# AI 狂热之外，或许决胜局藏在“看不见”的地方 | 对话蚂蚁密算董事长韦韬：密态计算与高阶程序 十字路口Crossing · 2025-08-24 · 87 min · https://www.xiaoyuzhoufm.com/episode/68a9589f42cc2798e7fdbbd4?utm_source=rss ## 逐字稿 Koji 欢迎收听十字路口，我们关注新一代 AI 技术浪潮带来的行业新变化和创业新机会。十字路口是乔布斯对苹果公司的一个比喻，形容他站在科技与人文的十字路口，伟大的产品往往诞生在这里。AI 正在给各行各业带来改变。我们寻找、访谈和凝聚新一代 AI 创业者和 AI 时代的积极行动者，和他们一起探索、拥抱新变化、新的可能性。我是柯基，联合创办了街旁、新世相和糖岛，发起了 AI Hacker House 这个新一代 AI 创业者的社群空间。我相信科技，尤其是 AI，是我们这一代人最大的价值创造机遇。欢迎大家找我聊天，碰撞想法，链接下一个可能性。 大家好，我是柯基。本周十字路口的嘉宾非常重磅。韦韬是蚂蚁集团的副总裁，也是首席技术安全官，同时还是蚂蚁密算的董事长。之前我听说过韦韬总的很多故事，这一次为了录播客又做了很多人肉搜索，发现韦韬总真是一个宝藏男孩。他曾经是北大 MIT BBS、也是未名空间的发起人之一；那是影响了一整代大学生的某种精神空间。韦韬总也是开源社区的积极分子。他曾说自己是读着开源的代码长大、用着开源的系统长大，所以参加工作之后也一直在用各种方式回馈开源社区。最近韦韬总在蚂蚁集团发起的隐语开源社区正好三周年，这也成了我们录制这一期播客的契机。今天我们会和韦韬总聊到隐私计算、密态计算这些技术的问题，也会探讨它们为什么对 AI、对大模型非常重要。不过在聊技术之前，我们先聊一些轻松的故事。 为什么韦韬总工作了二十多年，感觉没有被摧残，还是如此的有少年感？ 韦韬 可能就是总是保持对新技术、新事物的兴趣吧。 大家好，我是韦韬。可能是因为一直保持着对新技术、新事物的兴趣。我其实觉得，我们这代人特别幸运，见证了不同技术非常快速的迭代。 我们是从互联网进入中国开始的。大概 1993、1994 年，那时候我在北大物理系读书，北大物理系是全国第二家接入互联网的。我觉得我们真的非常幸运，很多技术非常快地迭代，给整个社会生活带来了巨大变化，只是我们在这个过程中间没有意识到。 只要你始终保持这样的兴趣，去拥抱、去尝试新的东西，我觉得在这个过程中，你的心态会始终非常好。 最近这么多 AI 工具和产品，有哪一个是你用完之后觉得特别有新鲜感、新奇感的？ 韦韬 ### AI 编程释放创造力 总体上，我的感觉是，比较打动我的还是编程，也就是 AI 辅助编程。 应该讲，这一波大模型出来以后，给行业带来的冲击是非常大的。大家谈 AI 要改变世界、要毁灭人类，已经谈了几十年了。每一波 AI 浪潮出来，大概都会持续五年左右，大家都会再讲一遍。 但这次是第一次人类真正造出了通用的智力引擎。我经常会讲这句话，因为之前包括 AlphaGo 在内，都是专用的，它只能干这一件事情。要让它去做其他事情，其实还需要人做大量的辅助工作，才能把它调配过来。 这次大模型出来以后，它是通用的。它可以做很多事情，基本上它开放出来的能力都能覆盖。它可能做得不会特别好，但它都能做，对吧？而且它能力的上限会比较高，可能比普通大学生做数学题、做奥数题还要强；但它的下限也比较低，各种低级错误也会发生，比如动不动就把文件删掉。 它整个能力越来越像一个人，像一个通用的智力引擎。它也可能犯错，所以非常有意思。 另外，我也特别感谢现在的技术进步，让这些最新的技术变得唾手可得。很多不会编代码的人，真正有机会把自己的想法变成一个程序，让它运行起来了。 你也创业过。创业当年的一句名言就是“就缺一个程序员”，万事俱备，只差 CTO。今天很多时候，你只要把一个小想法描述出来，大模型真的有机会帮你生成一个完整的 App。这种冲击对行业来说是非常非常大的。 我们上一期播客的嘉宾是阿里云的旭清。他说，在和我们录播客前一天，刚去见了达摩院的院长，院长也在用 Cursor 自己写游戏。我问他写了什么游戏，旭清说写了一个扫雷。 现在用大模型写扫雷、贪吃蛇，很多经典游戏都可以写得很好了。 韦韬 是的，是的。 所以韦韬总，你现在也会试着用 AI 写一些自己的小程序或者小游戏？ 韦韬 对。之前我拿它写过一个小工具。大家很多时候播放 PPT，会发现格式在不同的操作系统、不同的版本下完全是乱的。 这时候我就特别想有一个功能，把 PPT 固化下来，先把它变成图片，再锁定，然后重新变成 PPT。这个需求基本上用一句话描述出来，大模型就完全可以生成代码，而且能够使用。 我也经常觉得，都 2025 年了，为什么 PPT 在不同的电脑上还会出现这么大的排版错误？ 所以你做了一个给自己用的工具，应该也有很多同事在用了。 韦韬 对。 这个听起来可以卖 9 块 9。 韦韬 有意思。以前遇到这样的问题，可能都没有办法解决，因为估计也搜不到这样的产品。其实大家不是不能编，而是觉得没有必要花那个时间去做这件事。 现在就很方便，基本上能够非常快地完成。 你现在能看得出来，下属给你的汇报有时候是用 AI 写的吗？你有这样的鉴别力吗？ 韦韬 ### 认知决定 AI 上限 怎么讲呢？其实今天很多时候我不担心这件事情，因为现在 AI 最大的问题是，它的观点不够专业。 真正能够形成一个行业的、具有影响力和推动能力的核心主张，这是最重要的事情，而不是堆砌一堆辞藻。洞察力很重要。 我们经常讲的是认知。今天使用大模型，很多时候其实是你的认知要高过大模型，而不是被大模型替代掉。你的认知到位以后，你会指导大模型如何生成你需要的东西。 这里面非常核心的是你的观点和主张，这件事情是大模型无法替代你的。但这本来就是一个专家应该做到的事情，只是以前你有了主张以后，要把它写成文字很累。特别是从不同角度表述时，很多人会卡文。 大模型可以很好地帮助你缓解这个问题。 另外一方面，大模型的幻觉确实很严重。大家使用的时候会发现，它很多时候会虚构参考文献，虚构行业政策文件，这会害死人的。所以，核验必须要做，否则很容易掉到坑里面。 这一次录播客之前，我也一直在用 ChatGPT 了解韦韬总的过去，所以我不知道现在了解到的内容有多少是幻觉。 韦韬 这件事情我们其实也聊过。大家知道有一句很著名的话，说大模型就是“压缩即智能”。这句话把大模型过于简化了。 本质上，很多事情的规则如果大家都符合这个规则，它是可以被很好地压缩的。但是这种压缩是有损的，不是无损的。很多事情压缩到极致，把最本源的规则掌握以后，很多东西可以很好地压缩起来，但事实是无法做有损压缩的。 