问题：长期以来，机器学习应用面临“算得准”与“说得清”的结构性矛盾；一方面，深度神经网络等高容量模型图像识别、语音理解、交易预测等任务中精度突出——但内部决策路径难以追溯——易形成“黑箱”；另一上，广义加法模型等透明方法能够将预测拆解为各特征的贡献，便于审计与复核，却往往难以描述现实数据中普遍存的非线性交互效应。随着算法在信贷审批、医疗辅助诊断、公共服务分配等领域加速落地，监管合规、责任界定与社会信任对“可解释、可追责”的需求持续上升，此矛盾愈发凸显。 原因：造成两难的核心在于模型结构表达能力与可解释性约束之间的张力。加法模型的优势在于把总预测表示为各特征影响的可加总结果，解释直接、直观，但其“每个特征贡献相对固定”的设定难以体现“因情境而变”的规律：同一因素在不同人群、不同环境、不同任务阶段的重要性可能显著不同。若强行引入大量交互项，模型复杂度迅速抬升，解释成本随之增加，甚至接近黑箱。如何在结构上同时满足“可分解、可审计”与“能适配情境变化”，成为学界与产业界共同关注的方向。 影响：据论文信息显示，弗吉尼亚大学研究团队在第29届国际人工智能与统计学会议（AISTATS 2026）公布研究，提出“神经加法专家模型”（Neural Additive Experts，NAE），并在预印本平台发布编号为arXiv:2602.10585v1的论文。该方法的关键是将传统“一个特征对应一个固定函数”的做法，升级为“一个特征对应多个专家”，并通过动态门控机制根据输入情境对专家输出进行加权融合。由此，每个特征的贡献不再是静态的，而是能够在不同样本、不同上下文中自适应调整，但整体仍保持“各特征贡献相加得到预测”的可解释框架，便于逐项审计与对外说明。研究还提出“专家变异惩罚”约束项，引导同一特征下各专家在必要时保持一致性，避免模型因自由度过大而难以解释或出现不稳定决策。研究团队从理论层面对模型表达能力进行分析，给出其在刻画复杂关系上优于传统加法结构的证明思路，为该类模型从“工程经验”走向“可验证方法”提供支撑。 对策：从应用角度看，NAE提供了一条兼顾性能与治理的技术路线。其一，金融风控等高敏感场景，可在保持特征贡献可追溯的前提下更好处理“人群差异、地区差异、周期差异”等情境因素，辅助提升模型稳健性与合规性；其二，在医疗与公共服务等领域，模型输出若能明确呈现各因素在特定患者或个体上的作用大小，将有助于专家复核与责任界定，减少“只给结论不讲依据”的风险；其三，在工程部署中，变异惩罚等约束为“解释性—灵活性”提供可调旋钮，便于按业务要求设定透明度阈值，形成可操作的模型治理策略。业内人士指出，此类方法若与数据质量管理、偏差评估、审计日志、模型监控等制度化流程结合，或将更提升智能系统在关键行业的可控性。 前景：随着算法应用从“效率工具”迈向“治理对象”，可解释、可审计、可复核正成为模型研发的重要指标。NAE的思路显示，提升解释性未必意味着牺牲精度，通过结构创新与约束设计，有望在两者之间建立新的平衡点。下一步研究与产业落地仍需关注三上：一是不同任务与数据分布下的泛化表现与稳定性评估，避免在小样本或分布漂移时出现解释失真；二是门控机制与专家结构的复杂度控制，防止“表面可解释、实则难理解”的新型复杂化；三是与行业监管规则、隐私保护与公平性要求的系统性耦合，推动形成可被采信的评估标准与验证流程。可以预期，在“高风险应用必须可说明”的趋势下，面向可解释与高性能兼得的模型结构将持续受到关注。
弗吉尼亚大学的研究证明，通过创新的模型设计，AI系统完全可以同时实现高精度和可解释性。这个突破将有助于消除AI的"黑箱"问题，推动人工智能技术更可信、更广泛地应用于社会各领域。