该论文系统性地探讨了人工智能系统的取证调查问题。随着AI系统越来越多地参与决策和行动，事后调查其行为原因、系统组件及供应链责任成为重要挑战。当前AI取证研究分散，多聚焦于特定系统类型、工件或分析技术，缺乏统一框架。作者提出以调查者的访问权限作为组织该领域的起点，区分白盒、灰盒和黑盒三种访问模式，并分析每种模式对证据收集、保存、分析和报告的影响。基于此，论文提出一个跨越收集、保存、分析和报告四个阶段的AI取证过程模型矩阵，并引入AI系统挥发性顺序（order of volatility），涵盖运行时状态、上下文窗口、日志、检索库、模型工件和训练谱系。进一步，作者推导出访问条件化的检查框架，并识别若干开放研究问题，包括黑盒证据保存、模型版本证明、基于替代模型分析的不确定性量化、以及可变AI工件的监管链。该论文的主要贡献在于：为AI取证建立一个结构化的研究议程，强调访问权限作为核心分类维度，并整合既有分散研究。适合数字取证研究者、AI安全工程师以及负责AI事故响应的蓝队人员阅读，可作为建立内部AI取证能力的理论起点。