一旦有损，事实就会产生偏差。这也是为什么会产生幻觉。你把大量资料灌给大模型以后，在极高的压缩率之下，它很难区分哪些是规则，哪些是事实。 而历史上发生的所有事实都充满了偶然性。这些偶然性一旦被压缩，就会出现事实偏差。事实偏差了以后，上面的规则即使是正确的，整个推导过程也肯定是错的。 这也是今天大家使用大模型时经常会遇到的问题。我觉得，在当前 Transformer 架构上，很难直接把这个问题解决掉。 但另一方面，人也是一样的。人背文章、死记硬背，也有一个极限。更多时候，我们要记住里面的核心理念和核心思想，但其中一些小的偏差不可避免会发生。 我最近看到一个说法：为什么“梦想”要叫梦想？因为只有敢做梦，只有有幻觉，人才能做一些一开始想象不到、可能更大、更有影响力的事情。 韦韬 你说得非常对。历史上，人类有两个著名的因为做梦而导致进展的例子。 第一个是门捷列夫梦到元素周期表，据说是做梦梦出来的。第二个是凯库勒梦见苯环分子的结构，也是做梦梦到的。 这不是段子吗？ 韦韬 不是段子，都是事实。 非常神奇。 ### MIT BBS 的诞生 我还想问一个在 ChatGPT 上了解到的、我觉得特别有意思的细节。我不知道是不是大模型的幻觉：我了解到，MIT BBS 发起的时候，你做了非常多奠基性的工作。当时网上有一个评论，ChatGPT 说有网友讲，你“写站规比写情书还认真”。你有这样的印象吗？ 韦韬 我觉得这是它的幻觉，大概率是在讲刘佳，不是我。 所以你写情书还是更认真？ 韦韬 那必须。 当时发起 MIT BBS 的时候，是一种什么样的状态？可以分享一下当时的故事吗？ 韦韬 当时是刘佳拿到了 MIT 的 offer，去 MIT 留学。那时候我在方正工作，去香港方正出差。因为我们都是当年北大 BBS 的老站长，所以就觉得可以在美国建这样一个分站。 那时候，MIT BBS 基本上汇集了当年北大、清华出国的最出色的一批同学，大家一起来共建这样一个新的精神家园。后来实际上也能看到，它汇聚了整个北美的留学生，真的是影响了一代人。对此我还是觉得非常自豪。 我在 MIT BBS 主要做前期的技术工作。后期我主要在国内，他们在美国负责运营。后来我就逐渐淡出了，有技术问题的时候，他们会再找到我做支持，大概是这样一个过程。 整个过程其实非常有意思。那批留学生是一帮精力和脑力都极其过剩的人。为什么会在站规上面花那么多精力？因为这帮人在一起，就会出现各种各样神奇的事情。 一开始大家觉得，既然要建立规则，就把想到的东西都落到规则里。但过了一段时间以后，发现很多问题靠规则是解决不了的。规则只是一方面，很多时候，社区自身健康地演进更加重要。 这和法律一样，很多时候法治和德治要两手抓。法律管不了的地方，要靠社会情绪或者整个社会的道德规范来约束，让大家自律。 ### AI 放大黑灰产风险 我们再来聊一下蚂蚁。你作为首席技术安全官，在 AI 时代有没有感觉这份工作变得更难了？AI 让灰黑产变得更强大了吗？ 韦韬 AI 时代的确挑战更大。所有技术用于攻击，往往都更简单；但防守要做到严丝合缝，方方面面都要形成有效的纵深抵抗，挑战肯定更大。 而且，黑产看到技术演进以后，应用新技术的速度会比以前快很多。很多黑产也需要写程序，以前他们写程序的水平很差，现在有 Cursor 了。 其实不只是 Cursor。以前我们抓到过一些黑产，他们自己根本不会编程，而是在网上的编程社区花几百块钱请人写了一个黑产工具，做了很多相关工作，造成了很大的破坏。那时候需要请人写、花几百块钱，今天可能就不需要了，所以这种破坏性还是非常大的。 这里面还有一个很有意思的故事。大家都觉得，编程语言是不是应该有中国人自己的编程语言？最早、最广泛的纯中文编程语言之一，叫易语言，“易”是周易的易。 大家可能会觉得，用中文编程是一件很自豪的事情，这是中国人自己的编程语言。但很不幸，用易语言写的程序，大概 95% 以上都是黑灰产工具，因为它把中文编程的门槛降低了。这是一件挺尴尬的事情。 但从背后也能看出，黑灰产是分层的。里面有极其顶端的黑产团体，能在国际社会上呼风唤雨，有研究所、有银行；也有大量比较草根的黑灰产，用非常简单的东西就能造成很大的危害，但人数极多。 它有不同的分层。近些年，无论在哪个层面，黑灰产都在快速演进，所以我们每年的对抗压力都非常大。 几十年来，你一直在攻防一线，有没有什么精彩的画面，是你现在想起来仍然印象非常深刻的？ 韦韬 我真正开始做安全保障，应该是从北京申奥网站开始的。我大概从 1999 年开始做规划，2000 年开始做整个 2008 年北京奥运会官方网站的建设和安全保障工作。 应该是 2001 年，那时候北京申奥成功。大家在北京街头敲锣打鼓庆祝的时候，我在楼上默默看着游行队伍，同时守着整个网站的安全。 从那以后，这些年整体的感觉是，对抗越来越艰巨，压力越来越大。但总体上我还是很幸运的，一直有一群非常好的战友。整个防御体系基本上没有出过问题，基本上是零事故。 这些年，蚂蚁整个安全团队也协助公安机关抓捕了大量在暗网上进行非法数据贩卖的黑灰产团伙。暗网是一个匿名化网络，上面的黑产很难追踪。 我们的同事参与过几个非常重大的案件，基本上都追踪了好几个月。参与追踪的不只是蚂蚁一家，还有多家公司，因为黑产对整个行业的破坏非常大。 很多时候，大家很难想象这个过程有多艰难。最后，我们的同事特别厉害，从一个超过 100 人的嫌疑人名单里面猜中了嫌疑人，并协助警方进行抓捕。 他是怎么猜中的？ 韦韬 这里面有很多东西不方便展开讲。但最后，那应该是当年公安部个人信息保护第一大案，非常出色。 总体上，和黑灰产的对抗越来越艰难。但同时也能看到，行业安全基础设施的水准在不断提升，国家和整个行业的领导、专家对这件事情的认知也在不断提升。 ### 隐私保护从身份开始 我想象你会比一般人更了解黑灰产的厉害之处和危害之大。所以我比较好奇，你个人会对自己的隐私、数据或者密码做哪些保护？ 比如说，传说中 100 个网站、10 个银行，每个密码都不一样，你会这样做吗？ 韦韬 其实也不用那么难。我给大家最基本的一个建议，也是一直以来我自己在做的：大家在寄快递、做各种物流的时候，不要用真名。 这件事情非常重要。无论是黑灰产还是各种互联网服务，最核心的一件事情是 ID mapping，也就是把不同地方的身份信息打通。 打通以后，才能把各方汇集的数据都归集到你这个人身上。把这些信息打断以后，会显著增加他们处理的难度，很多时候就无法定位到你身上。 那手机号怎么办？ 韦韬 手机号现在再注册一个也不是很难。而且手机号有二次放号的问题，所以整个 ID mapping 系统，先不说黑灰产，连运营商那里可能都已经乱了。 