ví dụ điển hình bao gồm trích xuất tính năng bằng bộ mã hóa tự động thưa thớt (SAE) và phương pháp xác định chính xác việc vô hiệu hóa các mạch cụ thể và quan sát những thay đổi trong hành vi. Trong vận hành thực tế tính đến năm 2026, mô hình mục tiêu càng lớn thì số lượng mạch càng nhiều và việc có được lời giải thích toàn diện sẽ đòi hỏi chi phí tính toán đáng kể và nguồn nhân lực chuyên môn, được cho là rào cản trong lĩnh vực này. Vì lý do này, nhiều công ty ngày càng lựa chọn áp dụng các phương pháp diễn giải cho các lĩnh vực có rủi ro được ưu tiên cao như an toàn và sai lệch, thay vì mổ xẻ toàn bộ mô hình. Nói chung, chỉ các phòng thí nghiệm lớn mới có thể duy trì các nhóm nghiên cứu phiên dịch chuyên dụng và việc các cơ sở phát triển vừa và nhỏ mượn một phần và vận hành các bộ công cụ phiên dịch nguồn mở là thực tế.