人工智能的可解释性引发了广泛讨论。无论是金融、医疗还是自动驾驶领域，针对AI是否应该“能够被理解”的争论时常出现。
然而，MIT何凯明教授提出了一个疑问：我们是否过于夸大了可解释性的重要性？
自动驾驶与出租车司机的可解释性
何教授在一次讲座中提到，自动驾驶的AI系统与出租车司机之间的可解释性比较，给我们提供了一个重要的视角。
想象一下，出租车司机在复杂的交通情境中是如何做出决策的。他们的决策不仅是基于眼前的情况，还有大量不为我们所知的背景因素。一个司机可能正在处理财务危机，债务缠身，这使得他在驾驶时可能感到巨大压力。此外，家庭纠纷或其他私人问题可能会影响他的情绪和判断。他的注意力可能在几个小时的工作中屡屡分散，从而妨碍决策的质量。这些内心的挣扎和情感的波动是外界完全无法直接洞察的。
我们可能能够看到司机在何时加速、减速或变道，但这并不意味着我们能够理解这些行为背后的驱动因素，这背后潜藏的不是技术的缺陷，而是人类情感和生活困境的复杂性。
相较于这种复杂的不可预测性，自动驾驶AI虽然在决策过程中可能是一种“黑箱”，但其决策逻辑实际上是基于海量的数据学习和优化，受制于构建的算法和程序，不依赖于人类情感和外部压力。这意味着，AI在运行时能够提供更一致和可预测的行为，虽然它的每一个决策背后也有一层复杂的数据逻辑和算法。
医疗领域的可解释性
在医学领域，AI系统的可解释性同样被频繁提及。人们希望能够了解AI如何得出特定诊断或治疗方案，以便增加医生和患者对AI建议的信任。然而，医学本身就是一个复杂且充满不确定性的领域，医生在许多情况下做出的决策同样缺乏明确的解释。许多医学判断受到个人经验、伦理考虑、甚至主观判断的影响。难道我们对AI在这个复杂领域的高度期望，虽然是出于善意，但是否也忽略了医生本身决策中的不确定性？
技术与人性的融合
在探讨人工智能可解释性的重要性时，我们不得不正视一个现实：技术的辅助并不能完全替代人性。在许多情况下，人类推理与机器学习之间的结合比单纯追求可解释性更为重要。我们需要的是能够有效地利用AI的优势，而不仅仅是对它的每一个决策都进行剖析。
当然，这并不意味着我们可以盲目地信任AI。对技术的监督和审查仍然是必不可少的，尤其是在关系到生命安全和伦理的领域。但是，我们也应意识到，过于追求可解释性可能会使我们忽视了其他重要的因素，比如系统的鲁棒性和灵活性。
结论
人工智能的可解释性确实值得关注，但我们应以全面的视角看待这个问题。将可解释性视为成功标准可能限制我们的探索。未来，我们需在复杂环境中找到平衡，理解这些不可预测性背后的复杂性，才是更值得关注的方向。