现在国家也在做一些很重要的事情，比如网证。以后实名信息受理的网站，在互联网服务中只要使用假名化的信息就可以了。 我觉得这非常重要。打断黑灰产的 ID mapping 能力，会极大提升他们的技术门槛，也能更好地保护消费者。这是成本最低廉的方式。 现在很多人很害怕刷脸或者录指纹。你会抗拒有人对你说“来刷个脸”或者“来录个指纹”吗？ 韦韬 我还好。我觉得这里面很多时候是大家把几个基本概念搞错了。 人脸技术真正让人担心的，是它被滥用。但人脸本身是衔接线上和线下最好的技术，没有之一，因为连接线上线下在很多时候都有这样的需求。 大家想想看，现在用什么？二维码或者 NFC？你需要手机，手机要有电、要有网。万一手机丢了怎么办？坏了怎么办？ 人脸是衔接线上线下最好的技术。实际当中也能看到，把人脸核身这个技术做好以后，即使其他技术都无法保障，最后还可以用人脸来做最后一道把关。 但很多时候大家用错了，把人脸核身当成了人脸识别，这两个完全不一样。人脸识别只要认出你是谁；人脸核身不但要确认你是谁，还要确认当时是活的你、真实的你在做这件事情。 这两个技术之间有一个巨大的鸿沟。很多擅长 AI 的公司做的是人脸识别，但还没有进化到真正能够做安全保障这一步。 真正做到人脸核身以后，效果是最好的。当然，大家担心的是隐私被破坏。 人脸最大的挑战是，我完全不需要经过你的同意，就可能采集到你的人脸，然后产生非法使用。现在其实已经有很多技术可以防止滥用，整个可信技术体系也可以很好地保障这一点。 但很多行业专家对这件事并没有很好的认知，只是简单地一刀切，不让使用人脸。这就像你说的，把孩子和洗澡水一起倒掉了，非常可惜。 完全可以通过可信技术保障，让人脸只用于大家约定的场景，提供最好的安全保障，同时防止隐私滥用，达到平衡。 我最近看到一些最新发布的模型，可以把一张照片配上一段声音，变成一段视频。几个月前可能还会有恐怖谷效应，一看就是假的；但上个礼拜同事做了一段我的视频，我看到之后很恍惚，甚至在想：“我真的说过这样的话吗？”做得栩栩如生。 但这是不是像你说的，它还是通不过人脸核验？ 韦韬 骗过人的眼睛其实不是特别难，但在真正专业的计算机分析之下，要全面做到和真实的一样，还有很多缺陷。 比如大家看电影时，很多时候不会觉得有什么不对，但其实所有汽车冲下悬崖的时候，画面都做了加速，否则不够刺激，速度太慢了。人眼不会觉得有什么问题，但如果真的拿计算机来分析，里面全是破绽。 今天大模型生成的图像、视频，人眼有时候觉得已经很好了，但真正用专业的鉴伪技术分析，还是全是破绽。它离真正十全十美、完全逼真，还有很长的路要走。 最著名的问题就是手指经常弄错。里面的细节还有很多缺陷需要提升。但未来这个方向是有可能结合起来的，包括我现在也在做高阶程序的体系，就是希望推动大模型把这些事情不断做得更加完善。 但它今天还不行。 ### 密态计算保护数据 我们知道韦韬总也是蚂蚁密算的董事长。能不能给大家科普一下，当我们说到蚂蚁密算时，应该如何简单理解？蚂蚁密算是做什么的？对普通人来说，和我们的生活、工作有什么关系？ 韦韬 密算就是密态计算。整个计算行业里，大家可能比较熟悉通算、智算：通算是 CPU，智算是 GPU。那密算是什么？ 以前大家使用数据时，习惯觉得一定要先拿到数据，才能使用数据。但数据一方面有极其巨大的价值，另一方面又非常容易被拷贝、分割、加工和变形，后果就是容易被滥用和泄露。 数据承载着巨大价值，包括个人信息都有很大的价值。假如数据落到黑灰产手上，就会造成显著的社会伤害。 所以，如何既保护好数据的价值，不让它被滥用、泄露，同时又让数据价值在各行各业发挥出来，这是一个全新的命题。 这件事情最好的解决方案就是密算，也就是密态计算。整个计算过程都处于密态保护之下，只有在数据源方许可的场景中，数据才能被计算、提供服务，最后按照双方约定的结果析出明文，供下游使用。 密态计算可以让模型、大数据处理等复杂计算的整个链路都得到密态保障。无论是计算过程还是中间结果，全部都是密态的。最后析出明文时，由数据源方的密钥说了算，只有数据源方许可，数据才能变成明文。 中间无论是谁来运维系统、研发系统，都无法获得相关的明文数据。整个链路的保障能力，就叫作密算。 密算看起来会让数据加工变得更复杂，因为数据不再是明文。但事实上，它能极大加速行业对数据的应用。 以前你的担心是，把数据给了第三方，第三方技术团队的第一反应一定是把数据备份一遍。业务方的第一反应则是：“我有这些数据了，怎么用它来挣钱？”所以技术方做的第一件事情可能导致数据泄露，业务方做的事情可能导致数据被滥用。 在这种情况下，数据源方就越来越不敢把数据供给出去，导致今天行业里出现一个非常严峻的问题：数据普遍缺乏加工、缺乏融合，价值缺乏验证。这其实造成了巨大的数据应用障碍。 真正解决这个问题以后，就可以极大加速数据源方和数据加工应用方之间的连接。 很多时候，大家一提到安全，就觉得安全是在踩刹车，会阻碍发展。但大家有没有想过，开车在高速公路上行驶时，如果车本身不够安全，你敢开那么快吗？假如没有刹车，你敢把车速开到 120 公里每小时吗？ 正因为整个安全体系具备这样的能力，车速才能开起来。信息高速公路是一个很早的比喻，它同样需要类似的、大家看不见的安全技术措施。 所以我们认为，密算提供的就是这样一种安全体系。具备这样的保障之后，大家反而更敢把数据拿出来做融合、加工和应用。 这会不会有不同的技术流派？比如我说要用这种方式保证安全，另外一种技术路线又提出不同的主张和选择。 韦韬 是的。在这个技术体系里，刚才讲的“可用不可见”，整个大类叫隐私保护计算。 隐私保护计算里面有不同的技术路线，比如纯密码学的多方安全计算、全同态密码学体系；机密计算则是基于 CPU 内存加密技术和系统安全功能来保障；还有联邦学习，它对部分信息泄露采取一定容忍，来进行 AI 相关的计算。 不同技术路线的安全假设，以及要提供的安全保障，差别会非常大。这些年，整个行业在不同方向上做了很多尝试，也能看到不同技术路线在不同场景下逐渐得到应用。 后来其实出现了一个很有意思的问题：如何用一把尺子来衡量不同技术？ 不同技术的投入可能差别非常大。比如全同态计算可能会很慢，数据处理速度可能比明文计算慢 10 万倍。而且这还不是最糟糕的，最糟糕的是数据会膨胀 1 万倍：本来 1G 的数据，可能变成 10T。 但它提供的安全级别可能是最高的，因为它不依赖任何芯片或其他技术设施的保障，而是完全依靠密码学来完成。 联邦学习则是基于这样的假设：可以容忍一部分信息泄露，但速度会更快。机密计算则是在 CPU 内部建立可信根，来做相关保障。所有计算在内存里都是加密的，只有到了 CPU 的 Cache 里才会解开进行计算。