腾讯刚发布不久的《可解释AI发展报告 2022——打开算法黑箱的理念与实践》，正应验了大厂治理 AI 的迫切性。

　　报告总共分为五部分，主要内容分别为可解释 AI 的概述、发展趋势、行业实践、对未来发展的看法以及最后总结。

　　可解释 AI 的概述部分，主要概述了机器学习模型所面临的可解释性挑战，可解释 AI 的意义，可解释 AI 与透明度、问责制，以及可解释 AI 局部和全局可解释的两个维度。

　　可解释 AI 发展趋势部分，主要解释了AI的透明性和可解释性逐渐成为立法和监管关注的焦点，对政府公共部门使用的 AI 系统提出较高的透明度与可解释性要求，对商业领域的AI系统在可解释性方面避免作“一刀切”要求，行业积极探索可解释AI的技术解决方案。

　　在可解释 AI 的行业实践部分，主要介绍了谷歌模型卡片（Model Cards）机制，IBM 的 AI 事实清单(AI Fact Sheets)机制，微软的数据集数据清单（datasheets for datasets）机制，其他可解释性AI工具以及可解释AI的腾讯实践。

　　在第四部分，主要讲述了对可解释AI未来发展的几点看法，包括立法和监督宜遵循基于风险的分级分类分场景治理思路；探索建立合理适度的、适应不同行业与应用场景的AI可解释性标准；探索可解释的替代性机制，形成对AI算法的有效约束；引导、支持行业加强可解释AI研究与落地，确保科技向善；增强社会公众的算法素养，探索人机协同的智能范式。

　　作为业内首份AI报告，获得学界和业界专家普遍一致好评。

　　在数据隐私保护一块颇有耕耘的微众银行首席人工智能官杨强评价：

　　「可解释 AI 是一个庞杂的领域，这份报告起了一个非常好的头，在这个基础上需要开展长期的研究。现在的各种算法还无法在效率和可解释性两方面都达到很高的要求，需要根据不同需要进行取舍。而且 AI 的可解释性是一个长期的问题，不会很快有一个通用的可解释框架，可以在一些比较重要的领域先行探索解决方法，指明未来的发展方向。」

　　杨强教授十分关注数据隐私保护的内容，近年来在国内大力推举强调具有「数据可用不可见」特征的联邦学习技术的研究与应用，促进联邦学习框架的开源与研究。去年3月，由微众银行发起制定的国内首个联邦学习标准正式通过 IEEE 认证，构成了国内研究者对数据保护所做的诸多努力中的一环。

　　除了杨强，时任南方科技大学计算机科学与工程系系主任、历史上首位获得神经网络最高奖「IEEE Frank Rosenblatt Award」的华人学者姚新教授也对该报告进行了附议。他谈道：

　　「对 AI 系统落地来说，透明性和可解释性是必不可少的，研究前景非常好；但 AI 的透明性、可解释性和性能之间存在固有的矛盾，一个可能的方向是根据不同的场景、可解释的目的，寻找不同的折中方案，以此促进 AI 技术的落地。」

　　什么是「可信AI」？在去年的一次对话中，姚新教授也曾向 AI 科技评论分享过自己的看法。其中，他提出，检验人工智能是否可信、可落地的一个最直接的方法，就是「研究人员敢不敢用」。比如 AI 制药，如果负责项目的科研人员敢用，那用户对 AI 的信任度也会提高。但事实是如今的许多 AI 产品由于未充分完善，科研人员也是不敢用的。

　　由此可见，尽管各大厂开始重视 AI 的治理与落地安全性，但要从技术层面解决当前人工智能模型可解释性差、不够稳定的缺点，还是需要做好打长久战役的准备。

　　正如这份报告所指出：

　　即使AI系统并非完全可解释，我们也可以利用AI系统来提高决策的透明度。对人类决策的解释，也许不能准确反映出影响人类决策的因素或无意识偏见。实际上，即使 AI 系统所做出的决策并不能被完全解释，但相比理解人类如何做出类似决策，我们也可以更好地理解AI系统在整体上是如何做出决策的。而且，AI的最大价值在于可以在复杂情形中发现、识别超出人类理解的模式( pattern )，因此根据定义，这样的AI系统不会以人类可以理解的方式具有完全的可解释性。就像取得驾照，相信汽车可以安全驾驶，并不需要人人都成为专业的汽车工程师一样，当使用AI系统时，解释并不总是必须的。长远来看，政府、社会、企业、行业、科研机构、用户等主体需要共同探索科学合理的可解释AI落地方案及相关的保障与防护机制，推动科技问雪。

　　只有各界共同正确审视人工智能研究出现的问题，并做出合理的解决方案，才能推动AI技术持久稳定的发展，可解释AI未来发展如何，让我们拭目以待！