本研究分析了现有人工智能监管框架的局限，提出新的监管见解，强调因果理论的重要性，并建议采用双层监管框架以加强对高风险应用的监管。

本研究提出了一种基于实际因果理论的新方法，解决了现有图像分类器输出解释缺乏原则性的问题。该方法效率更高，生成的解释更简洁，优于其他先进工具。

本研究提出一种通过施加物理学相关的偏差来学习可解释的表示的方法，提高零样本泛化能力。实验证明图形网络模型可以学习到与真实力量向量相当的消息表示。该方法适用于任何由图形网络学习的未知交互定律，提供了一种解释和推断因果理论的技术。

该文介绍了基于因果理论的算法和工具REX，用于计算一张图片的多个解释。实验证明，REX在ImageNet-mini基准测试上能够找到比之前方法多7倍的图像的多个解释。