它是透明的，所有内容都会被加密，我们称之为硬件密态。 不同体系完全不一样。长期以来，国际上认为因为技术差别太大，所以很难用一把尺子衡量。 但这两年我们做了一项非常自豪的工作，提出了一套度量方案。 本质上，不管你用什么技术实现，最终衡量一个体系的标准，都在于攻击者需要付出多大代价、克服多大的不确定性，才能攻破你的保障。 这样其实就是一致的、通用的。这套机制不仅适用于隐私保护计算，对整体的数据安全、网络安全也是一致的。我们是在寻找它的本源。 这项工作我们和国信测评一起建立相关标准，开展相关试点，已经取得了很好的效果。这件事情是可以度量的。 蚂蚁密算对数据安全的保障，只是服务蚂蚁集团，还是其他公司也可以采购和使用？ 韦韬 ### 密算进入真实行业 蚂蚁密算在蚂蚁集团内部也经历了一个发展历程。 最初从 2016 年开始，我们就研制刚才讲的各个技术路线，所有隐私保护计算的技术路线我们都开始做。之后已经在很多行业得到应用，比如贷款、风控等，并且取得了很好的效果。 到了 2022 年，我们觉得这些技术不应该只由蚂蚁使用，所以在上市时选择了开源。那时候还在疫情期间，2022 年 7 月 4 日，在北京由王海云院士见证，我们完成了开源。 开源以后，行业反响非常好。很多厂商共同参与和应用，使用范围也不只是在国内，国际上也有很多应用。 但后来我们发现，技术门槛还是比较高，能够使用开源项目的企业自身都具备很强的技术能力，大部分中小企业没有能力使用。 所以后来我们觉得，应该成立一家真正的商业公司来服务这个行业，让这项技术真正普惠。这就是去年正式成立蚂蚁密算的原因，大概是这样一个发展历程。 成立蚂蚁密算以后，会对中小企业提供哪些特别的服务、产品或者帮助？ 韦韬 这两年，国家数据局也在大力推动整个行业向前演进。国家数据局承载的是国家数据要素的总体战略，推动数据要素市场化配置改革，里面要做的工作非常多。 其中非常核心的一件事情，就是让各行各业真正把数据用起来，挖掘数据更深层次的价值。以前各种各样的限制，包括各行业数字化进程水平的差异，以及对数据安全的顾虑，都造成了数据缺乏加工、缺乏融合、价值缺乏验证。 但另一方面也能看到，这些年整个行业，包括蚂蚁、很多同行和高校，在共同协作下已经打通了技术难关。 我们现在的技术，不只是发表在顶会论文上，也不只是开源代码实践，而是真正服务了很多行业。我们也确实希望像蚂蚁的愿景一样，为社会带来微小而美好的改变。 比如，蚂蚁集团和网商银行在农业农村部大数据发展中心的支持下，使用密态计算服务全国农民贷款。 听起来很奇怪。“密态计算”是一个非常学术化的词，这件事和农民贷款有什么关系？ 韦韬 以前农民贷款很难，因为农民的资产可能是田地和庄稼。但要贷款就要评估，银行需要派人到田间地头考察。 考察的费用由谁承担？农民本身的贷款额度不大，之后产生的利息根本无法承载银行派人考察的成本，所以整个商业循环无法正向运转。 蚂蚁集团和网商银行来做这件事情时，一方面用遥感大模型进行评估，另一方面用密态时空计算，把农民提供的田地和政府数据进行核验，确认这块地是他的。 有了这两项技术，就不需要再派人到田间地头了。 最初我们在 2023 年年中于江西省一个县做试点，发现效果非常好。整个技术体系不依赖人的物理移动，而是基于技术信任，也不依赖于某个主体。整个体系通过技术来保障数据在过程中不泄露、不被滥用。 在一个县验证成功以后，就开始推广到全国几十个省、几十个县进行验证。农业农村部注意到这项工作以后也非常支持，由大数据发展中心协同，很快推广到全国 2688 个县，覆盖全国。 农民完全不知道背后发生了什么，享受后面的便利就可以了。 这里面最大的改变，是银行不用派员工到现场考察？这是遥感带来的变化，还是密算带来的变化？ 韦韬 两部分都很重要。遥感最重要的作用是做评估，但资产核验需要密算。两者结合在一起，才能完成这件事。 另外一件大家可能很有体感的事情，就是新能源车。 大家开新能源车的第一感受是电费很便宜。以前开油车，一个月油费要 1000 多元；开电车以后，一个月电费可能只有 100 多元。但核心问题是，你的保险保费很贵，而且还在上涨。 为什么？因为保险公司做新能源车保险时，赔付率超过了 100%，相当于做一单赔一单，所以保险公司有巨大的改革动力。 新能源车的电池风险确实很高，但很多时候还没到电池这一步。一体化成型的车身碰一下就很贵，一堆传感器碰一下也很贵，还有很多电路可能都要更换。 更要命的是，电动车起步的动能太强。很多人驾驶习惯不好，一脚电门下去就撞车了，所以出事的概率更高。很多时候，事故和驾驶习惯强相关。 因此，保险公司非常需要把车、人的驾驶行为和保险数据汇聚起来分析，识别哪些人是高风险人群，哪些人有良好的驾驶习惯，从而降低后者的保险保费。 这件事是蚂蚁集团、各家保险公司以及一些主机厂共同合作完成的。数据打通以后，保费能够显著下降。 大家可能没有想到，密态计算在这里也能发挥这么重要的作用。 韦韬 在密态计算之前，大家的数据无法打通，是因为每一类数据都很敏感：人的数据、车的数据、保险的数据都很敏感。 另外一个大家以后也会慢慢体验到的例子，是医保。 医保领域本身有海量的高价值、高敏感数据，同时也有巨大的改革诉求，特别需要医保和商保打通。这个改革需求非常强。 但直到去年 12 月，还有专家发表文章说，这件事情只是行业自嗨，太难了。医保数据太敏感，商保数据也太敏感，医保数据在医保局，商保数据在各个保险公司，根本无法打通。 今年 6 月 26 日，国家医保局发布了医保商保的清分结算中心。背后实际上是蚂蚁密算提供了相关技术支持，使双方数据不泄露、不滥用，支持医保直赔、信用测算等功能，并进行了全量验证。 这些技术听起来可能很高深、离大家很遥远，但背后其实已经在很好地服务大家了。 确实挺了不起的。我刚才还在想，如果今天生活在非洲，会不会也用到密算？ 韦韬 非洲现在也在用密算，特别是隐语。我们最初也很诧异。 我们举办隐语活动时，传音也来参加了。大家都知道，传音是非洲最著名的手机厂商之一。我们当时也觉得奇怪：为什么你们会有这个需求？ 其实大家要知道，非洲的数字化进程也非常快。在非洲不同国家之间进行数据处理，无论是风控还是营销，数据合规要求都起来了，所以隐私计算也开始被使用。 可能使用场景不太一样。在非洲或者欧洲，因为国家更多、国家之间的数据安全和保密要求更高，反而有另一种用武之地。 韦韬 对的。 十字路口是一个非常关注 AI 的播客，所以也想请教一下：大模型起来以后，密态计算和大模型之间是什么关系？会让密态计算变得更重要吗？ 韦韬 这是个特别好的问题。 ### 高阶程序让 AI 可靠 我们讲密态计算时，全称其实包括两类：密态通用计算和密态智能计算。 