隨著以機器學(xué)習(xí)為代表的新一代人工智能技術(shù)不斷朝著更加先進(jìn)、復(fù)雜、自主的方向發(fā)展，我們的經(jīng)濟和社會發(fā)展都紛紛迎來了變革性的機遇。
但與此同時，AI算法的透明度、可解釋性問題也為公眾信任、公共安全等諸多領(lǐng)域帶來了前所未有的挑戰(zhàn)。
1月11日-14日，由騰訊研究院和騰訊可持續(xù)社會價值事業(yè)部(SSV)聯(lián)合主辦的“騰訊科技向善創(chuàng)新周”在線上舉辦?！巴该骺山忉孉I——打開黑箱的理念與實踐”作為本屆創(chuàng)新周的第一個專題論壇，聚焦討論人工智能的可解釋性與透明度問題。
本場論壇由騰訊集團副總裁、騰訊研究院總顧問楊健主持。會上，騰訊研究院秘書長張欽坤、優(yōu)圖實驗室人臉識別技術(shù)負(fù)責(zé)人丁守鴻首先共同發(fā)布了《可解釋AI發(fā)展報告2022》，隨后由加拿大皇家科學(xué)院&加拿大工程院兩院院士楊強老師、南方科技大學(xué)計算機科學(xué)與工程系系主任姚新老師、廈門大學(xué)人文學(xué)院朱菁院長、騰訊AI Lab顧問吳保元老師、京東探索研究院算法科學(xué)家何鳳翔老師、天衍實驗室負(fù)責(zé)人鄭冶楓老師，共同參與了關(guān)于可解釋AI的圓桌討論。
以下為圓桌研討環(huán)節(jié)的整理文章：
可解釋AI的概念共識
姚新：
大家在討論AI算法的透明性和可解釋性的時候，首先應(yīng)該考慮三個W的問題——Who，What和Why的問題。
首先，到底是對誰講透明和可解釋?因為從科學(xué)研究來說，任何一個研究都必須透明，都必須可解釋，否則這個論文是發(fā)不出來的。所以我猜過去講透明性和可解釋性，可能不是對科學(xué)家來說的可解釋性或者透明性，因為對科學(xué)家的透明性和可解釋性，不一定對大眾透明和可解釋。第二是解釋什么?解釋模型做出來的結(jié)果還是解釋這個模型的工作原理。第三，解釋總是有一個目的，目的是要追責(zé)還是理解這個模型的科學(xué)原理。
根據(jù)對這三個W不同的答案，會得出非常不一樣的透明性和可解釋性，相應(yīng)的解決辦法可能也完全不一樣。不管怎樣，考慮透明性和可解釋性的時候，首先大家要有一個概念上的共識，使得我們知道我們是講同樣一件事情，而不是用了同樣一個名詞，大家在不同的抽象層次講不同的問題。
吳保元：
可解釋是可信AI的重要組成部分，是可信的前提條件之一，但是相比于魯棒性、公平性等可信特性，我覺得可解釋不是獨立存在的概念。就是姚老師剛才提到的，我們到底在解釋什么?其他的特性都是有自己明確的數(shù)學(xué)定義，比如魯棒性、公平性等，但是可解釋性是沒有的，因為我們單獨提到它的時候，背后默認(rèn)的更可能是對模型準(zhǔn)確度的可解釋性。或許這也可以解釋為什么當(dāng)前的可解釋研究思路這么多，但是好像沒有一個明確的框架，我覺得最主要的原因是它的解釋對象不一樣，沒有辦法統(tǒng)一到一起。
基于這種理解，我個人有一點小的想法，不應(yīng)該把它稱為可解釋性，把它稱為可解釋力或許更準(zhǔn)確?？山忉屝?，大家可能誤認(rèn)為它是一種獨立存在的性質(zhì);可解釋力是一種可解釋的能力，就像我們說的理解力、領(lǐng)導(dǎo)力等等，它是一種手段，一種行為，一種操作存在，需要跟別的綁在一起。我覺得以后提到它的時候，應(yīng)該準(zhǔn)確地描述它是針對什么特性的可解釋力，而不是籠統(tǒng)地說可解釋性如何。
可解釋AI的價值何在?
