AI融入科研之路：必须契合科学方法论
人工智能在科研领域的影响力日益增强，笔者深入剖析了其对研究范式的冲击与改变。当前这代AI系统普遍存在四大缺陷：难以实现结果复现、缺乏过程透明度、主观性过强、机制阐释能力不足。文章深入阐释，科学的本质在于实证与推理的深度融合，通过假设验证与实验反馈的持续迭代来推进认知边界；而现有多数AI方案仍停留在统计模式匹配与相关性挖掘层面，无法提供清晰可解释的不确定性评估与因果链条。研究者以AlphaFold与机器学习势能模型为典型案例，对比了基于物理原理的建模路径与纯数据驱动策略在不确定性量化、参数可解释性等维度的本
AI可解释交互：HCI申博新赛道解析
VOL.483近年来，大语言模型的迭代速度已远超人类对其运作机制的认知深度。ChatGPT、Claude、Gemini以及各类AI智能体已能胜任写作、编程、数据分析乃至辅助决策，但一个日益凸显的困境是：用户往往无法理解AI为何给出特定回复，也不清楚何时应该采纳其建议。这正是人机交互（HCI）领域正在迅速崛起的研究方向：AI可解释交互。许多人会误以为可解释AI（XAI）属于机器学习范畴，但实际上，人机交互顶级学术会议近年来的关注重点已悄然转移："解释"本质上是否属于交互设计议题？换言之，核心问题已从“模型内