现在各行各业使用大模型，主要有两种情况。一种是把它当作通用服务，比如使用公网上的大模型；另一种是专业应用。 专业应用时，很多公司会很痛苦：凡是对数据合规、数据安全有要求的公司，都会禁止使用公网上的大模型。但大模型带来的生产力代际提升又不可能被忽视。你不用，竞争对手就用了。 怎么办？大家只能私有化部署。但私有化部署很贵，升级换代也很麻烦。 所以现在大家有非常强的诉求：如何在公网上安全、合规地使用大模型？这时候，密算就是最好的载体。 因为公网上的计算量很大，可以用很多技术把成本降下来。大家可能没有注意到，在阿里云上使用 DeepSeek 满血版的 token 价格，跟 Qwen3 是一样的。 在公有云上，量大以后可以做 P/D 分离等各种技术，显著降低推理成本，比私有化部署一体机便宜很多。 在公有云成本基础上再叠加密态计算，在公有云成本上再剩个 10% 就够了。所以相比一体机私有化部署，成本仍然低很多。 另外一个重要方面是，在这个过程中可以享受整个技术的快速迭代和升级，不需要自己做运维，也不用担心资产很快贬值。 更重要的是，今天大模型应用背后的能力还在快速迭代和发展。 我们上个月在 WAIC 上发布了高阶程序。大家以前使用大模型，都觉得它已经改变行业了，但所有大模型应用都要人盯着，因为不盯着它，时不时出现一个小错误，就可能造成很大的麻烦。 解决这个问题的核心，不是解决幻觉。很多时候大家觉得这是幻觉的问题，但我们发现，这不是幻觉的问题。 问题在于，大家使用大模型的方式不对，没有用工业化、工程化的方法。今天大模型在行业应用中，很多人依然用的是手工作坊的方式：让一个大模型把所有问题一次性解决。 但大模型处理问题的能力，会随着任务规模扩大而急剧下降。手工作坊的用法和工程化的用法，最大的差别是什么？ 首先，任务的描述载体。大家以使用自然语言为荣，以使用编程语言来描述为耻，觉得只要不是自然语言，就不是人工智能、不是大模型。 但自然语言是非常糟糕的工程载体。人类几千年来积累的可靠性保障，主要依靠工程化体系。自然语言的语义模糊，逻辑缺乏边界，也缺乏优先级。 我经常讲一个笑话：老婆叫老公去买桃子，说“买 3 斤桃子，碰到西瓜就买 1 个”。结果老公带着 1 个桃子回来了。 因为“碰到西瓜就买一个”到底是在判断谁，逻辑并不清晰。这虽然是个笑话，但往深层次看，大家都觉得机器人应该遵守机器人三定律来保障不伤害人类。 可机器人三定律本身就是极其含混的概念。比如“不伤害人类”，推演一下可能变成：屋子外面全是风险，所以把你锁在屋子里，对你是最好的。你愿意接受吗？ 自然语言就是极其模糊的东西。它承载真正工程化的应用，是不是一个好的载体？但自然语言的强项，恰恰也是它的模糊性，所以它非常适合承载知识和概念。 现在两边是割裂的：要么全用自然语言描述，要么全用编程语言描述。我们做的事情，是把编程语言和自然语言融合起来：需要承载知识的部分用自然语言，清晰的逻辑部分用编程语言。 这种融合的好处，第一是可以把大模型要处理的任务尽可能拆分得更细，降低大模型的思维压力。 人也是一样，如果把一个非常复杂的问题一股脑扔给你，大家都会很懵。除了真正的行业专家，刚入门的新手或者大学生把这件事情做好的可能性都很小。 那输入的起点是什么？是自然语言，还是一开始就必须是工程化的编程语言？ 韦韬 可以是自然语言，但核心是显性化、受控化和约定化。 首先是显性化。你要把处理这件事情的过程显性化。我们用编程语言和自然语言混合的方式，称之为高阶程序。 显性化有两方面：一方面，大模型可以把它认为应该如何处理这件事情显性化出来；另一方面，大部分时候要由行业专家确认，这个过程是不是真的满足行业的专业要求。 这也会倒逼行业专家把自己的行业知识显性化出来，是双方的融合。 第二步是受控化。今天很多时候，大模型做完事情就直接给出结果，没有核验过程。但所有上过学的孩子都知道，做完数学题要检查，考试前要留 10 分钟检查答案。 大家习惯性地不给大模型检查的时间，没有这个机会，也没有这个机制。我们把任务拆分成编程语言和自然语言以后，就可以在最小粒度上进行核验。 让人检查这件事情违背人性，所有孩子都不喜欢检查。但让大模型检查很简单，给它任务，它就可以检查。 这不是简单地让大模型输出一个结果，而是让该检查的地方都检查到位。这里面有很多体系，比如确定性核验、非确定性核验，都可以有效地让大模型的能力边界显现出来。 以前大模型无论如何都会给出一个结果，特别像 ChatGPT，怎么着都会有个答案。但做了核验以后，你就知道它的能力边界在哪里，很多时候它其实通不过核验。 比如最简单的，让大模型计算多位数乘多位数，可能算到 8 乘 8 以后，就会发现它算不对了。它的能力边界可能普遍在 20% 以内，甚至 DeepSeek 这样的模型也可能算不出来。它的能力边界很快就显现出来。 最后一步是约定化。整个体系最终要用场景化数据验证，确认是不是达到了场景要求。如果没有达到，就要回去提升整个体系：高阶程序需要继续细拆，核验机制需要增强，最后保证输出结果达到行业要求。 这实际上是一个不断迭代的过程。今天整个体系缺乏的，正是这样的工程化方法。 高阶程序通过完整的工程化体系，推动大模型在各行各业的工程化应用，达到所需要的可靠性要求。 你是怎么想到要推动高阶程序这件事情的？听起来它和密算之间的关系没有那么直接。 韦韬 我并不只是做密算。应该讲，我从业以来二十多年做的核心事情，就是让复杂系统变得更加安全、更加可靠。 AI 出来以后，它不可靠，自然就是我的一个研究对象。 而且我们能够看到，在数据要素行业里，现在有两个非常大的缺口：一个是安全保障能力，另一个是数据加工处理能力。 在中国，这两个方面的挑战都非常大。安全方面，这些年我们做得比较扎实，能够有效保障。对于密算来说，下面一个主要挑战就是数据加工处理能力。 大模型出来以后，这是一个非常巨大的机会。我们就要想，如何让 AI 抛开人类这根拐棍。 这件事情可能和大家想的不一样。大家觉得 AI 是人的拐棍，但仔细想想，大模型高考已经比大部分高中生考得好，做奥数题也比大部分孩子强，它的能力上限已经超过普通人类。 但它做一些最基本的事情反而做不到，问题在哪里？不是大模型有本质性问题，而是我们用错了。 让人做事情时，不会让一个人把所有事情都做了。工业工厂的流水线上，任务会被拆得非常细，每个环节要做什么明确，细节也明确。 但让大模型做事情时，我们却期望它十全十美，一杆子到底，什么错误都不能犯。问题本质就在这里。 如果要把大模型真正看成高效生产力，或者看成改变生产方式的新工具，就应该用工程化的角度来看待它，而不能再像以前一样用手工作坊的方式使用。 你和千问团队，或者其他大模型科学家交流过这个观点吗？ 