ASU为医疗和农业领域设计可解释的人工智能系统

在某个地方，一位患者正盯着屏幕，向聊天机器人询问哪种药物安全，希望它能记住自己几个月前提过的药物过敏。

而在另一片土地上，一位农夫在黎明时分察看田地，畅想着未来有机器人巡查病害、精准除草、提高产量，却又困惑自己究竟该如何指挥机器工作。

在这两个场景里，人工智能的前景都令人向往，却也都留下了同样的疑问：我们能信任AI吗？我们能理解它吗？我们能真正用好它吗？

亚利桑那州立大学(Arizona State University, ASU)计算与增强智能学院博士生Zhen Tan给出的答案是：可以，只要我们打造出的AI系统不仅强大，而且足够精简。

Zhen Tan就读于ASU富尔顿工程学院的计算与增强智能学院。凭借在AI领域一项紧迫难题上的研究，让复杂模型变得可理解、进而能被普通人真正使用，他荣获了2026年简约学习大会新星奖。

从黑箱到透明箱，可解释AI的核心

Zhen Tan的研究核心是可解释人工智能。

“我的研究旨在弥合普通大众与AI系统之间的理解鸿沟。” 他说。

“目标是从一开始就设计出更简洁、更高效、更透明的系统。”

这正是简约性的意义所在。在机器学习中，简约意味着构建只依赖核心必要信息的系统。

一个简约系统不会在每项任务上都动用庞大模型的全部模块，而是只激活真正关键的部分。

对Tan而言，这不仅是为了节省算力，更是为了清晰易懂。当一个模型的运行组件更少时，研究人员就能更容易追溯它的决策逻辑。

这让系统不仅部署起来更高效实用，也更容易被解读、调试，并最终在现实场景中获得信任。

这种可解释性在医疗等高风险领域尤为关键。

设想一套AI系统通过人体组织图像来判断捐赠者年龄或识别疾病标志物。

“如果你只告诉医生‘根据图像判断这位捐赠者60岁’，医生一定会问：‘我该相信这个判断吗？’” Zhen Tan说。

“所以我们不只给出最终数字，还会展示是细胞的哪些特征驱动了这一判断，是某个结构的形状，还是它的大小。”

这种 “AI作为协作伙伴而非绝对权威” 的理念，也贯穿了他在谷歌研究院的实习工作，期间他专注于对话智能体的长期记忆能力。

如果你告诉AI自己对某种药物过敏，它不应该下周再重复询问，而是要牢牢记住。

Tan参与构建的系统能够在恰当的时机留存并调取关键信息，让AI助手随时间不断适配，而不是每次对话都 “清零重启”。

在医疗等场景中，这种连续性不只是个性化体验，更是一种安全保障。

田间机器人，让农民轻松指挥智能设备

如果说医疗体现了可解释AI的重要性，农业则展现了它的应用广度。

在另一项研究中，Tan与机器人和农业领域研究者合作，打造了一款AI智能体，充当农民与机器之间的 “翻译官”。

农民只需用通俗语言下达简单的高层指令，比如 “找出并治理病株”。

AI就会将指令拆解为协同动作，交由机器人团队执行：无人机进行空中扫描，地面漫游车近距离检测，六足机器人实施精准施药。

信息传递是双向的。完成田间巡查后，系统会汇报结果，标明哪些植株受感染、病害类型与严重程度。AI不会让农民去解读原始传感器数据或机器人代码，而是用他们能理解的方式总结情况。

在技术层面，Tan参与设计的算法先在农场的数字孪生模型中训练，模拟光照、风雨等动态环境。

虚拟训练完成后，系统的决策策略再迁移到真实农田中落地。

最终形成一套实用协作模式：农民下达指令，机器人精准执行，系统全程解释自身判断。

能被追问“为什么”的AI

Zhen Tan的导师刘欢教授是全球人工智能领域的先驱，常年位列世界杰出计算机科学家榜单。他评价Tan兼具罕见的学术严谨性与视野格局。

“Zhen Tan既有严谨的思维，又有协作精神，” 刘欢说。

“他对AI充满热忱，极其勤奋，始终勇于挑战高难度问题。他也明白，最棘手的难题需要跨学科团队合作。”

目前Tan正准备博士论文答辩，并应聘教职。他的志向坚定扎根于学术界。

他希望成为一名教授，推动科研边界，培养下一代研究者。

无论是在医院实验室、数据中心，还是玉米田间，他的研究始终贯穿着一条主线：拒绝接受 “黑箱AI”。

在业界争相追求更大模型、更快输出的当下，Tan专注于让复杂模型更透明，帮助人们理解系统的决策依据。

未来某天，会有一位患者收到记着自己病史的用药建议；也会有一位农夫下达一句简单指令，便看到一队机器人有序作业。如果Zhen Tan的研究得以实现，这两个人不仅会知道AI在做什么，更会明白它为什么这么做。