本文探讨了可解释人工智能（XAI）中的梯度解释方法，分析了其技术细节和算法演变。研究表明，某些属性解释法可能导致决策者做出更差的决策，强调了人类评价的重要性。提出了将因果关系编码进数据的新方法，以提高解释质量，并展示了高斯过程回归在特征归因中的应用，提供了更准确的解释。最后，强调训练数据质量对模型性能的重要性，呼吁关注训练数据归因技术的实用性。

文章介绍了五种神经网络可解释性方法：基于梯度解释、对输入加扰动观察输出变化、利用中间层数据检测、用对抗样本发现模型缺陷、通过剔除样本重训分析归因。作者建议少发明新方法，多验证解释性优劣，并指出模型过大时解释信号微弱，可从小模型逐步扩展以保证可解释性，助力AGI发展。