以下所有内容均为AI幻觉和深夜鬼脑，权当记录和乐子，还请看官口下留情，博主学识浅薄，正在拜读论文，多处不自量力和民科之处，还请海涵
昨日夜间突发奇想，我们现有的主流大模型具有一个令人棘手的性质，是什么呢，所谓的不可解释性，做图像识别的CNN，做大语言模型的transformer啥的，内部大批参数是个黑箱，可以得到不错的结果，但是往往难以解释，导致ai很多论断是不可解释的，难以信服的，在医疗行业和金融、法律等需要可信依据的方面ai目前处于一个困境，更有system1到system2发展的一个瓶颈。（以上来自百度）我们知道神经网络之所以叫这个名字，是因为某种程度上来说模拟的是我们神经元的工作原理，我们得到决断其实也是靠一个多层感知机模型（当然要复杂的多），那么鉴于模拟人脑决策，我认为，神经网络其不可解释性其实本质上是一种“直觉”，就如同我们看到一副图片，马上能辨认出“这是一串葡萄”，很多时候我们做决定反而是在仔细推测之前，产生这个直觉的过程也是一个黑箱，我们“不假思索”地认为这是一个“葡萄”图片，因为给了我们一个葡萄的“印象”。我们把这个“印象论”推广到传统的CNN识别，其实我们可以这样说，我们用训练好的模型是为了对识别对象产生一个“直觉”，也即‘“直觉模型”，而直觉本身是一种不可解释的感觉，不可解释是使用神经网络的必然结果，是“直觉模型”的固有属性。模型的不可解释不是这个模型的错误，而是我们将其置入了错误的层级。
当然这个论断胡言乱语成分很高，包括许多不成熟的想法，我还是继续展开讲讲吧。
“直觉模型”+“推理模型”
我们不妨再次回顾一下刚才所说的，人辨识一张葡萄图片的过程。首先，产生一个“直觉”，它看起来像葡萄，这是我们已有的经验的一个第一印象，然后这里并不是结束。接下来，我们会在进行一个逻辑推断，也就是注意更多的细节。“有葡萄叶、葡萄藤、紫色椭圆形、有‘白霜’”，我们会进行进一步的推理，最后确信这就是个葡萄。而CNN直接的识别，跳过了逻辑步骤。（或者说，其把逻辑推理步骤在隐藏层极高度地抽象了，导致逻辑步骤也一并成为了黑箱模型），所以说，产生直觉后并不应该是结束（尽管实际上在现实生活中，直觉已经足够好了，这也正是CNN识别的有效性，它长得很像葡萄，那它大概率就是葡萄），接下来还要有逻辑推理的步骤。在神经网络产生结果，再用决策树、符号学习等白箱模型对其进行逻辑推理，这样才能得到接近人脑思考的“学习”过程。
“宏观直觉”和“原子直觉”
有细心的朋友们会注意到，不对啊，人的直觉并不是不可解释的，我们虽然能一眼认出这个是葡萄，但进一步我们是可以解释的，因为葡萄藤、藤蔓、紫色果实所产生的整体印象……没错，这里提到了很关键的一点，我刚才直接认定人的直觉和神经网络一样是个完全不可解释的黑箱，实际上并不是，也远远没有这么简单。所以这里，我再引入两个概念，原子直觉和宏观直觉。
- 宏观直觉 是我们产生的很快，但实际上可以解释的直觉。例如刚才我们对葡萄直觉的拆分。不过，我仔细查看这个“解释”的本质，我们不是在诠释一个概念，而是再用另一个低级一点的直觉去解释高级的直觉。“葡萄”=“绿叶”+“紫色”+“藤蔓”，这当然是一种解释，但我们还可以继续追问，怎么判断这里有“绿叶”？为什么认为这是“藤蔓”？凭什么认定这是“紫色”？任何一个“宏观直觉”，都可以形如这样不断地解释下去，最后达到最小的“直觉”，这也就是我说的“原子直觉”
- 原子直觉 是什么呢？例如，在欧式几何上任何的证明和定理，最后都会源自那几条公理，这几条公理没办法再追问“为什么”，因为它规定如此，这就是我们说的“原子直觉”。我们日常生活中无论是识别、判断之类的任务，本质上都存在原子直觉这一最底层的感知，所有的加法建立在1+1=2，可人们不会再去追问这个感知的原因（至少对普通人来说如此）。因此我们可以发现，原子直觉是存在的，确确实实存在一个无法解释的底层感知，而我认为我们应该做的，就是用不可解释模型去模拟这些原子直觉的产生过程，再加以组合，进而得到我们想要的“可解释性论断”，让整个模型变得透明。