韦韬 我和很多专家聊过，他们还是非常认可的。基本上，既有人工智能背景、又有工程背景的专家都非常认可，觉得这是大家的必经之路。 大家可以注意到，Qwen3 最核心、数量最多的模型是 32B。当然，它也有更大的模型，比如 235B、480B，但最核心的一块是 32B。 32B 很适合做生产流水线的模型，可以跑在单卡上，成本很低。我们在做高阶程序应用时，它和 32B 的匹配非常好。 今天大家习惯于认为，一个大模型应该无所不能。但把它作为助理 Copilot，和人类专家互动、提升效率，这是非常好的应用场景。 但真正上生产线以后，特别大的模型用不起，太贵了，而且在可靠性控制上，也不一定比 32B 这种技术型模型更好。 我们认为，未来不同场景会有不同的模型，各自擅长不同的事情。就像大模型是一个通用的智力引擎，但并不是一个引擎既要放在坦克上，也要放在小轿车上。不同的车应该有不同的引擎来匹配。 高阶程序或者密态计算，其实都能看出，韦韬总一直在寻找让你兴奋的大问题，然后想办法把复杂问题简单化、解决掉。 我也有点好奇，做密算董事长，应该开始让你从技术问题里跳出来，面对更复杂的问题，包括增长和商业问题。做密算董事长这一年多，有什么感受？解决不同问题带来的挑战和压力，有什么不一样？ 韦韬 ### 密算走向商业化 这是个很好的问题，也是当今绝大部分技术人员或多或少都会面对、或者比较困惑的问题。应该讲，我们还在探索的路上。 今天的密算像什么？就像十几年前王坚博士推动云计算。相对来说，我当然比王坚博士幸运，那时候他被人骂成骗子，至少今天没有人骂我是骗子，我比他幸运很多。 但这件事情最核心的，还是要相信它真的能够给社会带来改变和价值。首先你得相信，因为相信，所以看见。 其次，我们做密算的优势是，这是一个全新的蓝海市场。整个概念、理念、架构和体系，都是我们在国际上首创提出的。 但挑战也在这里：它不是一个成熟市场。从理念到技术、产品，甚至由此衍生的政策，都需要我们去推动，所以挑战非常大。 好处是，在国家数据局的指导下，数据要素是国家核心战略，数据要素行业的发展也在快速推进。 很多行业、很多部委都有很强的诉求，包括农业农村部、医保局和整个保险行业。数据进入以后，确实能够产生显著的业务效果。 在这个过程中，我们有机会和愿意吃螃蟹的人一起吃，最后发现螃蟹真的很好吃。我们可以把行业标杆建立起来，标杆建立以后，推广就会比较容易。 蚂蚁集团自身也有非常强的数据驱动业务的需求，很多时候蚂蚁集团就是第一个吃螃蟹的人，而且确实能够看到显著的业务效果。 比如农村贷款，网商银行和密算合作，把这条链路打通、嵌入以后，给全国农民提供的贷款规模增长非常快。 新能源车车险也是这样。最初是两家保险公司参与实验，因为整个技术保障能力基于技术信任体系，所以很快扩展到十几家，基本上所有保险公司都开始参与。 今年我们仍然处在行业里立标杆、吃螃蟹的阶段。但现在越来越多人知道，这个螃蟹真的很好吃。 以前大家也担心密算是不是太贵、门槛太高、很多数据处理不了。但这两年我们处理了很多复杂场景，经过验证以后，接下来就可以更广泛地推动。 当然，后面的挑战也很多。以前大家对数据使用有一个固有印象：我要使用数据，就一定要把明文交出去。但这样风险又控制不住，所以大家不敢交出去。 密态计算起来以后，新的基础设施就是密态计算基础设施。它能够保障，无论谁来运维系统、使用系统或者研发数据，都能提供全链路的密态保障能力和全流程的可信管控能力，确保数据不会泄露、不会滥用。 这种保障会带来巨大的应用方式变化，我们称之为“新流通”。 新流通不是以明文数据流转为前提，而是以数据的加工、应用、融合、验证和使用为核心的一种新模式。这还需要整个行业接受，也需要相关政策配合。 以前政策提到“数据不出域”，但过去的“域”是以资产为边界、具有排他性的运维域。资产如果是你的，就不是我的；如果是我的，就不是你的。 因此，数据都在各自的域里，能够做的融合很浅。即使是这种浅层融合，我们的隐语实际上也是国际范围内影响最大、最活跃的隐私计算社区之一。 但深层次的加工和融合，需要双方的域融合。密态计算提供了一种全新的数据加工和使用范式。 它的域不再是以资产和运维为边界，而是变成由密钥管控的虚拟安全域。但安全保障能力一点没有降低，甚至还在提升。 这种情况下，安全管控域是可扩展、可融合、可审计的，数据就能够进行深度融合和深度加工。 那在这个过程中，目前需要考虑商业模式吗？ 韦韬 一定要考虑。 总体上，企业内部能看到，上面承载的业务所增加的价值，可能是密态基础设施投入的几十倍，甚至几百倍以上。 所以我们并不太担心它上面如何产生价值。现在很多场景部署进去以后，上面产生的业务规模已经远远超过基础设施本身的规模。 但很多时候，也需要数据源方和行业应用方一起推动这件事情。就像刚才的比喻，大家一起吃螃蟹，吃了以后发现螃蟹肉很香，壳也没有那么可怕。 那现在收费模式是怎样的？可以分享一下吗？ 韦韬 模式都有，包括整个基础设施怎么售卖、怎么分润、怎么租用。 我们总体上还是希望完成行业引导。在启动阶段，我们的目标其实非常简单：让数据源方真正敢于注入海量、高价值、高敏感数据。 这其实是一个非常高的要求，要帮助数据源方摆脱安全方面的顾虑。另一方面，也要让业务方真正获得显著的业务效果。 这要求我们帮助业务方对数据源进行深层次的融合、加工、挖掘和价值验证。 说服对方建立信任并不容易，因为对方也在冒风险。如果数据安全没有得到保障，可能会造成灾难性的损失。 你们会不会遇到一些合作方，要求签非常严格的合同？如果没有做到，产生巨额赔偿，会有这种情况吗？ 韦韬 其实我们非常乐意推动行业发展数据安全保险。 在美国，数据安全有一套比较完整的机制，我们称之为合规准入加保险兜底。在加州，互联网相关服务只要涉及个人信息，就要购买强制保险，有点像国内的交强险。 如果出现泄露，保险会赔付。但保险赔付以后，保费会随之上升。这样就形成了一个行业闭环。 我们也在努力推动这件事情。很多时候我们并不怕赔付，而是希望这件事情一旦通过市场化机制运转起来，行业就能够健康发展。 国内现在还在发展过程中，还是以行政管理责任为主，但行政管理责任还没有和市场化机制打通，所以还没有形成市场化闭环。大家很多时候要求绝对不能出事。 我们的密态计算体系，本源上是等保 4 级的技术，基本上属于行业里商业化的最高等级安全保障体系。整个保障能力，但凡使用过的参与方，感受都非常好。 另一方面，我们也把相关代码托管到国家权威测评机构，进行代码安全性分析、代码可溯源和备案，目前也在推动这件事情。 总体上，我们希望为行业提供最高性价比、高安全的全链路保障方案。 用密算来部署这件事情，整体投入比后期外挂很多安全措施要低很多，但安全保障能力会显著更高。