朱菁：
人們對于人工智能系統(tǒng)可解釋性、透明性的要求，大致有四個層次：
第一個針對的是直接用戶，用戶需要了解人工智能產(chǎn)品、服務(wù)背后的原理是什么，這是建立可信任AI的重要基礎(chǔ)。可解釋AI，實際上支撐了可信任AI。
第二個層次，對于政策和監(jiān)管部門，他們希望通過解釋原理來了解人工智能產(chǎn)品的公平性、可問責(zé)性，歸因的過程是我們進(jìn)一步問責(zé)、追究責(zé)任的基礎(chǔ)。所以，可解釋AI也與負(fù)責(zé)任的AI、可問責(zé)的AI是聯(lián)系在一起的。
第三個層次就是技術(shù)工程與科學(xué)層次，我們希望了解為什么某些算法能夠成功，它成功背后的奧秘是什么，它的應(yīng)用范圍是什么，它能否在更大的范圍內(nèi)使用這樣一些算法或者是一些技術(shù)。
第四個是公眾理解AI，如果社會大眾大多數(shù)關(guān)心的話，他也能夠在這方面了解相應(yīng)的技術(shù)、系統(tǒng)大體的工作原理方式是什么。
何鳳翔：
在現(xiàn)在的AI系統(tǒng)中，其實很多算法背后運作機制是未知的，是不清楚的，這種未知帶來了未知的、難以管理的風(fēng)險，包括安全性、魯棒性、隱私保護(hù)、公平性等等。
這些點關(guān)系到了社會運轉(zhuǎn)中非常關(guān)鍵、人命關(guān)天的領(lǐng)域，比如醫(yī)療、自動駕駛。這會帶來很大的應(yīng)用方面的困難，以及社會對AI的不信任。因為當(dāng)AI算法運作機制是未知的時候，它的風(fēng)險機制、風(fēng)險大小、風(fēng)險尺度就是未知的，我們就難以去管理風(fēng)險，進(jìn)而去控制風(fēng)險。
可解釋AI的挑戰(zhàn)何在?
姚新：
原來我一個學(xué)生跟我做了一點關(guān)于公平性的工作，跟其他的文獻(xiàn)發(fā)現(xiàn)的點非常一致，就是說模型的準(zhǔn)確性和公平性之間是相互矛盾的。性能最好的模型從公平性的角度來說，按指標(biāo)來測量不見得最好，你要把模型做得都是最公平，用指標(biāo)來衡量的話，它的性能就會受到損失。實際上可解釋性非常類似現(xiàn)在有各版的可解釋性指標(biāo)，但是要真正考慮這些指標(biāo)的話，模型的性能總是會掉下來，要考慮在實際過程中怎么來找一個折中的方案。
吳保元：
針對可解釋性本身的不可行、不可取，這也是值得我們思考的問題。比如說我們在研究犯罪率或者說疾病的傳播率、發(fā)病率等，如果我們就拿現(xiàn)成的統(tǒng)計數(shù)據(jù)，比如在不同種族、不同地域采集的數(shù)據(jù)，很有可能會得出來某些種族或者某些地域犯罪率很高，這是因為數(shù)據(jù)采集的時候就是這樣的。這樣一來，如果可解釋給出的類似結(jié)論被公開，可能會造成種族或者地域歧視。但實際上數(shù)據(jù)背后是我們在采集的時候沒有采集其他特性，比如說為什么這個地域的傳播率很高呢?很有可能是政府投入不足，或者說其他的因素。
所以這也啟發(fā)我們可解釋性本身它的可信性是什么，它的準(zhǔn)確性，它的公平性，它是否忽略了某些特征，或者夸大了某些特征，它的魯棒性，是不是把樣本變化一點，它的可解釋性截然相反，這些需要我們進(jìn)一步思考。
另外，我跟很多研究可解釋的專家聊過，他們的困惑在于現(xiàn)在的可解釋性方法是不可印證的，甚至是矛盾的，這就引出了可解釋性方法本身的可信度的問題。
何鳳翔：
在我看來，理解深度學(xué)習(xí)算法的運作機制，大致有理論和實踐兩條路徑。在理論方面，當(dāng)前的研究無法完全解釋理論上泛化性較差的深度模型為何能在多領(lǐng)域取得如此的成功。這種理論與實踐的矛盾，就像曾經(jīng)物理學(xué)中的烏云一樣，反映出來了人們對于機器學(xué)習(xí)理解的缺失，而這是現(xiàn)在在理論上提升算法可解釋性的一個難點。
而在實驗角度上，很多實驗學(xué)科中的做法可以作為對于機器學(xué)習(xí)研究的啟發(fā)，比如說物理學(xué)、化學(xué)，以及剛才提到的醫(yī)療。比如說藥物研發(fā)流程中的合格檢驗，要做雙盲實驗;在物理學(xué)、化學(xué)的研究中，對控制變量實驗有嚴(yán)格要求。類似的機制是否能在AI研究中嚴(yán)格執(zhí)行呢?我覺得這可能是另外一條路徑。在我看來，現(xiàn)有的很多對于AI算法的解釋是啟發(fā)式的，而在關(guān)鍵領(lǐng)域中我們需要的是證據(jù)，這需要在理論和實驗兩方面做很多工作。
可解釋AI如何實現(xiàn)?
