论人工神经网络内在逻辑的研究历史及现状。

伴随着大数据，（AI）在沉寂了多年之后，又迎来了新的高潮。在这场涉及大部分科学的革命中，人工神经网络释放了人工智能（AI）。但科学家们发现，这一关键技术暗含着一个问题：人工神经网络就是一个“黑匣子”。

我们都知道，无论人工神经网络有多么复杂，都可以将其看作是三部分：输入层、输出层和隐含层。其中，我们通过深度学习，对神经网络进行一层一层的叠加训练，以此来有效调整神经网络各级神经元的权重。但是，这里有一个问题，除去输入和输出，我们对隐含层发生了什么一无所知，即对神经网络内部逻辑行为无从认知。

华盛顿大学的研究生Marco Ribeiro使用过一种叫做反事实探测的方法来了解这个“黑匣子”。此方法具体就是通过给输入一点微小的变化，随即查看输出的变化，并记录这些变化。但是很显然，这一方法需要上千次的操作和尝试，而且无法帮助我们全面认识人工神经网络。

而Google的另一位计算机科学家Mukund Sundararajan设计了一种探测器，大大减少了输入。不同于Ribeiro采取的随机输入， Sundararajan的研究创新点是引入一个空白的参考。

首先，Sundararajan输入一个零排列的数组，随后让输入数据逐步向需要测试的目标数据转变，以此通过输出变化来反过来研究内在逻辑。这里值得注意的是，随着每一步的变化，科学家们就能看到它确切的变化轨迹，从而可以以此预测变化特征。但这依然不可信，预测的结果仍然是存在很大误差的。

对此，美国华盛顿州研究所计算机科学家RiCh Caruana融入广义加法模型（GAM）来对数据间的复杂关系进行处理。我们都知道，统计学中GAM就是一种基于线性回归，然后在一组数据中找到线性趋势的方法。Caruana增加了这一过程，他先利用机器学习来输出变化，随后将网络输出的数据输入到GAM，找出变化之间的相关性，以此来研究神经网络的内在逻辑。

除此之外，在图像研究领域，还有科学家利用生成式对抗网络（GAN）对神经网络进行研究，然而所有的这些努力都是尝试，普适的研究方法至今尚未得出。

现在，不仅科学家认识到这一问题的紧迫性，多国政府也意识到这一问题。根据欧盟的一项指示，明年所有有巨大影响力的公司需向公众解释其模型的内在逻辑。此外，美国军方的蓝天研究机构国防高级研究计划署也正在向一个称为“可解释AI”的新计划投入7000万美元。

的机器学习研究员Maya Gupta说，硅谷的研究人员们也在试图打开AI的“黑匣子”。除了运行后操作的准确性，所有人心中还有一个非常大的顾忌：因为不知道它在做什么，所以不确定能不能相信它。

伴随着人工智能（AI）应用的蓬勃之势，出于安全隐患的考虑，神经网络内在逻辑的这一“盲点”确实急需规避。