現(xiàn)如今人類對(duì)于AI的應(yīng)用，就好像帶媽媽去外面的餐廳吃飯，媽媽們不光要吃，還總想弄明白這些菜是怎樣做成的。就如同神經(jīng)網(wǎng)絡(luò)越是高效，我們就越好奇黑箱里究竟發(fā)生了什么。

一直以來我們對(duì)于AI可解釋性的追求可以被分為兩層，一是從技術(shù)角度探尋神經(jīng)網(wǎng)絡(luò)黑箱的運(yùn)行機(jī)制；二是從社會(huì)角度將AI技術(shù)原理更多地解釋給各個(gè)行業(yè)。

雖然計(jì)算機(jī)科學(xué)家們一直沒有停止對(duì)神經(jīng)網(wǎng)絡(luò)黑箱突破的探索，但也有人曾經(jīng)明確地表示過，追求AI的可解釋性并不是什么好主意。

去年年底，谷歌大腦負(fù)責(zé)人Geoff Hinton就曾在接受媒體采訪時(shí)說過若干“AI不可解釋”的理由。其中很重要的一點(diǎn)是，他認(rèn)為大多數(shù)人也沒法很好地解釋自己做出一種決策的理由，如果強(qiáng)迫人類對(duì)自己的行為做出解釋，結(jié)果很可能就是讓人類說出違心的謊言。AI也是一樣，也許強(qiáng)行在AI算法中加入可解釋性，得出的結(jié)果很可能只是一種“針對(duì)于解釋需求的答案”，并不能發(fā)揮出人們所期望的作用。Geoff Hinton可以說是一位堅(jiān)定的“AI不可知論”支持者。

讓AI模型說人話

不過在幾天前，佐治亞理工學(xué)院就推出了一種讓AI用人類語(yǔ)言解釋自己行為的模型。整個(gè)模型的訓(xùn)練過程，建立在一款“小青蛙過馬路”的古老游戲上。游戲中玩家要操控著小青蛙前后左右躲避來往車輛，成功到達(dá)馬路對(duì)岸。

佐治亞理工學(xué)院先是收集了大量的人類樣本，讓人類實(shí)驗(yàn)員玩一遍游戲，然后再回溯整個(gè)游戲過程，解釋出自己的每一步動(dòng)作有哪些意圖。例如向左走是想躲避開后方來車，向前跳躍是因?yàn)槠�浮的荷葉剛好來到自己面前。

這樣一來，可以將自然語(yǔ)言與游戲控制結(jié)合在一起建立映射。將這一模型遷移到AI的訓(xùn)練中，最終結(jié)果是AI在每進(jìn)行一步動(dòng)作時(shí)，都會(huì)用自然語(yǔ)言解釋出自己的意圖。

實(shí)驗(yàn)者可以再根據(jù)四個(gè)維度對(duì)AI的行為和解釋進(jìn)行評(píng)分，這四個(gè)維度分別是“信任（認(rèn)為AI的這一步行動(dòng)是正確的）”、“人性化（認(rèn)為這是人類采取的行動(dòng)）”、“理由充分（語(yǔ)言解釋和行為動(dòng)作有相關(guān)性）”、“可理解性（能看懂所給出的自然語(yǔ)言解釋）”。由此以來，就可以對(duì)AI的游戲能力和自我解釋能力進(jìn)行共同訓(xùn)練。

佐治亞理工學(xué)院研發(fā)的這一模型，為AI的可解釋性帶來不少全新角度的突破。當(dāng)AI進(jìn)行錯(cuò)誤決策時(shí)，我們可以清晰地看到AI究竟錯(cuò)在哪了。比如在游戲中小青蛙被路過的汽車撞死導(dǎo)致游戲失敗，通過自然語(yǔ)言解釋，我們可以看到可能是AI沒有“想到”要躲避汽車而導(dǎo)致失敗，還是已經(jīng)“想到”了，卻因想法和行為沒能成功匹配而導(dǎo)致失敗。在后期進(jìn)行參數(shù)調(diào)整時(shí)可以更加有的放矢，明確地找到問題所在。