朱菁：
前面很多專家都指出對于解釋有不同的目標(biāo)，不同的對象，不同的要求，所以實際上關(guān)于人工智能的可解釋性問題可能是屬于多元性的，就是要允許有多種不同層次不同方式的解釋在這里面起作用，針對不同的領(lǐng)域、不同的對象，使用不同解釋的方式。
當(dāng)可解釋性有它的局限或者和其他的目標(biāo)、要求，需要做出權(quán)衡取舍的時候，我們想也可以從多個層面來進(jìn)行替代性的，或者說是補償性、補充性的策略。比方說針對監(jiān)管部門，它對于可解釋性的要求，和面向公眾或者專家層面的，會有所不同，所以這個可以通過若干個層次，比如說監(jiān)管部門的，行業(yè)的，市場的，以及傳播普及層面的，對于安全性、魯棒性要求更高一些，或者在專家層面上有更好的溝通理解，而對于社會公眾而言，這里面就需要有一些轉(zhuǎn)換，同時有需要一些權(quán)威部門，有公信力的部門，向社會做一些說明和認(rèn)定。
姚新：
深度神經(jīng)網(wǎng)絡(luò)可以解決特別復(fù)雜的問題，我覺得現(xiàn)在大家用深度網(wǎng)絡(luò)有一個原因，即所針對的問題本身可能就比較復(fù)雜。這是一個假設(shè)。假如這個假設(shè)是對的話，那么相應(yīng)的可解釋性不會特別好理解。因為需要對付這些復(fù)雜性，相應(yīng)的模型就必然是要復(fù)雜。
所以我總覺得透明性、可解釋性和性能之間是有一個固有的矛盾，如果現(xiàn)在把從技術(shù)上討論的方向，是怎么找一個折中方案，根據(jù)不同的場景、可解釋的目的，找不同折中方案，這樣導(dǎo)致有可能會出來一些比較具體的技術(shù)，或者可以促進(jìn)這些技術(shù)往落地的方向走。
吳保元：
我們嘗試過一些從技術(shù)上可行的方案去量化各種可信特性，但是，要實現(xiàn)統(tǒng)一量化很困難，比如說公平性和魯棒性都有不同的量化準(zhǔn)則和指標(biāo)。當(dāng)把不同的特性簡單組合到一起的時候很難優(yōu)化，因為它們的準(zhǔn)則是高度不對齊的，差異非常大，這就涉及怎么去對齊這些特性坐標(biāo)。我認(rèn)為想要找到一個全局坐標(biāo)系是非常困難的。我們可以從局部出發(fā)，針對某種場景，比如醫(yī)療場景，首先把隱私性當(dāng)做前提，在金融或者自動駕駛，我們把魯棒性當(dāng)做前提，然后再去研究其他特性，或許一步一步能夠找到這種坐標(biāo)系。
可解釋AI的技術(shù)現(xiàn)狀?
