核心要点
透明度 = 让模型的能力、局限、数据来源与决策依据可被理解；问责 = 明确出问题时谁负责、如何救济与纠错。
为什么重要：高风险场景（信贷、招聘、医疗、司法）的决策直接影响个体权益，需可解释、可申诉、可追溯。
关键工具：可解释性方法、模型卡（model card）/ 数据卡、决策日志与 audit trail、透明度报告。
问责需落到组织：界定开发者/部署者/使用者各自责任，建立审计与监督流程，而非把责任推给「算法」。
标准回答
定义区分
- 透明度（Transparency）：对外披露模型如何工作、用什么数据训练、有何能力与局限，并让单次决策可被解释。
- 问责（Accountability）：当 AI 造成损害或错误时，能明确责任主体、提供救济与纠错路径。
为什么重要
- 保护权益与公平：信贷、招聘、医疗、司法等高风险决策影响个人，黑箱决策可能放大偏见且无法申诉。
- 建立信任与采用：用户/监管只有理解系统才会信任并允许其大规模部署。
- 合规要求：EU AI Act 等对高风险系统强制要求可解释、文档化与人工监督。
- 可纠错：可追溯的决策日志便于定位错误、复盘并改进。
落地工具
- 可解释性技术（特征归因、机制可解释性）解释「为什么这样判」。
- model card / data card 披露用途、局限、评测与数据来源。
- audit trail（决策日志） 让每次关键决策可追溯。
- 定期发布透明度报告。
问责落地：明确开发者、部署者、使用者的责任边界，设立审计与监督机制——责任归于人和组织，而非「算法本身」。
常见误区
⚠️ 常见踩坑
透明度不等于「公开全部权重和源码」——它更强调对能力/局限/决策依据的有意义披露与可解释性。也别把问责简单归咎于「算法黑箱」：问责的核心是界定人/组织的责任与救济路径，不能用「模型自己决定的」来免责。
追问
追问 1：透明度（Transparency）和可解释性（Explainability）是一回事吗？
不是。可解释性是技术层面——让某个具体决策可被人理解（如特征归因、反事实解释）；透明度是更广的治理层面——披露系统的整体运作、数据来源、能力边界与责任主体。可解释性是实现透明度的手段之一，但透明度还包括文档化、报告和流程公开。
追问 2：model card / data card 通常包含哪些内容？
model card 一般记录模型用途与适用场景、训练数据概况、评测结果（含分群体表现）、已知局限与风险、伦理考量与使用建议；data card 记录数据集的来源、采集方式、标注流程、覆盖人群分布、已知偏差与许可。它们让下游使用者在不接触全部内部细节的前提下做出知情判断。
追问 3：当 AI 系统造成损害时，问责应如何划分？
通常按角色分层：模型开发者对模型固有缺陷、文档准确性负责；部署者对在特定场景的适配、风险评估、人工监督负责；使用者对合规使用负责。需结合合同、法规与因果关系判定，并保留 audit trail 还原决策链路，避免以「算法自动决定」推卸责任。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。