首先，我们须要认识到，AI系统的核心在于其繁芜的算法和模型。
这些算法和模型在处理数据、进行决策和天生结果时，每每涉及大量的参数和打算过程。
这些参数和打算过程不仅数量弘大，而且相互浸染、相互影响，形成了一个高度繁芜的网络。
这种繁芜性使得AI系统的内部机制变得难以捉摸，难以用人类能够理解的办法去阐明。

其次，AI系统的演习和优化过程常日基于大规模的数据集。
这些数据集可能包含各种来源的信息，个中不乏噪声、偏差和不完全的数据。
这些不完美的数据会导致AI系统学习到一些不准确或者偏见的模型。
当AI系统基于这些模型进行决策时，其决策过程也就难以被准确地阐明和理解。

再者，AI技能的发展速率极快，新的算法和模型不断呈现。
然而，对付这些新算法和模型的理解和解释却每每滞后于技能的发展。
这紧张是由于AI领域的研究者和开拓者们更多地关注于如何提高AI的性能和准确性，而对付其阐明性的研究则相对较少。

此外，AI系统的运用处景极为广泛，涉及医疗、金融、交通等各个领域。
这些领域对付AI系统的阐明性需求各不相同，且每每具有很高的专业性和繁芜性。
这使得AI系统的阐明性问题变得更加繁芜和难以办理。

末了，我们还须要考虑到人类对付阐明性的需求本身便是一个相对主不雅观的观点。
不同的人对付同一AI系统的阐明性可能有不同的期望和哀求。
这也增加了AI系统阐明性问题的繁芜性和寻衅性。

综上所述，人工智能短缺阐明性的根本缘故原由紧张来自于其算法和模型的繁芜性、数据的不完美性、技能发展的快速性、运用处景的多样性以及人类需求的主不雅观性等多个方面。
为理解决这一问题，我们须要从多个角度出发，加强对付AI系统内部机制的研究和理解，提高数据的质量和完全性，推动AI技能的透明化和可阐明化，并针对不同领域的需求制订得当的阐明性方案。