□ 李 欣

在人工智能加速融入产业决策的当下，如何让模型输出更透明、更可信，正成为数字经济发展的关键命题。现任职于R&T物流公司的青年数据研究者车铉敏，其研究路径，恰好覆盖了这一命题的两个侧面：一是用数据建模推动物流等实体行业的智能决策；二是用可解释性评估方法回应AI治理中的信任难题。

车铉敏本科毕业于加州大学戴维斯分校管理科学与定量方法专业，后获圣克拉拉大学商业分析硕士学位。从管理科学到数据科学的训练路径，使他既理解企业决策的业务逻辑，又掌握机器学习建模的技术方法。这一复合背景也成为他后续研究的底层支撑。

在学术研究方面，车铉敏已形成从物流应用到AI评估的完整研究序列。他围绕物流智能化发表了三篇论文。其中，《智能物流体系运行中的协同治理模式研究》入选2025国际人工智能、数据科学与智能工程大会，比较了集中式、分布式和混合式三类物流治理架构；《融合多模态数据的物流行为分析与预测建模方法》系统梳理了GPS、仓储传感与订单交易等多类数据的融合路径，搭建了覆盖数据清洗、特征工程与时序预测的完整建模框架；《融合多源行为数据的人机协同物流风险决策方法研究》则进一步构建了多源数据驱动的人机协同风控体系，为物流企业搭建全链路风险预判模型提供了标准化技术方案。三篇论文层层递进，从系统治理到数据建模再到风险决策，构成了他对物流智能化问题的完整回答。

随着研究的深入，车铉敏的关注重心从物流场景逐步向AI系统本身的可靠性问题延伸。发表于《数字技术与应用》的论文《结合人机对齐约束的可解释大语言模型决策评估方法研究》，是他在这一方向上的代表性成果。该研究针对大语言模型决策不透明、与人类偏好对齐不足的问题，构建了输入、解释、对齐、输出的闭环评估框架，设计了影响度、敏感性、一致性、鲁棒性等多维度指标体系。实验数据显示，引入人类偏好约束后，模型解释对齐度从65.3%提升至83.6%，解释一致性得分提升13.2个百分点。这项研究的意义在于，它将“人机对齐”这一抽象原则转化为可量化、可比较的评估路径，为AI系统在关键场景中的部署审核与持续治理提供了方法参考。该论文同时也是他主持的国际数字经济创新研究院重点课题《面向数字经济治理的大语言模型人机对齐评估框架与应用研究》的核心成果，该课题已于2026年8月完成结题，并获科研成果一等奖。

在学术服务方面，车铉敏受邀担任多本国际学术期刊审稿人，累计完成多篇论文评审工作，方向覆盖商业智能、物联网应用和深度学习等领域。审稿过程中，他需要对研究方法、实验设计和结论可靠性给出专业判断，这一角色本身反映了同行对其研究能力的认可。

在学术研究之外，他亦注重研究方法的应用转化，早期曾在AI评估与商业数据分析项目中积累实践经验，为后续研究提供了场景支撑。谈及未来方向，车铉敏表示，数据科学的价值不仅在于模型精度的提升，更在于让技术决策变得透明、可信、可审计。他希望继续在AI评估和智能决策方向深耕，用严谨的研究方法回应数字经济发展中提出的新问题。