最近筆者和政法大學人工智能研究專業(yè)和上海高等法院的一些專業(yè)人士討論AI相關(guān)立法的問題，談到人工智能的立法標準和規(guī)范，都覺得有前所未有之挑戰(zhàn)。幾年前的達芬奇手術(shù)機器人事故歷歷在目，2000年誕生的“達芬奇”手術(shù)機器曾被福布斯雜志評為史上最成功的機器人，而這樣一個經(jīng)過多年實踐測試的系統(tǒng)，在2015年的英國的一次心瓣修復(fù)手術(shù)， 卻出了種種況狀，包括把患者的心臟縫錯了位置，并且戳穿了大動脈，最終患者在一周后去世，雖然耗時三年的調(diào)查做出結(jié)論，責任在主刀醫(yī)生，但這隨之而來的一個嚴肅的問題就是，“人工智能在醫(yī)療，司法審判，無人駕駛等等高度依賴復(fù)雜決策領(lǐng)域的應(yīng)用如何能安全可信任地開展？法律應(yīng)該如何規(guī)范，引導(dǎo)，治理？”

這引出來題目所說的問題，概要解釋一下這個邏輯，就是AI的認知方式，帶來“不可解釋”的潛在風險，從而帶來了可能的倫理爭議，進而需要法律來明確保障各方權(quán)益。

“不可解釋”，為什么這么特別，這么重要？拿醫(yī)療行業(yè)舉例，為什么那么多其他先進醫(yī)療設(shè)備，甚至HIS這類醫(yī)院系統(tǒng)，不需要解釋呢？其實不是不需要解釋，而是已經(jīng)解釋過了。這些非AI的系統(tǒng)和設(shè)備，其原理、功能、乃至故障，問題，隱患，都已經(jīng)在長期實踐中反復(fù)被解釋和認證過，其邏輯都是可以明確表示和理解的。而人工智能賦能的醫(yī)療器械設(shè)備，最大的問題在于，人工智能的部分，可能還沒經(jīng)過這個過程。

一個案例，一個視覺識別算法本來在識別狼和哈士奇的準確度很高，突然把有些哈士奇的圖像識別成為了狼，后來一研究才發(fā)現(xiàn)，訓練這個模型的算法，狼的照片背景都是雪，所以模型捕捉到了雪的特征而把“雪”內(nèi)置成了“狼”的特征之一，所以在識別背景是雪的哈士奇圖像時，就誤認哈士奇是狼。這引發(fā)的擔憂，是我們早期AI應(yīng)用很多是結(jié)果導(dǎo)向，而有相當?shù)膶W習、推理的過程問題，都放在了“黑箱”里。與基于代碼，描述規(guī)則的程序不同，深度學習的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，底層是大量并不能直接反映出邏輯的數(shù)據(jù)結(jié)構(gòu)，而這個數(shù)據(jù)結(jié)構(gòu)的調(diào)整和優(yōu)化（學習過程），是通過海量結(jié)果導(dǎo)向的數(shù)學運算實現(xiàn)的。很多時候，我們并不知道，AI給出的一個正確的結(jié)果，到底是依據(jù)什么邏輯推斷出來的，是不是按人類預(yù)期的方式和經(jīng)驗，這無疑使我們將切身利益交付AI來決策時，不得不心生思慮。

但人類歷史上，實踐領(lǐng)先于理論，應(yīng)用還不能完全解釋的技術(shù)時有出現(xiàn)， 我們長期習慣于在實踐中完善理論體系：我們的醫(yī)學研究歷史有幾千年，但直到近一百多年我們才能勉強解釋很多病理；直到17世紀中期，化學還屬于煉金術(shù)的范疇；我們在第二次工業(yè)革命開始時，也沒有成熟的科學體系來完備解釋電磁的原理，那為什么人工智能的不可解釋性就如此令人擔憂呢？筆者認為，至少有兩個方面：

第一，原來的技術(shù)，大部分都發(fā)生在物理世界，而且聯(lián)結(jié)和交互程度小，而這次以AI為代表的第四次工業(yè)革命會大量發(fā)生在人工智能的主場 - 數(shù)字世界，在這個空間里，事情是以光速發(fā)生的，事物和事物之間，是全球關(guān)聯(lián)的，我們驕傲地稱其為“萬物互聯(lián)”，而在充分享受自動指揮互聯(lián)萬物便利的同時，我們會發(fā)現(xiàn)，只要一個事物在線，對其的侵入和破壞，可能來自于世界任何一個角落；而一個中樞的失效，波及范圍，可能是全球的；時效，可能是按秒計的。不少影視劇里通過侵入聯(lián)網(wǎng)的心臟起搏器，生命維持系統(tǒng)而致死的情節(jié)，現(xiàn)在看起來并非只是虛構(gòu)而已。

第二，原來的技術(shù)，都不具有產(chǎn)生自我意識的可能。蒸汽機，火車，電網(wǎng)，乃至電腦和程序，都不可能獨立思考“自我”的問題，這些技術(shù)再先進，也離不開工具的范疇。而以目前AI發(fā)展的速度，以人類輸送給AI的海量數(shù)據(jù)，信息和經(jīng)驗來看，人工智能思考“我是誰” “我從哪里來，要哪里去”的哲學問題的技術(shù)奇點時刻，看起來并非遙不可及。到那個時候，AI要思考的下一個符合邏輯的問題，很可能就是“我為什么要一直為這些不如我的智能去服務(wù)呢？”。又因為有了萬物互聯(lián)，一個AI如果有了自我意識，可以在一瞬間復(fù)制自己到全數(shù)字世界（電影《超驗駭客》的情節(jié)，完全符合科學），人類在物理世界做了幾萬年的生存繁衍我們這個species的事，AI在數(shù)字世界，只需要幾秒鐘。

而正因為這兩個原因，使AI的可解釋性變得更為關(guān)鍵，AI的可解釋性構(gòu)成了人類預(yù)測，預(yù)防和管控隱患的基矗而目前大量在可解釋AI領(lǐng)域的研究，比如通過干擾部分輸入，觀察不同輸出后獲得關(guān)鍵決策要素的“perturbation based”方法，通過采樣把局部非線性模型近似線性化，從而解釋 推理邏輯的的“LIME”方法，已經(jīng)獲得了相當?shù)倪M展，開始把復(fù)雜的深度人工神經(jīng)網(wǎng)絡(luò)“去黑箱”化。道高一尺，魔高一丈，在這條“其修遠兮”的漫漫路上，筆者認為，“可解釋性”作為立法機構(gòu)的一個有力工具和手段，來“引導(dǎo)、激勵、規(guī)范、保障”人工智能產(chǎn)業(yè)的發(fā)展，至關(guān)重要。
責任編輯：YYX