为何AI治理框架的透明度不足？
核心问题在于，许多人工智能系统本质上是难以理解的——其内部逻辑可能涉及数百万个特征，形成极其复杂的人类难以理解的网络[9]。这种技术上的不透明性又因治理漏洞而加剧：企业主导的AI治理往往领先于国家监管，导致问责缺失和跨司法管辖区的监管碎片化[1]。例如，在美国，要求全面披露所有AI辅助方法的笼统规定，实际上可能通过将流程知识转化为监控工具来损害劳动者权益，削弱其自主性与信任感[2]。这表明，仅靠透明度是不够的——必须具有选择性并以结果为导向，才能在保障问责制的同时维护人的尊严。
即使透明度被强制要求，也常常得不到落实。2023年一项关于人工智能治理框架的审查发现，尽管科技巨头和政策制定者提出了问责制和可解释性等原则，但这些原则很少得到可执行法规的支持[7]。在信任至关重要的医疗领域，医疗人工智能面临着特定挑战：数据质量问题、算法偏差以及不透明性都削弱了可信度，而当前的监管努力才刚刚开始要求在真实的临床环境中进行严格验证[4][6]。其结果是，公民和患者往往无法核实影响他们的人工智能决策是否公平或准确。
什么才能让AI治理真正负起责任？
多篇论文共同指向一套实践要求。首先，透明度必须聚焦于结果与系统层面，而非事无巨细地披露每个微观步骤。一项工人权利框架提出：以结果为导向的评估、定期审计而非持续监控，以及工人参与人工智能治理[2]。这一方法在保障公共问责的同时，保留了方法自主权。其次，法律框架需超越自愿性伦理，转向可执行的制度体系——包括责任机制、透明度要求及全球执法协调[1]。个性化法律通过人工智能为个体量身定制义务，这会割裂法律的一般性、模糊公共问责，对法治构成特殊风险[5]。
第三，诸如可解释人工智能（XAI）和情境感知可解释性（SAX）等技术方法正在开发中，旨在让AI决策更易于理解，但这些方法仍处于发展阶段[8][9]。2023年一项关于可信医疗AI的研究强调，人类必须始终是责任承担者——AI不具备道德地位——且监管应覆盖AI全生命周期，从数据质量管理到风险评估[4]。最后，利益相关方之间的数据共享可增进对社会挑战的知识产出，并有助于打破数据资本主义的遮蔽性[3]。纵观这些研究，核心信息明确：若无强制性规则、有意义的人类监督及公众质疑机制，仅凭透明度远远不够。
关于这些来源
该回答基于9篇经同行评审的研究——发表于2022年至2026年间，其中4篇为2024年及以后发表，2篇发表于Q1期刊，累计被引用567次——这些研究是从12篇通过质量筛选的文献中选出的最具相关性的成果，而12篇文献又源自从超过5亿篇论文数据库中检索到的48篇论文。
本文引用的文献
跨境治理人工智能：企业权力、国家主权与全球监管
企业主导的人工智能治理往往超越国家监管，导致问责缺失与监管碎片化；透明度要求、责任机制及全球执法协调是关键的干预措施。
AI中介工作中的选择性非透明性论证：一个工人权利框架
在人工智能介入的工作中，全面透明化可能将流程知识转化为监控手段，从而削弱自主性与信任；为此，本文提出一种以结果和系统为核心的问责模式，同时保障流程的隐私性。
数据、人工智能与治理的一般理论
数据共享能够增进对社会挑战的知识产出，并有助于解决数据资本主义与人工智能治理中的透明度问题。
可信医疗人工智能的伦理与治理
医疗人工智能面临来自数据质量、算法偏见、不透明性、安全性及责任归属等方面的信任问题；建议人类继续承担主要责任，并将监管覆盖人工智能的完整生命周期。
个性化法律与个性化医疗：人工智能治理时代规范分化的批判性研究
通过人工智能定制的个性化法律，可能因破坏法律的一般性并模糊公共问责制而削弱民主合法性；只有在严格保障措施下才具有正当性。
影像学中的AI：监管格局
医疗器械监管机构正要求对人工智能辅助设备进行更严格的验证和偏差消除，包括在真实临床环境中的验证，以提升信任度。
人工智能治理：伦理考量与社会责任启示
科技巨头和政策制定者提出的AI治理框架常提及透明与问责原则，但缺乏可执行的法规；开发者肩负着社会与伦理责任。
AI4Gov：可信人工智能助力透明公共治理，促进民主价值观
可信赖的公共治理人工智能需要具备透明、可问责且无偏见的系统，通过可解释人工智能与情境感知可解释性来维护民主价值观。
人工智能中的可解释性与透明度
人工智能系统本质上是 opaque 的；透明性与可解释性方法（XAI）在技术和伦理层面均具有复杂性，而评估其质量的标准仍是悬而未决的挑战。