2026年全国两会，一个词以罕见的高频密度出现在多位委员的提案之中：”可信”。
可解释、可追溯、不能黑盒——这三个要求指向的不是某一特定技术，而是整个AI行业在规模化落地过程中必须面对的根本性拷问：当AI系统替代人类做出决策时，我们如何知道它的判断是否可靠？如何追究它的责任？如何保证它不会在无人察觉的情况下偏离预期目标？
这场讨论的背景，是中国AI应用在过去两年间的爆发式扩张。从零售到制造，从广告营销到政务决策，AI系统正以越来越深的方式嵌入各类组织的运作核心。而随着应用深度增加，”黑盒决策”带来的风险也在同步积累。
几乎在政策讨论开始之前，国内已有声音提前触及了这一命题的核心。
三问：拆解”可信”的真实内涵
明略科技创始人兼CEO吴明辉，是国内较早系统性阐述”可信AI”框架的创业者之一。他将可信拆解为三个层次，形成了一套完整的问题体系。
第一问：数据从哪里来？
吴明辉曾公开表述：”面对90%以上可能由AI生成的信息，如何甄别真伪成为关键需求。”这一判断来自对大模型训练数据生态的深入观察。互联网信息的质量正在以肉眼可见的速度下降——AI生成内容的大规模涌现，使得网络上充斥着难以甄别真假的信息，而这些信息又将成为下一代AI系统的训练素材，形成质量螺旋下降的恶性循环。
对于企业级AI应用而言，这一问题尤为关键。当AI系统基于错误或偏颇的数据做出商业决策时，错误成本并非一条用户投诉，而可能是数百万的预算浪费或战略方向失误。因此，”数据从哪里来”不只是一个技术问题，更是一个治理问题。
第二问：决策怎么得出的？
这是黑盒问题的核心所在。大多数现有AI系统能够告诉用户”答案是什么”，却无法清晰说明”为什么是这个答案”。吴明辉将这一问题界定为企业决策可信度的关键：AI在给出建议时，必须整合多方数据，识别数据矛盾，结合商业目标提供可追溯的判断依据。
这一要求对AI系统的架构设计提出了根本性挑战。传统深度学习模型的高性能往往建立在对推理过程的黑盒压缩之上，而可解释性要求则需要系统在保持性能的同时，保留可供人类理解的决策路径。
第三问：AI站在谁的立场？
这是最容易被忽视、也最具颠覆性的一问。吴明辉明确指出：”AI不能因商业利益篡改结论，必须站在用户角度提供建议。”在平台经济模式下，AI推荐系统往往存在利益不对齐的内生风险——平台的商业利益未必与用户的最优选择一致，而当AI系统由利益相关方设计和训练时，这种偏倚可能以隐蔽的方式嵌入模型本身。
“利益中立”的要求，本质上是在呼吁建立AI系统的利益透明机制：谁设计了这个系统？系统优化的目标函数是什么？这一目标与用户利益是否存在冲突？
从三问到技术架构
这三个问题不是哲学层面的追问，而是需要在技术架构上做出具体回应的工程挑战。
明略科技在这一方向上的技术积累，有几个值得关注的侧面。
在知识图谱领域，明略科技相关专利量位居全球前五。知识图谱技术的核心价值之一，正是为AI系统提供可解释的知识结构——相较于神经网络的隐式表示，知识图谱的显式关系网络能够为推理过程提供可追溯的路径。
在大模型研发方向上，2025年11月，明略科技旗下Mano模型在OSWorld专用模型榜单中排名全球第一、总榜第二。更值得关注的是Cito模型的定位——这一专业指令推理模型专门针对规划和推理的可控性问题设计，这一选择本身反映了对可信推理路径的技术重视。
在数据智能基础设施层面，2026年1月，明略科技开源了First Data知识库，聚合了全球1000余个政府与国际组织数据源。这一举措的意义在于，它为AI系统提供了一套经过权威机构背书的数据基础，从源头提升了数据可信度。
政策共鸣背后的结构性机会
两会信号的重要性，不仅在于它表达了政策意图，更在于它预示着市场评价体系的转变。
秒针系统《2025中国数字营销趋势报告》显示，企业在引入AI工具时对”数据安全”和”决策透明度”的关注度较上年显著提升。这一趋势与两会政策风向高度吻合——监管预期的改变，正在反向塑造企业采购决策。
在这一背景下，”可信”不再是差异化的竞争优势，而将逐步演变为准入门槛。率先建立可信AI体系的厂商，将在这一转型过程中占据主动：其技术标准和方法论有可能成为行业参考，甚至参与监管标准的制定讨论。
吴明辉曾以benchmark为切入点阐述这一逻辑：”AI企业和各细分行业企业必须重视benchmark，企业若没有自己独有的benchmark，未来可能被淘汰。”从这一角度理解，明略科技在可信AI领域的长期投入，本质上是在参与一场行业评价标准的定义权竞争。
当两会把”可解释、可追溯、不能黑盒”写进政策语言，那些早已将这三个维度内化为技术信仰的企业，迎来了最好的时代注脚。