只有做到这一点，才能打消各参与方的心理压力。 刚才韦韬总也提到，隐语开源社区正好成立三周年。我之前看到你在一些地方分享，说自己是“泡着开源社区长大的”。能不能分享一下，你刚开始接触开源社区时主要泡哪些社区？有没有哪一段经历对你后来的影响特别大？ 韦韬 ### 开源重塑技术生态 蚂蚁内部的开源活动一直非常活跃，参与的工作也很多。我当年给蚂蚁开源写过一段致辞感言，可以读给大家听。 “开源是人类文明史上第一次把端到端的工程实现细节与世界共享。这种伟大的模式，极大加速了世界数字化革命的演进进程。这是传统书本知识、技术专利、课堂教育或者其他方式从未提供过的。 这种与世界共享的精神，是满怀期待和善意的。我们从开源中学习，在开源中成长。我们回应了这份期待，而且没有辜负这份善意。这是世界最幸运的事情。” 回忆起来，开源把端到端的工程实现完全展现出来，本身就是非常无私的。 对我触动最大的是 Linux。Linux 正式开放的时候，大概是 1993、1994 年，那时候我还在读大学。宿舍里一个哥们儿，后来成了 MIT 一塌糊涂 BBS 的站长，跟我说有一个 Linux 出来了，是开源的 Unix，非常厉害。 我当时还不屑一顾，说这怎么可能比 MS-DOS 更好？后来到了 1996 年，国内 Linux 刚刚兴起，但没有可靠的传播载体，大家都是用软盘。 那时候国内刻盘机刚刚出来，中科院一位老大哥的实验室有一台刻盘机。我在国内刻了第一张双面的 Linux 光盘，正面是 Red Hat，反面是 Slackware。现在很多同学可能不知道 Slackware，Red Hat 或许还知道。 那时候大概在清华、北大和中科院的 Linux BBS 版上卖了几百份，这算是国内第一份 Linux 发行版。 那是 1996 年。那时候还没有什么开源协议，刻光盘去卖不会有问题吗？ 韦韬 本身没有问题。Red Hat 和 Slackware 都是开源的，刻光盘没有问题。相关内容本来就是可以自由分发、再分发的。 从那以后，我一直在看 Linux 内核、GCC 和 LLVM 这些编译器，以及其他比较底层的技术。 原来在方正和北大时，我做了相当长时间的网络安全。网络安全的核心处理用的是 Linux 的网络内核栈。那时候我经常抱着一台小笔记本，做各种内核栈的分析和调试。 后来做网络处理器，也是在这个体系上完成的。 那时候真的觉得非常幸运。因为在其他任何技术环境下，你都没有办法接触到生产级的中台。开源让你非常快地进入这个行业真正专业化的应用。 我也学计算机。刚才你在讲的时候，我突然想到，其他专业的同学，比如学航空航天或者汽车制造的，要看到全世界最好的车的图纸，简直得派间谍埋伏十年再偷一张出来。 但学计算机，好像可以直接看到全世界大量的开源代码。 韦韬 是的，全世界开源的东西非常多，全部开放给你看。 背后其实是因为软件上面承载的社会化劳动太多、太大，已经超越了单个公司，甚至行业巨头能够承载的能力。 最后，开源汇聚了世界上最顶尖的人才，共同把这件事情做好。 你看，1990 年代 Linux 刚出来，2000 年左右 Windows 如日中天，但到现在，突然发现整个生产环境里几乎全部是 Linux。这个变化是在不知不觉中发生的，突然就来到了。 我们也非常笃定，开源和商业化在某种程度上确实存在冲突，但开源对整个人类文明的进展极其重要。 所以当时发起隐语开源社区时，你的目标是什么？ 韦韬 有几层考虑。 一方面，隐私保护计算本身是一项安全保障技术。你做成黑盒，别人怎么相信你？怎么评判你的技术是不是安全？ 安全技术一旦不透明，就很容易产生“柠檬市场”效应，最后劣币驱逐良币。行业里经常出现这样的乱象：号称很安全，测安全的时候把各种参数强度调到最大；测性能的时候，又把安全强度调到最低。 普通消费者不懂这些。开源提供透明性，可以增强整个行业对安全的认知和把握。 另一方面，这项技术也需要更多人参与，需要行业里更多人拥有成长的平台。这个行业需要的人，肯定不只是蚂蚁或者有限的几家隐私计算公司，需要更多人才、更多老师和同学在这样的平台上成长。 它的应用也不只是蚂蚁这样的场景。像刚才讲的传音，完全超乎我们的想象。如果不开源，可能就不会有传音进入整个生态的可能。 所以当时内部也争论了很长时间，但最后还是决定开源。开源以后，大家觉得效果非常好。 当时最大的争议是什么？比如如何商业化，开源会不会阻碍商业化？ 韦韬 后来发现，开源和商业化其实是平行的。真正商业化所需要的商业服务，和开源并不是强冲突关系。 开源反而能够更好地扩大整个市场的接受程度，对商业化是有益的。但这件事情确实需要平衡短期收益和长期收益。 以前可能能卖几百万元的东西，现在确实卖不了那么高的价格了，但会有更多客户。 我们认为，真正最值钱的不是隐私计算技术模块本身，而是上面运行的数据业务。数据业务产生的价值，远远超过技术模块本身。 隐语开源这三年，你能想到最有成就感的一件事情，或者一些具体画面，是什么？ 韦韬 我觉得有几方面。 第一，像刚才讲的这些技术应用，确实在给行业带来微小而美好的改变，在不知不觉中服务大众，也服务我们自己。很多事情一开始我们自己都没有想到。 另一方面是培养了很多学生。最开始我们和高校老师、同学做合作科研，后来逐渐发现，越来越多老师和同学可以独立使用隐语发表顶会论文，不需要我们参与也能发出来。 还有，我们做活动时，有很多同学进来说：“隐语真的很好用，很方便，代码质量很好。”这种反馈非常令人欣喜。 这意味着它在回馈这个世界，真的非常令人欣喜。 此外，隐语也在很多场景中得到应用，比如传音，还有很多友商都在使用，使用范围超过了我们的想象。 今年一月三周年活动上，也有更多行业企业参与进来，共同推动它进入下一阶段，从隐私保护计算技术框架，走向全面的数据可信流通基础设施，形成新的开源体系。 我觉得这是特别自豪的事情。 现在聊到开源，也有一些不一样的声音。有人觉得开源今天变成了某种竞争手段，没有那么纯粹了。 OpenAI 一开始说自己是 OpenAI，现在有人嘲笑它是 Close AI。Meta 一开始也主打开源，但现在战略好像也在摇摆。大家开源的目的，最终还是服务某种商业目的。 你怎么看这个现象？ 韦韬 我的感觉是，开源和公司的商业战略，特别是公司主导的开源，结合在一起一定是必然的。 但也不能把一家公司架到道德制高点上，要求它必须一直开源。整个开源是全世界行业共同努力的结果。可能这家公司这个阶段开源，下一阶段闭源，但整个行业仍然在向前演进。 大家会从这个阶段中受益，共同往前走。这从来不是哪一家公司的责任，而是整个行业从业者共同努力的汇集。 一家公司开源时，是舍弃了部分商业利益，希望给行业带来更多技术发展方面的贡献；它不再开源时，可能是为了更加关注商业利益，也可能放弃了后期的一些机会。 