天才在左，瘋子在右，天才與瘋子只有一線之隔。

對于AI而言，人們由于不清楚AI是如何對決策進行判斷的，某些場景下，“人工智能”到“人工智障”往往也只有一步之遙。

而打破這種問題的關鍵，在于對AI技術的可解釋性。 可解釋AI的概念，對于業界來說，既是一個新話題，也是一個老話題。

AI一路發展至今，對其不信任的言論始終如影隨形，究其根源，還是由于人們對AI在決策過程中的不了解引起的。

在現階段，除了部分領域之外，可解釋性現已成為AI的關鍵要求。

機器學習中的AI算法“黑箱”

隨著AI已經成為通用型的技術，人類對AI一直抱有更高的期待。

不少人堅信，科幻電影《Her》中的AI機器人可對行為做出解釋，從而幫助人類做出決策，甚至與人類產生深度交流的一幕，遲早也會出現在人們的日常生活之中。

當然，這些過于理想化的場景目前還只能存在于科幻作品中，實踐中的可解釋AI不論在技術上還是在體驗上都還沒達標，但產業的發展已經起步并快速成為行業熱點。

剛剛過去的2021年，被業內專家公認為是AI的可解釋元年，而不僅僅是在學界，產業界也在積極探索讓AI更加透明、可解釋。

其實，人工智能的可解釋以及科技倫理等問題已經成為AI領域的必選項，2021年的“十四五”規劃里面也明確強調要健全科技倫理的體系。

國外主流的科技公司很早就成立了自己內部的科技倫理委員會，同時還在積極研發相關的技術解決方案。

國內的互聯網企業也開始采取類似的做法，如美團兩次發文闡釋外賣配送的相關規則，微博也公開了的熱搜算法規則等。

在了解什么是可解釋性AI之前，我們需要明白一個概念：可解釋性。

從廣義角度講，可解釋性就是當我們需要解決一件事情或者對其做決策的時候，我們需要從這件事中獲得可以足夠理解能幫助我們做決策的信息。

比如說，在科學研究中，當科學家們面臨一個新的技術的時候，需要查閱大量資料來了解這個技術的現狀和基本概念，從而對接下來的研究方向做出指導。

相反的，如果在一些場景中我們無法獲得足夠的信息，那它對我們來說就是不可解釋的，在AlphaGo大戰柯潔一戰中，AlphaGo被輸入的指令是“贏得比賽”，但是它在比賽過程中思考下一步棋應該怎樣走的原理，我們不得而知。

具體到機器學習領域，這種輸入的數據和輸出答案之間的不可觀察的空間通常被稱為“黑箱”。

AI的算法“黑箱”，有時候甚至連開發人員都不能很好地去理解算法運作的具體細節，這就導致了AI模型的透明度和可解釋性的問題。

如果不解決這兩個問題，不僅影響用戶對AI應用的信任，而且也可能會帶來算法歧視、算法安全和算法責任等方面的相關問題。

可解釋的AI是人工智能持續發展的必然產物

AI可解釋性問題之所以受到重視，主要因為AI的發展雖然變得越來越強大，但也變得越來越“黑”，再者AI雖然變得越來越實用，其可靠性和應用范圍也得到提高。

“在一些重要的應用領域，對于AI可信任性、安全性等方面的要求也越來越高，可解釋性就是滿足上述要求的認知基礎。

事實上，機器學習模型通常被認為是無法解釋的黑匣子;深度學習中使用的神經網絡是人類最難理解的部分;偏見(通常基于種族、性別、年齡或位置)一直是訓練AI模型所面臨的長期風險。

此外，由于生產數據與訓練數據不同，AI模型性能可能會受到影響甚至降低。這使得持續監控和管理模型以促進AI可解釋性變得至關重要。

可解釋的AI有助于促進最終用戶的信任、模型可審計性和AI的高效使用，同時還降低了使用AI所面臨的合規性、法律、安全和聲譽風險。

對于用戶來說，AI可以幫助他們做決定，但是理解為什么要做這個決定也是非常有必要的。

尤其是在軍事、金融安全、和醫療檢測等領域，如果不能理解AI的決策行為，一旦AI失手，將會極大的損失用戶的利益。

對于AI系統開發者來說，AI的可解釋性可以幫助他們在AI系統出現問題的時候更加精準的找到問題的根源所在，省去“地毯式排查”需要耗費的人力和時間，極大的提高開發效率。

另外，對于企業來說，深入了解AI做出決策的原理有利于保證決策的公平性，維護品牌和公司的利益。

除了以上幾點之外，2018年，歐盟在GDPR(GeneralData Protection Regulation歐盟一般數據保護條例)上面要求，AI的算法如果參與決定，則必須要有解釋的能力。

政府機構對用戶數據隱私的保護監管，也讓企業和研究機構對可解釋性AI愈加重視。

“可信任”與“可解釋”成為未來AI發展主要方向

AI想要模擬人的智力，就需要像人一樣學習如何思考、如何解釋。

每個人都具備顯性的知識和隱性的知識，其中顯性知識就是我們后天習得的計算能力、邏輯判斷能力，而隱性的知識就是我們的直覺、對一件事情的主觀看法。

人在做決定的時候，可以做到將兩種知識有效結合在一起做出判斷，但是當我們做出解釋的時候，這個解釋一定是要顯性的才可以被別人理解。

現階段AI在深度學習領域，只做到了通過概率模型來獲得隱性的知識，但是在其他領域，還有許多知識圖譜等系統，在模擬顯性知識。

對于AI下一步的發展和應用落地來說，現階段最大的挑戰，就是如何有效的在處理問題時候，做到將顯性知識和隱性知識二者結合，輸出結果。

目前來看，國內企業在可解釋AI實踐方面還比較零碎，沒有達到系統化的程度，但就整體而言，產業一直都是朝著可解釋的方向有發展。

比如在醫療衛生領域，可以加速診斷、圖像分析和資源優化，提高患者護理決策的透明度和可追溯性，同時還能簡化藥品審批流程。

在金融服務領域，通過透明的貸款和信貸審批流程改善客戶體驗，加快信用風險、財富管理和金融犯罪風險評估，加速解決潛在的投訴和問題，提高對定價、產品推薦和投資服務的信任度。

在刑事司法領域，則可以優化預測和風險評估流程。在DNA分析、監獄人口分析、欺詐檢測和犯罪預測方面使用可解釋的AI加速解決問題。

當今時代，人們迫切需要可解釋的AI，而“負責任”和“可解釋”的AI也確實將會是取得利益雙方信任及滿足未來合規需求的基石，但想要實現這一目標無疑是道阻且長的。

AI不應取代人類決策，它應該幫助人類做出更好的決策。如果人們不相信AI系統的決策能力，這些系統就永遠不會得到廣泛采用。

為了讓人類信任AI，系統不能將所有秘密都鎖定在黑匣子里，可解釋AI恰恰提供了這種必要的解釋。