在2025世界人工智能大会（WAIC）上，公司创始人、上海交通大学张拳石教授受邀发表题为《Scaling Law的桎梏和无法严谨的解释：是否是大模型在工业应用中无解的难题呢？》的主题演讲，首次系统阐述了公司在大模型严谨可解释性领域的重大理论突破与产业化实践成果。
直击行业痛点：Scaling Law之外的"三大进退失据"
张拳石教授指出，当前人工智能领域面临三大核心困境：
⭕️ 评测进退失据：现有评测仅关注输出结果，无法从机理层面诊断模型错误，导致刷榜现象严重，无法回答"错在哪里、如何提升"；
⭕️ 训练进退失据：模型优化依赖试错，开发者只知性能差距，却不知是数据不足、数据质量差还是算法选择错误，OpenAI与DeepSeek之间的差距无法量化分析；
⭕️ 推广进退失据：缺乏一杆子打翻一船人的硬性指标，模型商业化如同卖手机而非卖显卡，无法客观证明技术优势。
这三大困境的根源在于解释性的缺失。张拳石强调，如果我们只能从结果层面惩罚模型，而无法从其内部逻辑层面发现问题、指导优化，AI的工业应用将始终处于黑箱试错阶段。
理论突破：复杂神经网络的稀疏逻辑解构
针对这一世界级难题，公司团队提出严谨解释性建模框架，首次在数学层面证明：在满足三大数学性质的前提下，大模型的复杂决策逻辑可被严格解释为稀疏的符号化逻辑图模型。具体而言，该技术能够：
提取与或逻辑：将神经网络的决策过程解构为50-150个与或逻辑（AND-OR interactions），量化输入单元间的交互关系；
实现严格拟合：用极稀疏的逻辑关系（仅100余个交互项）精准拟合神经网络在指数级输入空间（2^N种状态）下的全部输出，实现1+1=2的数学严谨性，而非近似拟合；
跨模型通用性：适用于大语言模型、图像分类模型、生成模型等各类神经网络架构。
这意味着我们可以用简单的符号逻辑，完全拟合复杂的神经网络行为。张拳石解释道，就像用CT扫描大脑一样，我们现在可以精确诊断AI模型的知识体系。
实战验证：从错误诊断到性能跃升
演讲中，张拳石展示了该技术在工业级场景中的应用成果：
⭐️ 法律大模型风险诊断：在某法律判案模型中，技术揭示了模型将王五杀人的事实错误归因于张三的决策逻辑，超过三分之二的内部交互存在张冠李戴，这种系统性错误通过传统评测无法发现。
⭐️ 视觉模型表征分析：在先进的图像检测模型中，发现90%以上的区域交互信息呈现正负抵消（一半逻辑认为"是"，一半认为"否"），这是典型的过拟合与错误表征，解释了为何传统模型在特定场景下鲁棒性不足。
⭐️ 训练效率革命性提升：通过区分"可泛化交互"与"不可泛化交互"（即正确知识点与错误记忆），公司实现了对模型知识体系的精准评估。研究发现，Qwen与DeepSeek两个不同架构、不同数据训练的大模型，在知识点层面70%高度重合，印证了知识第一性原则。基于此，训练不再是错一题打一巴掌的黑箱惩罚，而是可以有的放矢地优化，算法效率提升可达10-100倍。
全面领先：重新定义大模型工业化标准
张拳石表示，公司的解释性技术在严谨性、性能证明、工程落地等维度已全面超越Google、OpenAI等巨头的现有方案：
✅ 风险敏感型场景：可为自动驾驶、金融风控、法律裁决、国防安全等高风险应用提供可Debug的安全保障；
✅ 科学研究赋能：帮助科研人员验证黑盒模型是否真正学到客观科学规律，而非噪声拟合；
✅ 训练范式革新：实现开卷考试式训练，实时监控模型知识掌握情况，彻底摆脱盲目堆叠算力与数据的Scaling Law陷阱。
未来的AI工业化，不应再是大力出奇迹的试错游戏。张拳石总结道，通过严谨的可解释性技术，我们让大模型从卖情怀的黑箱，转变为卖显卡般的硬核科技产品。这是从知其然到知其所以然的跨越，也是AI真正走向可靠工业应用的必由之路。
目前，公司已与多家风险敏感型行业客户开展深度合作，致力于将这一底层技术能力转化为标准化解决方案，推动人工智能产业进入可解释、可评测、可优化的新纪元。
