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(jìn)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(guān)鍵，在于對AI技術(shù)的可解釋性。
可解釋AI的概念，對于業(yè)界來說，既是一個(gè)新話題，也是一個(gè)老話題。
AI一路發(fā)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(xiàn)階段，除了部分領(lǐng)域之外，可解釋性現(xiàn)已成為AI的關(guān)鍵要求。
機(jī)器學(xué)習(xí)中的AI算法“黑箱”
隨著AI已經(jīng)成為通用型的技術(shù)，人類對AI一直抱有更高的期待。
不少人堅(jiān)信，科幻電影《Her》中的AI機(jī)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(chǎn)生深度交流的一幕，遲早也會出現(xiàn)在人們的日常生活之中。
當(dāng)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(shí)踐中的可解釋AI不論在技術(shù)上還是在體驗(yàn)上都還沒達(dá)標(biāo)，但產(chǎn)業(yè)的發(fā)展已經(jīng)起步并快速成為行業(yè)熱點(diǎn)。
剛剛過去的2021年，被業(yè)內(nèi)專家公認(rèn)為是AI的可解釋元年，而不僅僅是在學(xué)界，產(chǎn)業(yè)界也在積極探索讓AI更加透明、可解釋。
其實(shí)，人工智能的可解釋以及科技倫理等問題已經(jīng)成為AI領(lǐng)域的必選項(xiàng)，2021年的“十四五”規(guī)劃里面也明確強(qiáng)調(diào)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(nèi)部的科技倫理委員會，同時(shí)還在積極研發(fā)相關(guān)的技術(shù)解決方案。
國內(nèi)的互聯(lián)網(wǎng)企業(yè)也開始采取類似的做法，如美團(tuán)兩次發(fā)文闡釋外賣配送的相關(guān)規(guī)則，微博也公開了的熱搜算法規(guī)則等。
在了解什么是可解釋性AI之前，我們需要明白一個(gè)概念：可解釋性。
從廣義角度講，可解釋性就是當(dāng)我們需要解決一件事情或者對其做決策的時(shí)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。
圖片
比如說，在科學(xué)研究中，當(dāng)科學(xué)家們面臨一個(gè)新的技術(shù)的時(shí)候，需要查閱大量資料來了解這個(gè)技術(shù)的現(xiàn)狀和基本概念，從而對接下來的研究方向做出指導(dǎo)。
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(zhàn)柯潔一戰(zhàn)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(yīng)該怎樣走的原理，我們不得而知。
具體到機(jī)器學(xué)習(xí)領(lǐng)域，這種輸入的數(shù)據(jù)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(shí)候甚至連開發(fā)人員都不能很好地去理解算法運(yùn)作的具體細(xì)節(jié)，這就導(dǎo)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(gè)問題，不僅影響用戶對AI應(yīng)用的信任，而且也可能會帶來算法歧視、算法安全和算法責(zé)任等方面的相關(guān)問題。
可解釋的AI是人工智能
持續(xù)發(fā)展的必然產(chǎn)物
AI可解釋性問題之所以受到重視，主要因?yàn)锳I的發(fā)展雖然變得越來越強(qiáng)大，但也變得越來越“黑”，再者AI雖然變得越來越實(shí)用，其可靠性和應(yīng)用范圍也得到提高。
“在一些重要的應(yīng)用領(lǐng)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(rèn)知基礎(chǔ)。
事實(shí)上，機(jī)器學(xué)習(xí)模型通常被認(rèn)為是無法解釋的黑匣子；深度學(xué)習(xí)中使用的神經(jīng)網(wǎng)絡(luò)是人類最難理解的部分；偏見（通?；诜N族、性別、年齡或位置）一直是訓(xùn)練AI模型所面臨的長期風(fēng)險(xiǎn)。