鄭冶楓：
總體來說，因為我們現(xiàn)在還缺乏非常好的理論框架，所以可能針對問題，我們創(chuàng)造性地想一些算法，試圖提高本身這個系統(tǒng)的可解釋性，給大家舉兩個例子來說明一下我們天衍實驗室在這方面的探索。
深度學(xué)習(xí)可能有千億、萬億的參數(shù)，這對于醫(yī)生來說太復(fù)雜了，他很難理解這個算法的底層原理，算法本身可能缺乏一個全局的可解釋性。但是深度學(xué)習(xí)框架準(zhǔn)確率非常高，所以我們不可能不用。而可解釋性非常好的模型就是回歸模型，這類模型主要的問題就是準(zhǔn)確率太低。所以我們做了一個探索，我們希望把這兩個模型結(jié)合起來，它具有非常高的準(zhǔn)確率，還有一定的可解釋性，不是完全可解釋性。
我們把這個混合模型用于疾病風(fēng)險預(yù)測，就是根據(jù)病人歷次的就診記錄，我們預(yù)測病人在未來6個月之內(nèi)得某個重大疾病的概率，比如他得卒中的概率。病人每一次的就診記錄包含大量信息，這里面我們需要提取一些跟預(yù)測目標(biāo)相關(guān)的重要信息，我們知道深度學(xué)習(xí)網(wǎng)絡(luò)最擅長的就是自動特征學(xué)習(xí)。所以我們利用深度學(xué)習(xí)網(wǎng)絡(luò)把一次就診記錄壓縮成一個特征的向量，接著我們利用回歸模型，把病人多次就診記錄綜合起來預(yù)測未來6個月之內(nèi)這個病人得腦卒中的風(fēng)險。
這里我們用的是稀疏線性回歸模型，從病人幾十次、上百次過去歷年就診記錄里面，選取幾次與預(yù)測目標(biāo)最相關(guān)的就診，選擇這幾例就診，我們會給它相應(yīng)的權(quán)重。所以這種稀疏線性回歸模型的可解釋性非常好，因為它只關(guān)注很少的變量，普通人都能很好理解它，用哪幾次就診記錄，做信息加權(quán)，得出最后的風(fēng)險估計。這是一個全局性的可解釋性，比深度學(xué)習(xí)好很多。
楊強：
我們在審視各個算法和它對應(yīng)的可解釋性的關(guān)聯(lián)問題上，發(fā)現(xiàn)一個有趣的現(xiàn)象，比方說在機器學(xué)習(xí)里面，深度學(xué)習(xí)就是屬于效率非常高的，但是它卻對應(yīng)的可解釋性很差。同樣，線性模型沒有那么高，但是它的可解釋性相對強一些，樹狀模型也是，因果模型更是這樣。所以往往我們確實得做一個取舍，就是我們在可解釋這個維度和高效率這個維度，在這個空間里面選擇哪一個點，現(xiàn)在并沒有在兩個維度都高的這樣一個算法。
可解釋AI的行業(yè)實踐
鄭冶楓：
各行業(yè)對可解釋性和透明性的要求不同，我結(jié)合醫(yī)療AI這個場景給大家分享一下我的體會和理解。大家知道醫(yī)療在全世界范圍內(nèi)都是被強監(jiān)管的領(lǐng)域，一款醫(yī)療產(chǎn)品要上市必須拿到醫(yī)療器械注冊證，輔助診斷算法AI產(chǎn)品屬于三類醫(yī)療醫(yī)療，也就是監(jiān)管最嚴(yán)格的級別，所以我們要披露的信息很多，大致包括數(shù)據(jù)集和臨床算法驗證兩方面。前者主要強調(diào)數(shù)據(jù)集的公平多樣性和廣泛覆蓋性，后者則重視披露我們的算法真正在臨床試驗中、真正臨床應(yīng)用的時候它的性能。
此外，我們的測試樣本也需要有很好的多樣性，覆蓋不同醫(yī)院，不同區(qū)域，不同病人群體、廠商、掃描參數(shù)等等。臨床實驗更加嚴(yán)格，首先我們要固化算法的代碼，在臨床試驗期間是不能改代碼的，因為你不能一邊做實驗一邊改代碼，這就失去了臨床試驗的意義。
