同一个 AI 判断，在不同实验室里可能得到完全不同的“解释”。有人展示哪些输入特征影响最大，有人追踪模型内部神经元，有人要求系统给出自然语言理由，还有人只关心用户能否据此发现错误。
因此，可解释 AI 的国际合作不是把论文翻译成多种语言，而是先建立共同问题：解释给谁看、帮助什么决定、怎样证明它真的有用。
## 解释不是一种单独的产品
可解释性至少包含三层。机制层研究模型内部如何形成表示；证据层说明某个输出受哪些输入、样本或步骤影响；交互层观察人看到解释后能否更准确地判断、纠错或拒绝系统。
三层不能互相替代。热力图看起来直观，却未必忠实反映模型因果过程；模型生成的理由读起来顺畅，也可能只是事后叙述；完整的内部追踪对普通使用者又可能毫无帮助。
跨国团队应先写一份“解释契约”：目标用户是谁、具体任务是什么、错误代价多大、解释需要支持哪一种操作。没有契约，各方即使使用同一个指标，也可能回答不同问题。
## 先统一实验对象，再比较方法
模型名称不够精确。研究记录还要包括版本、提示模板、分词器、量化方式、上下文、随机参数和数据预处理。同一个多语言模型在不同提示语言、脚本或分词方式下，内部路径可能改变。
解释方法也要固定实现和参数。例如特征归因使用什么基线，局部扰动改动多少文本，探针在哪一层训练，样本如何分组。把代码、环境与随机种子一并发布，结果才可能复现。
合作方可以设置“交换样本”：每个实验室先在本地数据上完成测试，再交换一部分匿名、许可清晰的数据重复实验。若结论只在单一站点成立，就不应写成普遍规律。
## 多语言不是英文结果的翻译版
2025 年 EMNLP 的多语言大模型可解释性综述指出，现有工作在语言覆盖、任务和资源上仍不均衡。一个方法在英语中稳定，并不代表它能解释中文分词、阿拉伯语形态变化或跨语言迁移。
直译测试题还会改变难度。词序、敬语、歧义和文化背景可能在翻译中消失。更可靠的做法是由本地研究者共同编写等价任务，再用回译和独立审校检查语义，而不是追求逐字一致。
跨语言比较应同时报告原语言表现、翻译表现和语言切换后的变化。如果模型给出相同答案却依赖不同证据，单看准确率会漏掉重要差异。
## 解释偏好也受场景与文化影响
解释不是越长越好。有的人需要简短的反事实，例如“若收入提高到某值，结果会改变”；专业人员可能需要完整证据链；团队协作中还可能更重视谁提供了数据、谁能复核。
2024 年一项对两百多项 XAI 用户研究的系统分析认为，研究样本明显偏向西方人群，并经常把局部观察推广为普遍结论。2025 年德韩比较研究也显示，信任感会随文化背景与讨论主题变化。
这些研究不能证明每个国家都有固定偏好。更合理的结论是：不要用国籍替代用户研究。样本应记录专业经验、任务责任、语言能力和风险感知，并让本地团队参与问题设计与结果解释。
## 共享失败比共享排行榜更有价值
合作项目容易只发布平均分最高的方法，但解释系统的价值常藏在失败中。应建立失败类型：解释不忠实、用户误读、跨语言不一致、计算过慢、敏感信息泄露，以及解释让人产生过度信任。
每种失败保留最小复现实例。参与者可以交换经过脱敏的输入、模型输出、解释结果和人工判断。共同维护的失败库，比一张总榜更能指导后续研究。
还要区分模型错误和解释错误。模型答错但解释忠实，说明解释成功暴露了问题；模型答对但解释虚构，仍是解释系统失败。
## 一套可执行的合作流程
第一步，各方共同选定少量高价值任务，不急着覆盖所有行业。第二步，预注册假设、指标与排除条件，避免看到结果后更换标准。第三步，统一代码和容器，但保留本地原生数据。
第四步，每个站点同时做技术评测和用户研究。技术评测检查忠实度、稳定性和运行成本；用户研究检查理解、纠错与校准信任。第五步，交换样本复现，并公开不一致的结果。
最后发布“模型卡”之外的解释报告：谁参与、哪些语言被测试、哪些人群未覆盖、解释在哪些条件下失效。这样读者知道结论可以推广到哪里，也知道不能推广到哪里。
## 真正的动态是从展示走向测量
可解释 AI 早期常以可视化展示为中心，如今国际合作更重要的方向，是共同定义可验证任务、扩展语言与文化样本、复现实验，并研究解释怎样影响真实的人。
合作的价值不在于形成一个全球统一的解释界面，而在于把差异变成可测量变量。只有当不同团队能指出结论在哪些条件下成立，可解释性才从漂亮演示变成可靠的科学工具。
## 参考资料