现如今人类对于AI的应用，就好像带妈妈去外面的餐厅吃饭，妈妈们不光要吃，还总想弄明白这些菜是怎样做成的。就如同神经网络越是高效，我们就越好奇黑箱里究竟发生了什么。
一直以来我们对于AI可解释性的追求可以被分为两层，一是从技术角度探寻神经网络黑箱的运行机制；二是从社会角度将AI技术原理更多地解释给各个行业。
虽然计算机科学家们一直没有停止对神经网络黑箱突破的探索，但也有人曾经明确地表示过，追求AI的可解释性并不是什么好主意。
去年年底，谷歌大脑负责人Geoff Hinton就曾在接受媒体采访时说过若干“AI不可解释”的理由。其中很重要的一点是，他认为大多数人也没法很好地解释自己做出一种决策的理由，如果强迫人类对自己的行为做出解释，结果很可能就是让人类说出违心的谎言。AI也是一样，也许强行在AI算法中加入可解释性，得出的结果很可能只是一种“针对于解释需求的答案”，并不能发挥出人们所期望的作用。Geoff Hinton可以说是一位坚定的“AI不可知论”支持者。
让AI模型说人话
不过在几天前，佐治亚理工学院就推出了一种让AI用人类语言解释自己行为的模型。整个模型的训练过程，建立在一款“小青蛙过马路”的古老游戏上。游戏中玩家要操控着小青蛙前后左右躲避来往车辆，成功到达马路对岸。
佐治亚理工学院先是收集了大量的人类样本，让人类实验员玩一遍游戏，然后再回溯整个游戏过程，解释出自己的每一步动作有哪些意图。例如向左走是想躲避开后方来车，向前跳跃是因为漂浮的荷叶刚好来到自己面前。
这样一来，可以将自然语言与游戏控制结合在一起建立映射。将这一模型迁移到AI的训练中，最终结果是AI在每进行一步动作时，都会用自然语言解释出自己的意图。
实验者可以再根据四个维度对AI的行为和解释进行评分，这四个维度分别是“信任（认为AI的这一步行动是正确的）”、“人性化（认为这是人类采取的行动）”、“理由充分（语言解释和行为动作有相关性）”、“可理解性（能看懂所给出的自然语言解释）”。由此以来，就可以对AI的游戏能力和自我解释能力进行共同训练。
佐治亚理工学院研发的这一模型，为AI的可解释性带来不少全新角度的突破。当AI进行错误决策时，我们可以清晰地看到AI究竟错在哪了。比如在游戏中小青蛙被路过的汽车撞死导致游戏失败，通过自然语言解释，我们可以看到可能是AI没有“想到”要躲避汽车而导致失败，还是已经“想到”了，却因想法和行为没能成功匹配而导致失败。在后期进行参数调整时可以更加有的放矢，明确地找到问题所在。
更重要的是，这一过程完全是由人类的自然语言所表达的，普通人也能看到并理解问题发生的整个过程。技术的可解释权不再受信息科技知识基础的限制，甚至可以让更多人参与到AI训练的过程中来。
AI可知论，是在开技术的倒车吗？
然而，“小青蛙模型”并不能解决Geoff Hinton提到的“AI不可知论”的很多问题。
首先，让人类描述自身行为，然后再将语言和行为建立对应关系的玩法适用度并不高。在小青蛙过马路这样简单的游戏中，人类可以清晰明了地解释自己的行为。但换个场景，很多时候我们就像Geoff Hinton所说的，自己也说不清自己做出决策的原因。尤其在一些场景，例如行车时是撞到马路上的动物还是撞到其他车辆，人们自身的选择常常陷入道德困境而不能统一，和AI的决策模式有着天然的差异，就无法形成语言解释和行为之间的映射。
另一点则是，让AI“自我解释”这种行为，投入和产出比究竟如何？我们知道自然语言处理是AI领域中一块相当难啃的硬骨头，如果“AI说人话”这种模式成为标配，结果恐怕就是让所有领域的AI模型都要进行相关的训练。也就是说，未来一家做智能客服产品的企业，为了AI的可解释性，需要招聘NLP领域人才；未来一家做人脸识别产品的企业，为了AI的可解释性，同样也需要招聘NLP领域人才……NLP专业学子或成最大赢家。如此为AI产业带来的巨大成本，又将怎样被覆盖呢？
世界在等待AI+X
在Geoff Hinton发表过那番“AI不可知论”后，有不少社会学专家进行了相关反驳。其中剑桥智能未来中心的研究员就提出，AI在事物效率上的提升和对于社会的影响，本来就不能分开讨论，Geoff Hinton这样的科学家，如果认为自己脱离了社会语境和政策语境，那么很可能在研究过程的一开始就走错了方向。
其实AI的可知论和不可知论之间，最核心的问题就是“AI出现了问题该怎么办？”。不可知论者认为，当AI出现了问题，我们就应该像算法训练过程一样，在发现问题后立刻进行针对性的训练和矫正。但可知论者认为，如果我们等到AI在现实场景中出现问题再进行改善，一切就已经晚了。当前的要务是让更多社会角色参与到AI的研发过程中来，在广泛的现实应用之间就能够从多种角度发现问题。
正因如此，才会出现佐治亚理工学院这种“让AI说人话”的项目出现。而在AI学会说人话之前，AI与人之间、AI专家与其他专家之间，仍然会呈现出严重的沟通断层。在相当长的一段时间内，AI+X的跨领域人才都将炙手可热。