“相对原子直觉”
更细心的朋友们会知道，哪有那么复杂，什么原子直觉，一般人思考不会追问到最底层去吧？没错，正是如此，如果我们要让模型从最底层开始学习显然是不可能也不现实的。下面我们用一个例子来解释一下一个新概念：还是刚才的葡萄解释问题。我们对“怎么判断绿色叶子”这一点，普通人一般来说就到此为止了，“因为这个形状这个颜色就是葡萄的叶子”，但植物学家或者之类的专家还能提出，因为它是单子叶双子叶、有网状纹巴拉巴拉之类的，还能继续解释下去。因此，“这是葡萄叶”这个感知（或者用我的话来说叫“直觉”）显然不是原子的，但是普通人会因为没法解释就认定这个感知不可靠，不能使用吗？显然不是！由此我们可以得到一个新的论断——
- 一个直觉并不需要完全“原子”也可以作为推导起点
- 对不同人来说有不一样的推导起点，可解释性的层级因人而异
综上，我提出一个名为 “相对原子直觉” 的概念。并再用一个例子来解释这个概念
我们用若干个已经训练好的不可解释模型，用于判断画面中的葡萄、苹果、香蕉…，并有一个逻辑推导的模型来组合这些感知结果。用整体识别一张图片，识别结果为“果园”。并给出解释：有葡萄、有苹果、有香蕉…，认定这是个果园。这个模型是一个可解释模型吗？是的！因为我们并不是那么纠结于为什么识别出葡萄！这里的实现变得相对无关紧要了！这时候，产生的“这是葡萄”直觉，就成为了“相对原子直觉”。
相对原子直觉，正是用于描述这样一个在当前语境和要求下无需进一步解释的直觉，对于这个任务目标来说，这个感知的产生过程变得不再关心，足够“原子”，而我们只在乎正确率。神经网络等黑箱模型，正是用于产生相对原子直觉的模型。我们不应该苛责CNN不能解释，而是因为我们错误的在某个层级使用了黑箱。就像刚才所说，同样是识别葡萄，在果园识别模型中，是一个可接受的原子直觉，在葡萄识别模型中，就是不可接受的了，因为它不能够解释。因此，我斗胆提出两个论断：
- 黑箱是向下的，而向上总是透明的。
- 黑箱的原罪不在于其不可解释性，而在于其所在层级不可接受
解释性边界
正如刚才所说，我们并不需要无穷无尽地向下追问为什么，而是存在一个边界，规定怎样的直觉是“相对原子直觉”，大家上学时都有这种感觉：同样一道数学题，给学霸们讲题和相对没那么霸的同学讲题要解释的边界是不一样的，“这两个三角形全等”对与大学霸来说够了，而对于小学霸还需要告诉他“SAS”之类的解释。这个“解释到什么地步就无需再解释了呢？”就是我说的“解释性边界”。大家容易发现，解释性边界是因人而异、因任务而异的，而我们想设计的解释性ai也应该是特化的，根据不同的用户、目标、任务划分不一样的解释性边界。追求“完全可解释的ai”不太现实，倒不如主动划定“解释边界”，然后用向下拆解的方法来逐步逼近！
当然这时候大家会觉得，博主你说的什么玩意，这不是显而易见的常识么？再说就算你说的是对的，有啥子用呢？哎！那么我再最后延伸思考一下————
“拆解黑箱”和“主动学习”
我们不妨回忆一下自己的学习进程，或者说是人类的研究的一个方向，学习动力从何而来？其实我们很少是由自下而上的动力，很多时候是“自上而下”的。在牛顿被苹果砸之前，东西会往地上掉是个“原子直觉”，不为什么，就是会往地上掉，直到牛顿去思考这件事情，我们才发现，东西往下掉不是“原子”的，其下是万有引力定律这个更原子的概念。我们用葡萄叶葡萄藤葡萄果去识别葡萄，或许有天会因为果实是紫色的这一简单直觉，犯了错误，把桑葚和葡萄搞混了，我们更进一步思考，葡萄果到底怎么分辨呢？于是我们不只是作为一个黑箱，我们去试图拆解这个黑箱————进一步加深了认知。我斗胆断言，主动学习的基本动力之一就是拆解黑箱，现有的现象和应用，仅仅认为“就是如此”已经不够用了，于是我们试图去理解自己为什么产生这种黑箱直觉————这就是主动学习的基本模式之一。
碎碎念
本人才疏学浅，以上均为个人臆想，缺乏实践检验和学习过程，如有可笑之处，还望海涵，自知天赋平平、仍自信过头地写出这篇文章，希望除了占据服务器空间之外，还能派上些许用场。
