随着人工智能技术深度嵌入医疗诊断、金融授信、自动驾驶、公共服务等高频高风险场景，算法决策引发的权益侵害、安全事故频发，厘清AI系统的责任归属、落地问责机制已经成为全球AI治理的核心命题。二者并非简单的正相关关系，而是存在双向互促的明确因果链条，共同构成AI治理的核心支柱。
首先需要明确两个核心概念的内涵：人工智能透明度，指的是AI系统的训练数据集、算法逻辑、决策规则、运行过程日志等核心要素，对利益相关方具备可访问、可解释、可审查的属性，既包括面向普通用户的决策理由告知，也包括面向监管机构的全流程技术溯源支持；而AI问责制，则是指当AI系统引发决策偏差、权益损害、公共安全风险等不良后果时，能够清晰界定责任主体、追溯过错环节、落实追责与救济的制度与技术体系。
从正向因果逻辑来看，透明度是问责制落地的必要前置性原因，没有匹配场景需求的透明度，问责机制就完全失去了落地的可能。问责的核心是“追溯过错”，即需要明确不良后果由哪一环节的失误导致、对应哪一主体的责任，这一过程完全建立在对AI决策全流程可追溯的基础上。2018年Uber自动驾驶车辆致行人死亡事故中，调查方正是通过调取算法运行日志、决策路径记录，最终确认事故源于算法未将横穿马路的行人纳入需避让的对象范畴，且系统关闭了自动紧急制动功能，据此判定Uber承担主要责任，这正是透明度支撑问责落地的典型例证。反之，若AI系统处于完全“黑箱”状态，一旦出现算法歧视、决策失误等问题，利益受损方既无法证明自身权益受损与算法决策的关联，监管方也无法界定是开发方的算法缺陷、运营方的使用不当还是数据提供方的数据偏差导致的问题，问责自然沦为空谈。需要注意的是，透明度是问责的必要非充分条件：并非只要实现透明就必然能落实问责，但若缺乏透明度，问责必然无法成立。
从反向因果逻辑来看，健全的问责制是人工智能透明度提升的核心驱动性原因，问责规则的明确化、责任后果的刚性化，会直接倒逼AI开发、运营主体主动提升系统透明度。从制度经济学的角度来看，若没有明确的问责要求，AI主体为了保护商业秘密、规避合规成本，往往会主动选择“黑箱化”运营，没有动力披露算法相关信息。而当问责规则清晰划定了主体责任边界、明确了未履行透明义务的处罚后果时，相关主体就会主动投入资源提升系统的可解释性、留存全流程运行记录，以满足问责场景下的溯源需求。比如欧盟《人工智能法案》明确要求高风险AI系统必须具备可解释性、留存至少5年的运行日志，违反相关要求的企业最高可被处全球年营收6%的罚款，法案出台后，欧洲市场上的医疗AI、金融AI企业普遍主动升级了可解释模块、建立了面向监管的信息披露通道，正是问责要求驱动透明度提升的直接体现。
还要注意的是，二者的因果传导效应并非线性的，会受到分层透明机制、责任边界划分等要素的调节。一方面，并非透明度越高越好，过度公开算法参数、训练数据等核心信息，反而可能引发算法被恶意攻击、商业秘密泄露等风险，反而破坏问责的基础，因此需要建立分层透明机制：面向普通用户仅告知与个人决策相关的理由，面向监管机构开放全流程溯源权限，在保障问责需求的前提下控制信息披露范围；另一方面，若责任边界划分模糊，哪怕实现了足够的透明度，也可能出现“多人负责等于无人负责”的问责失灵问题，只有清晰划定AI开发方、运营方、数据提供方等不同主体的责任范围，才能让透明度的价值真正传导到问责环节。
当下全球AI治理的核心方向，正是要打通二者的双向因果链条：一方面通过技术研发和制度要求推动适配场景需求的AI透明度建设，筑牢问责的技术基础；另一方面通过明确的问责规则倒逼AI主体主动落实透明义务，形成“透明支撑问责、问责倒逼透明”的良性循环，最终实现AI技术的安全可控发展，切实保障公众权益和公共利益。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。