问题——产业智能加速渗透，“可用”之后更需“可信” 随着大模型更快进入政务、金融、制造、营销等场景——智能系统提升效率的同时——也带来诸多现实难题：数据来源真伪难辨、推理过程难以追溯、结论偏差不易校正。业内普遍认为，模型能力并非唯一衡量标准，面向真实业务的可靠性、合规性与可解释性，正成为智能应用规模化落地的重要门槛。 原因——从数学训练到工程实践，形成“可信三要素”路径 北京大学官网报道显示，吴明辉的学术与产业经历横跨数学、计算机与电子信息等领域。接近他的人士称，其决策方法更强调“可证明、可验证”，并将这个思路延伸到产业智能中，提出“可信三要素”：一是数据源可信。面对互联网信息与合成内容增多，需要建立数据筛选、校验与溯源机制；二是决策可信。系统输出应能回到数据与规则层面，形成可核验的依据链条；三是利益中立。建议输出应围绕用户目标展开，避免被商业目标或单一指标牵引，出现“优化偏差”。这些主张与监管部门近年来关于安全可控、可解释、可追溯的治理方向相一致，也反映出产业界对“黑箱式应用”风险的持续关注。 影响——“可信”成为竞争变量，企业从比参数转向比治理与落地 从行业实践看，吴明辉团队早期从数字广告监测切入，聚焦第三方数据校验；随后延伸至企业级数据智能与知识图谱，以更清晰的关系结构支撑可解释推理；近年来在集团化整合后推进模型与应用结合，并发布DeepMiner涉及的产品线。市场分析人士指出，这一路径说明了产业智能的演进逻辑：当通用能力逐步普及，企业在数据治理、流程重构、风险控制和行业知识沉淀上体系化能力，将更可能转化为B端市场的持续竞争力。尤其在关键行业，合规要求和责任边界更明确，“可信”已从技术选项变为商业前提。 对策——以数据治理和行业知识为底座，推动专业化、可控化应用 多位受访人士认为，下一阶段需要在三上形成合力：其一，夯实数据底座，建立覆盖采集、清洗、标注、版本管理与全链路审计机制，降低“输入不确定”对输出结果的放大效应；其二，推进模型与业务协同，将知识图谱、规则引擎与模型推理结合，形成“可解释、可复核、可回滚”的闭环；其三，完善治理体系，在安全评估、偏差检测、权限隔离与责任追踪等环节建立标准化流程，推动智能系统从“可演示”走向“可交付”。鉴于此，吴明辉关于“通用模型更像公共基础能力，价值更集中于专业模型与场景应用”的判断，也被认为具有代表性：企业更应把资源投入行业数据资产与场景化工程能力，而不是单纯追逐参数规模。 前景——产学研协同将加速“可信智能”标准化，专业模型或成重要抓手 业内预计，随着智能应用在更多关键环节承担辅助决策甚至自动执行功能，对数据质量、模型边界、解释责任与安全红线的要求将深入细化。产学研协同有望在评测体系、行业标准与工程方法论上加快迭代，推动“可信智能”从理念走向可检验的指标体系。，围绕细分行业的专业模型、智能体应用及其治理框架可能迎来集中建设期，企业竞争也将从“拼速度”转向“拼质量、拼合规、拼长期能力”。
从高校对产业实践者的认可，到企业加速布局可信智能应用，传递出一个清晰信号：智能化的下一程，不再是简单比拼“更大、更快”，而是回到产业本质，比拼“更稳、更准、更可控”。只有将数据真实性、决策可追溯与利益中立等底线要求纳入产品与治理体系，智能技术才能成为支撑高质量发展的可靠基础设施。