|内容简介

本报告深入探讨了可解释人工智能（XAI）领域的评估现状，对当前主流的评估方法进行了系统的实证检验与批判性审视。随着AI在关键领域的广泛应用，理解模型决策过程的需求日益迫切，但现有评估框架存在显著局限。研究指出，当前许多评估指标过度依赖数学代理指标，忽视了人类用户的实际认知体验，导致“可解释性”的衡量与真实效用严重脱节。此外，研究还揭示了部分解释方法在对抗性环境下的脆弱性，以及评估标准缺乏统一性所带来的安全隐患。 通过多维度实证分析，报告剖析了现有体系在科学性、实用性和鲁棒性方面的盲区，并为开发者、研究人员及政策制定者提出前瞻性建议。核心主张包括：建立以人为中心的评估基准，将认知科学深度融入测试环节；推动评估标准的规范化与跨领域共识；并强调在部署高风险系统前必须进行严格的实证验证。该研究为构建透明、可信且安全的AI生态提供了重要支撑，对完善全球AI治理框架具有深远的战略参考价值。