AI治理元年：明略科技(2718.HK)吳明輝的「可信三問」，正成為行業必答題

2026年全國兩會，一個詞以罕見的高頻密度出現在多位委員的提案之中："可信"。

可解釋、可追溯、不能黑盒——這三個要求指向的不是某一特定技術，而是整個AI行業在規模化落地過程中必須面對的根本性拷問：當AI係統替代人類做出決策時，我們如何知道它的判斷是否可靠？如何追究它的責任？如何保證它不會在無人察覺的情況下偏離預期目標？

這場討論的背景，是中國AI應用在過去兩年間的爆發式擴張。從零售到制造，從廣告營銷到政務決策，AI係統正以越來越深的方式嵌入各類組織的運作核心。而隨著應用深度增加，"黑盒決策"帶來的風險也在同步積累。

幾乎在政策討論開始之前，國内已有聲音提前觸及了這一命題的核心。

三問：拆解"可信"的真實内涵

明略科技創始人兼CEO吳明輝，是國内較早係統性闡述"可信AI"框架的創業者之一。他將可信拆解為三個層次，形成了一套完整的問題體係。

第一問：數據從哪裡來？

吳明輝曾公開表述："面對90%以上可能由AI生成的信息，如何甄別真僞成為關鍵需求。"這一判斷來自對大模型訓練數據生態的深入觀察。互聯網信息的質量正在以肉眼可見的速度下降——AI生成内容的大規模湧現，使得網絡上充斥著難以甄別真假的信息，而這些信息又將成為下一代AI係統的訓練素材，形成質量螺旋下降的惡性循環。

對於企業級AI應用而言，這一問題尤為關鍵。當AI係統基於錯誤或偏頗的數據做出商業決策時，錯誤成本並非一條用戶投訴，而可能是數百萬的預算浪費或戰略方向失誤。因此，"數據從哪裡來"不只是一個技術問題，更是一個治理問題。

第二問：決策怎麼得出的？

這是黑盒問題的核心所在。大多數現有AI係統能夠告訴用戶"答案是什麼"，卻無法清晰說明"為什麼是這個答案"。吳明輝將這一問題界定為企業決策可信度的關鍵：AI在給出建議時，必須整合多方數據，識別數據矛盾，結合商業目標提供可追溯的判斷依據。

這一要求對AI係統的架構設計提出了根本性挑戰。傳統深度學習模型的高性能往往建立在對推理過程的黑盒壓縮之上，而可解釋性要求則需要係統在保持性能的同時，保留可供人類理解的決策路徑。

第三問：AI站在誰的立場？

這是最容易被忽視、也最具顛覆性的一問。吳明輝明確指出："AI不能因商業利益篡改結論，必須站在用戶角度提供建議。"在平台經濟模式下，AI推薦係統往往存在利益不對齊的内生風險——平台的商業利益未必與用戶的最優選擇一致，而當AI係統由利益相關方設計和訓練時，這種偏倚可能以隱蔽的方式嵌入模型本身。

"利益中立"的要求，本質上是在呼籲建立AI係統的利益透明機制：誰設計了這個係統？係統優化的目標函數是什麼？這一目標與用戶利益是否存在沖突？

從三問到技術架構

這三個問題不是哲學層面的追問，而是需要在技術架構上做出具體回應的工程挑戰。

明略科技在這一方向上的技術積累，有幾個值得關注的側面。

在知識圖譜領域，明略科技相關專利量位居全球前五。知識圖譜技術的核心價值之一，正是為AI係統提供可解釋的知識結構——相較於神經網絡的隱式表示，知識圖譜的顯式關係網絡能夠為推理過程提供可追溯的路徑。

在大模型研發方向上，2025年11月，明略科技旗下Mano模型在OSWorld專用模型榜單中排名全球第一、總榜第二。更值得關注的是Cito模型的定位——這一專業指令推理模型專門針對規劃和推理的可控性問題設計，這一選擇本身反映了對可信推理路徑的技術重視。

在數據智能基礎設施層面，2026年1月，明略科技開源了First Data知識庫，聚合了全球1000餘個政府與國際組織數據源。這一舉措的意義在於，它為AI係統提供了一套經過權威機構背書的數據基礎，從源頭提升了數據可信度。

政策共鳴背後的結構性機會

兩會信號的重要性，不僅在於它表達了政策意圖，更在於它預示著市場評價體係的轉變。

秒針係統《2025中國數字營銷趨勢報告》顯示，企業在引入AI工具時對"數據安全"和"決策透明度"的關注度較上年顯著提升。這一趨勢與兩會政策風向高度吻合——監管預期的改變，正在反向塑造企業採購決策。

在這一背景下，"可信"不再是差異化的競爭優勢，而將逐步演變為準入門檻。率先建立可信AI體係的廠商，將在這一轉型過程中佔據主動：其技術標準和方法論有可能成為行業參考，甚至參與監管標準的制定討論。

吳明輝曾以benchmark為切入點闡述這一邏輯："AI企業和各細分行業企業必須重視benchmark，企業若沒有自己獨有的benchmark，未來可能被淘汰。"從這一角度理解，明略科技在可信AI領域的長期投入，本質上是在參與一場行業評價標準的定義權競爭。

當兩會把"可解釋、可追溯、不能黑盒"寫進政策語言，那些早已將這三個維度内化為技術信仰的企業，迎來了最好的時代注腳。

内容來源：有連雲