更重要的是，這一過程完全是由人類的自然語(yǔ)言所表達(dá)的，普通人也能看到并理解問題發(fā)生的整個(gè)過程。技術(shù)的可解釋權(quán)不再受信息科技知識(shí)基礎(chǔ)的限制，甚至可以讓更多人參與到AI訓(xùn)練的過程中來。

AI可知論，是在開技術(shù)的倒車嗎？

然而，“小青蛙模型”并不能解決Geoff Hinton提到的“AI不可知論”的很多問題。

首先，讓人類描述自身行為，然后再將語(yǔ)言和行為建立對(duì)應(yīng)關(guān)系的玩法適用度并不高。在小青蛙過馬路這樣簡(jiǎn)單的游戲中，人類可以清晰明了地解釋自己的行為。但換個(gè)場(chǎng)景，很多時(shí)候我們就像Geoff Hinton所說的，自己也說不清自己做出決策的原因。尤其在一些場(chǎng)景，例如行車時(shí)是撞到馬路上的動(dòng)物還是撞到其他車輛，人們自身的選擇常常陷入道德困境而不能統(tǒng)一，和AI的決策模式有著天然的差異，就無法形成語(yǔ)言解釋和行為之間的映射。

另一點(diǎn)則是，讓AI“自我解釋”這種行為，投入和產(chǎn)出比究竟如何？我們知道自然語(yǔ)言處理是AI領(lǐng)域中一塊相當(dāng)難啃的硬骨頭，如果“AI說人話”這種模式成為標(biāo)配，結(jié)果恐怕就是讓所有領(lǐng)域的AI模型都要進(jìn)行相關(guān)的訓(xùn)練。也就是說，未來一家做智能客服產(chǎn)品的企業(yè)，為了AI的可解釋性，需要招聘NLP領(lǐng)域人才；未來一家做人臉識(shí)別產(chǎn)品的企業(yè)，為了AI的可解釋性，同樣也需要招聘NLP領(lǐng)域人才……NLP專業(yè)學(xué)子或成最大贏家。如此為AI產(chǎn)業(yè)帶來的巨大成本，又將怎樣被覆蓋呢？

世界在等待AI＋X

在Geoff Hinton發(fā)表過那番“AI不可知論”后，有不少社會(huì)學(xué)專家進(jìn)行了相關(guān)反駁。其中劍橋智能未來中心的研究員就提出，AI在事物效率上的提升和對(duì)于社會(huì)的影響，本來就不能分開討論，Geoff Hinton這樣的科學(xué)家，如果認(rèn)為自己脫離了社會(huì)語(yǔ)境和政策語(yǔ)境，那么很可能在研究過程的一開始就走錯(cuò)了方向。

其實(shí)AI的可知論和不可知論之間，最核心的問題就是“AI出現(xiàn)了問題該怎么辦？”。不可知論者認(rèn)為，當(dāng)AI出現(xiàn)了問題，我們就應(yīng)該像算法訓(xùn)練過程一樣，在發(fā)現(xiàn)問題后立刻進(jìn)行針對(duì)性的訓(xùn)練和矯正。但可知論者認(rèn)為，如果我們等到AI在現(xiàn)實(shí)場(chǎng)景中出現(xiàn)問題再進(jìn)行改善，一切就已經(jīng)晚了。當(dāng)前的要?jiǎng)?wù)是讓更多社會(huì)角色參與到AI的研發(fā)過程中來，在廣泛的現(xiàn)實(shí)應(yīng)用之間就能夠從多種角度發(fā)現(xiàn)問題。

正因如此，才會(huì)出現(xiàn)佐治亞理工學(xué)院這種“讓AI說人話”的項(xiàng)目出現(xiàn)。而在AI學(xué)會(huì)說人話之前，AI與人之間、AI專家與其他專家之間，仍然會(huì)呈現(xiàn)出嚴(yán)重的溝通斷層。在相當(dāng)長(zhǎng)的一段時(shí)間內(nèi)，AI＋X的跨領(lǐng)域人才都將炙手可熱。（作者：腦極體）