一项覆盖 137 篇学术文献的系统综述揭示：当前主流大模型在满足欧盟“解释权”要求时，仅有 5% 的案例能通过完整法律审查。技术可解释性与法律可问责性之间的鸿沟，远比想象中深。
欧盟的“解释权”不是一句空话。GDPR 第22条赋予个人“不受仅基于自动化处理之决策约束”的权利，除非该决策附带“有意义的解释”。2024年生效的《AI法案》进一步将这一要求写入高风险AI系统的强制合规条款。
但法律措辞中的“有意义的解释”，在技术领域究竟对应什么？
答案是：目前没有统一标准。
这篇发表于 arXiv 的系统综述，由法学与计算机科学交叉团队完成，系统梳理了2016-2025年间 137 篇涉及 XAI 与法律解释权交叉研究的文献。结果令人不安：
提供模型内部机制或决策归因的解释（如特征重要性、注意力权重、LIME/SHAP值）。目标是“模型做了什么”。
要求解释具备“可理解性、可问责性、可争议性”——必须让受影响的人理解“为什么是我”，并能据此提出异议。
简而言之：技术解释告诉你“模型如何做出决定”，法律解释告诉你“为什么这个决定应该成立”。两者不是一回事。
综述将法律解释权拆解为三个核心维度，逐一对照现有XAI技术——每一个维度都暴露了系统性差距。
注：三个维度均基于137篇文献的系统编码。可问责性指“解释是否足以让用户发起有效异议或申诉”。
透明度方面，很多大模型本身是黑箱，即便是基于注意力机制的解释，也难以提供可审计的内部状态记录。可理解性更棘手——法律要求“面向普通人”的解释，而 SHAP 值、梯度热力图等对非技术用户几乎毫无意义。可问责性则是最薄弱的环节：即使模型给出了解释，用户也几乎没有渠道去质疑或推翻它。
这就是 5% 的极低完成度背后的原因。不是技术做不到，而是技术“做出来的东西”在法律框架下不成立。
综述中收录了多个具体的场景研究，揭示了技术解释与法律解释之间的“翻译鸿沟”有多具体。
注：三个案例均来自系统综述的编码样本。能够通过完整法律审查的案例，必须具备“面向用户的自然语言解释 + 可操作的争议路径”。
这篇综述的发布，恰好踩在欧盟AI法案全面落地的关键节点上。三个因素正在将“解释权”从学术讨论推向实际合规压力：
第一，法律框架已就位。GDPR 第22条在2025年多起判例中得到强化解释；《AI法案》的高风险分类规则将于2026年下半年全面生效。届时，没有合规解释能力的高风险AI系统将无法上市。
第二，大模型应用正在渗透高风险领域。信贷、招聘、医疗诊断、司法辅助——这些场景的AI化进程正在加速，而它们恰恰是法律要求最强的领域。
第三，技术社区开始觉醒。从2024年起，XAI 研究论文中提及“法律合规”的比例从 11% 跃升至 34%。跨学科合作正在成为新趋势。
但时间不等人。
综述中识别出三种正在形成的解决方案路径：
例如，欧洲某金融科技公司已经在信贷模型中内置了“法律解释模块”——当用户被拒绝时，系统自动生成一份包含“决定原因、数据来源、可申诉路径”的PDF，非技术用户平均阅读时间仅需2.3分钟，理解正确率91%。
但这样的案例仍然是个例。综述指出，在检测到的所有商业AI系统中，只有不到 8% 提供了任何形式的可争议机制——即使是最基础的“人工复核入口”。
可解释性正在从“加分项”变成“准入门槛”。在欧盟AI法案的合规时钟下，技术团队必须将法律翻译能力纳入XAI系统的核心架构——而不是在部署后补一张解释“贴纸”。
这篇综述的完整版本可在arXiv预印本平台获取。开发者可关注“法律-技术对齐”工具包与开源评估框架的进展。
综合公开信息整理 · 学术成果以原始论文为准