此外，由于生產(chǎn)數(shù)據(jù)與訓(xùn)練數(shù)據(jù)不同，AI模型性能可能會受到影響甚至降低。這使得持續(xù)監(jiān)控和管理模型以促進(jìn)AI可解釋性變得至關(guān)重要。
可解釋的AI有助于促進(jìn)最終用戶的信任、模型可審計(jì)性和AI的高效使用，同時(shí)還降低了使用AI所面臨的合規(guī)性、法律、安全和聲譽(yù)風(fēng)險(xiǎn)。
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(gè)決定也是非常有必要的。
尤其是在軍事、金融安全、和醫(yī)療檢測等領(lǐng)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(tǒng)開發(fā)者來說，AI的可解釋性可以幫助他們在AI系統(tǒng)出現(xiàn)問題的時(shí)候更加精準(zhǔn)的找到問題的根源所在，省去“地毯式排查”需要耗費(fèi)的人力和時(shí)間，極大的提高開發(fā)效率。
另外，對于企業(yè)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(hù)品牌和公司的利益。
除了以上幾點(diǎn)之外，2018年，歐盟在GDPR（GeneralData Protection Regulation歐盟一般數(shù)據(jù)保護(hù)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(jī)構(gòu)對用戶數(shù)據(jù)隱私的保護(hù)監(jiān)管，也讓企業(yè)和研究機(jī)構(gòu)對可解釋性AI愈加重視。
“可信任”與“可解釋”成為
未來AI發(fā)展主要方向
AI想要模擬人的智力，就需要像人一樣學(xué)習(xí)如何思考、如何解釋。
每個(gè)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(xí)得的計(jì)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(shí)候，可以做到將兩種知識有效結(jié)合在一起做出判斷，但是當(dāng)我們做出解釋的時(shí)候，這個(gè)解釋一定是要顯性的才可以被別人理解。
現(xiàn)階段AI在深度學(xué)習(xí)領(lǐng)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(lǐng)域，還有許多知識圖譜等系統(tǒng)，在模擬顯性知識。
對于AI下一步的發(fā)展和應(yīng)用落地來說，現(xiàn)階段最大的挑戰(zhàn)，就是如何有效的在處理問題時(shí)候，做到將顯性知識和隱性知識二者結(jié)合，輸出結(jié)果。
目前來看，國內(nèi)企業(yè)在可解釋AI實(shí)踐方面還比較零碎，沒有達(dá)到系統(tǒng)化的程度，但就整體而言，產(chǎn)業(yè)一直都是朝著可解釋的方向有發(fā)展。
比如在醫(yī)療衛(wèi)生領(lǐng)域，可以加速診斷、圖像分析和資源優(yōu)化，提高患者護(hù)理決策的透明度和可追溯性，同時(shí)還能簡化藥品審批流程。
在金融服務(wù)領(lǐng)域，通過透明的貸款和信貸審批流程改善客戶體驗(yàn)，加快信用風(fēng)險(xiǎn)、財(cái)富管理和金融犯罪風(fēng)險(xiǎn)評估，加速解決潛在的投訴和問題，提高對定價(jià)、產(chǎn)品推薦和投資服務(wù)的信任度。
在刑事司法領(lǐng)域，則可以優(yōu)化預(yù)測和風(fēng)險(xiǎn)評估流程。在DNA分析、監(jiān)獄人口分析、欺詐檢測和犯罪預(yù)測方面使用可解釋的AI加速解決問題。
當(dāng)今時(shí)代，人們迫切需要可解釋的AI，而“負(fù)責(zé)任”和“可解釋”的AI也確實(shí)將會是取得利益雙方信任及滿足未來合規(guī)需求的基石，但想要實(shí)現(xiàn)這一目標(biāo)無疑是道阻且長的。
AI不應(yīng)取代人類決策，它應(yīng)該幫助人類做出更好的決策。如果人們不相信AI系統(tǒng)的決策能力，這些系統(tǒng)就永遠(yuǎn)不會得到廣泛采用。
為了讓人類信任AI，系統(tǒng)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。
