我们提出了一种用于点云数据的快速且简单的可解释人工智能（XAI）方法。该方法针对训练好的网络下游任务计算逐点重要性，从而有助于更好地理解网络特性，这对安全关键型应用至关重要。除了调试和可视化外，我们的低计算复杂度还便于在推理时向网络提供在线反馈，可用于减少不确定性并增强鲁棒性。在这项工作中，我们引入了基于特征的可解释性（Feature Based Interpretability，FBI）方法，即在瓶颈层之前计算每个点的特征范数。我们分析了梯度的使用以及瓶颈后与瓶颈前策略，结果表明瓶颈前策略在平滑性和排序方面更优。与当前的XAI方法相比，我们获得了至少三个数量级的加速，因此可扩展到大规模点云或大规模架构。我们的方法在分类可解释性方面达到了最先进（SOTA）的结果。我们还展示了所提出的度量在分析和刻画3D学习各个方面（如旋转不变性、对分布外（OOD）异常值或领域偏移的鲁棒性以及数据集偏差）中的有用性。