所以醫(yī)療AI的監(jiān)管是非常強的，藥監(jiān)局需要我們披露很多信息，提高醫(yī)療AI產(chǎn)品的透明性，它有非常嚴(yán)格甚至苛刻的書面要求。因為我們知道深度學(xué)習(xí)網(wǎng)絡(luò)天然不具有很好的解釋性，雖然你可以做一些中間增強，可以一定程度上改善這些事情，監(jiān)管也可以理解這個解釋性差一點，正因為解釋性差，要求的透明性就越高。
何鳳翔：
我覺得提供AI系統(tǒng)的說明書有兩個路徑.第一個路徑從生成AI系統(tǒng)的過程出發(fā)。這一點現(xiàn)在有一些實踐，比如開源代碼，說明使用了什么數(shù)據(jù)，數(shù)據(jù)是如何使用的、如何預(yù)處理的。這會提升人們對AI的信任和理解，這也像剛才鄭老師提到，申請醫(yī)療相關(guān)的資質(zhì)的時候，我們需要把生產(chǎn)細(xì)節(jié)匯報給相關(guān)機構(gòu)。
第二種方式就是從生成的AI系統(tǒng)所做出的預(yù)測以及決策的指標(biāo)來入手做算法的說明書。比方對AI系統(tǒng)做一些測評。對于剛才我們提到的指標(biāo)，包括可解釋性、魯棒性、準(zhǔn)確性、隱私保護(hù)、公平性，找到一些比較好的量化指標(biāo)、找到一些評測算法，把這些指標(biāo)作為AI系統(tǒng)的使用說明書。
可解釋AI的未來發(fā)展
楊強：我期待在未來人工智能的治理，在人工智能，人和機器這種和諧共存，共同解決我們要解決問題的前提下，會越來越成熟。我是非?？春眠@個領(lǐng)域的。
朱菁：我期待這個領(lǐng)域進(jìn)一步的探討，不同領(lǐng)域的學(xué)者都能夠參與進(jìn)來。比如說像我自己做的主要是哲學(xué)，科技哲學(xué)。在科技哲學(xué)，實際上對于解釋有將近一百年的積累和探索，這里面應(yīng)該有很多可以發(fā)掘借鑒的資源，參與到目前這樣一個很有意思很有挑戰(zhàn)性的話題里面。
何鳳翔：
AI本身是一個跨學(xué)科領(lǐng)域，它可能會用到很多數(shù)學(xué)、統(tǒng)計、物理、計算機等各個知識的領(lǐng)域，今天提到的很多點，包括隱私保護(hù)、公平性，很多也是來源于人文學(xué)科、法律、社會學(xué)這些方面。所以這就意味著研究可信AI以及可解釋性等等方面會需要各個學(xué)科領(lǐng)域的人合作起來一起去做的一件事情，會非常需要大家的通力合作，共同推進(jìn)這個領(lǐng)域的發(fā)展。
姚新：
對于做研究來說，我希望將來可以有一點聚焦的討論。我剛才講的3W，到底我們要解決透明性、可解釋性的哪一部分，對誰而言。假如對醫(yī)療而言，是對法規(guī)的制定者來說還是對醫(yī)生來說，還是對病人來說，還是對這個系統(tǒng)的開發(fā)者來說?我覺得在這里面有非常多可以發(fā)揮自己的想象力和能力的地方。
吳保元：
希望今后的AI研究者具備綜合的思考能力，不僅僅關(guān)注于某一個特性，比如說關(guān)注準(zhǔn)確度。希望把可信當(dāng)做一個前提條件，多種特性之間的關(guān)聯(lián)，大家是值得思考的。希望AI的研究者和人文學(xué)者多多交流，開拓視野。對于公眾和政府來講，希望通過討論也可以了解到當(dāng)前發(fā)展的現(xiàn)狀，希望有一種包容的心態(tài)了解這個領(lǐng)域。
鄭冶楓：
對算法人員來說，當(dāng)然我們希望將來科學(xué)家們找到非常好的，具有良好可解釋性，同時準(zhǔn)確性非常高的算法，真正做到魚和熊掌兼得。
（轉(zhuǎn)載）