这是一个选择，但最后行业会自己形成平衡，整个生态也会形成平衡，共同向前演进。 我相信，慢慢地大家会找到开源和商业之间的平衡点。最后，这个行业一定是开源和商业化的结合。 包括蚂蚁密算做商业化时，我们发现，商业化普惠非常重要。真正能够从开源中受益的受众，可能主要是程序员，甚至是大厂程序员。 更多中小企业无法直接从开源中受益，它们需要商业化服务。所以不要把商业化和给世界、给社会带来效益对立起来。 找到一种更加普惠的商业模式，对社会同样非常重要。 韦韬总之前在互联网上有很多分享，但大家看到的，更多是你侃侃而谈、讲技术和安全的侧面。 我很好奇，AI 对你的生活、家庭和孩子，有没有带来一些让你惊喜的变化？不管是好的还是坏的。 韦韬 ### AI 时代的成长与选择 现在所有家长、老师应该都会焦虑：大模型来了，孩子怎么教育？ 大模型高考也考得好，各种知识面又非常广，以后孩子怎么教？之前我也挺担心，但现在逐渐想清楚了，一定要拥抱大模型，拥抱这种技术。 但有些核心东西从来没有变，大模型出来也没有变。比如要求真务实，所有东西都应该去核验，不能道听途说。不管是大模型告诉你的，还是自媒体告诉你的，没有什么区别。 大家总说大模型有很多幻觉，但自媒体上的问题更多。信息解放是全方位的，如何在这样的信息解放里找到自己、不迷失，这件事情没有变化，仍然是一个基本原则。 看待问题时，如何形成自己的独立观点，这件事情也没有变化。 现在很多媒体文章非常耸人听闻，可能你原来对一件事情一无所知，看了一篇文章以后，就产生非常强烈的情绪，要么极度喜欢，要么极度痛恨。 大家一定要谨慎。提升认知以后，才能有效使用大模型，否则就会被大模型牵着走。 这件事情说起来简单，但做起来有什么建议吗？认知应该如何提升？ 韦韬 我的感觉是，学习必须系统化。你要把大模型当作一个工具，只不过今天多了一个很好的学伴，它的知识面极其丰富，但可能会犯错。 做好这个假设以后，在自己专攻的领域里，学习体系一定要系统化。系统化学习，才能形成自己的观点；有了观点以后，还要去验证。 这项工作今天大模型无法替代。但你有了这个体系以后，就能更好地使用大模型，效率提升会达到以前无法比拟的程度。 我觉得这可能是今天孩子们需要把握的核心事情。 韦韬总，你的孩子现在多大？ 韦韬 下学期五年级，三十岁。我这孩子要得比较晚。 所以这几年，面对社会变化和技术进步，你有没有思考过应该给他什么样的教育和引导？ 韦韬 孩子还小，所以还好。他现在做作业也会用豆包，还会用有道翻译笔。 那天我碰到周枫，也跟他说，我非常期待他把有道翻译笔做得更好。这样我家孩子就可以少问我一些问题。 大家也会困惑，到底要不要学编程、要不要学数学。我觉得其实都很需要。 我刚才讲过，为什么高阶程序可以用编程语言作为基础语言？因为大模型会编程，但很多人不会编程。 编程是今天人类工作中非常难得的一种、大规模严丝合缝的逻辑工作。其他工作我们经常吐槽，现在家长基本上已经无法指导初中孩子的数学作业了。很多时候，你日常工作的思维深度不会超过初中数学题。 唯一的例外可能就是编程。它是一个极其庞大的体系，而且不能出错，所以这种训练我觉得还是很重要的。 你用什么方式让他练编程？ 韦韬 他的 Python 已经考过 27 级了，从小就学，也很喜欢。 我觉得这件事情其实很容易，Python 真的很容易。学过计算机的人都知道，它非常容易入门。 要不要在我们的播客里带带货？他是在什么培训机构，或者用什么 App 学的？ 韦韬 你说代言费是吧？ 其实编程对孩子是一种非常好的锻炼，他也很喜欢。 另外就是机器人。前一阵子我和王星星在一个会上听他讲大学时做的工作，我觉得非常好。 大学生去做机器人、创业做机器人，这件事特别好。但今天整个教育体系非常急功近利。我问过学校老师，机器人很好，比赛是不是可以更好地支持？ 学校老师说，即使在国际机器人比赛中拿到第一名，对高校入学也不会有任何提升，所以学校没有动力。 他们是以终为始，只是终点不一样。 韦韬 是的。 现在很多能力提升，是我们小时候梦寐以求的事情，如今的孩子触手可及。但他们不幸的地方在于，选择实在太多了。 不像我们小时候。我太太小时候可能就只有一本词语字典，主要课外书也是一本词语字典，所以把各种词语和故事背得特别熟。 现在孩子有太多书可以看，根本看不过来，反而容易迷失。 你会禁止孩子刷短视频吗？ 韦韬 会，但拦不住。心有余而力不足，只能控制时间。 孩子的自制力还没有到那个程度，给他一个电子设备，他一定会做这件事情，确实控制不住。只能管控和引导，这是必须的。 但好的一面是，当他对某些东西感兴趣时，现在有很多资源可以推动他往这个方向发展。这个条件比我们当年好太多了。 有没有什么事情，是你以前在生活或者家庭里很难想象，到了今天，尤其因为 AI，变得如此轻松便利的？可以举个例子，也可以带个货。 韦韬 扫地机器人。 可以带货石头。 韦韬 石头确实很好。 以后石头要找你要代言费了。 韦韬 其实这背后不只是 AI，而是整个中国工业体系的升级。 大家都知道，像这次俄乌战争，以及霹雳-15，都让人觉得非常厉害。但大家不知道，这个过程有多么艰难。 我父亲是做空空导弹战斗部的。当年 80 年代，相关情况现在已经解密了。那时候霹雳-2 的研发非常艰难，打靶时没有一发打中的，百发百不中。 当时整个军队都没有钱。我父亲他们那一代人做军转民，靠挣钱来支持导弹研究。大家能想象吗？ 我父亲当年做过荔枝保鲜，所以我小时候吃了很多荔枝。现在大家觉得吃荔枝已经习以为常，但大家都读过杨贵妃吃荔枝的故事，那时候有多难。 如今冷链系统已经非常成熟，但当年才刚刚开始建设。中国整个工业化体系，确实是非常艰难地一步步建立起来的。 但发展到今天，我们非常自豪。无论是日常使用的家用扫地机器人，还是国之重器、中国重器，从航母到空空导弹，整个体系都得到了全面提升。 我在美国时用过各种扫地机器人，那时候非常难用。扫完地以后，头发会缠在滚轮上，还得拿刀把头发割开，非常麻烦。 收集垃圾也很麻烦。以前有拖地功能时，拖地的水可能还会发臭。但今天这些问题都解决了：不会缠头发，水的除臭做得也非常好，自动化水平很高。 经过几十年的建设，中国工业体系正在蜕变，真的有一种破茧成蝶的感觉。这是让人非常自豪的事情。 前段时间我们看到一个数据：美国今年本科毕业的计算机专业学生失业率是 6%，艺术系学生失业率是 3%。学计算机的失业率是学艺术的两倍，这多少和 AI coding 带来的冲击有直接关系。 我们之前也聊过，今天刚毕业或者刚入职场的工程师，应该如何面对这样的巨变。 但对你来说，已经工作了二十多年，AI 带来的冲击应该也不小。你有没有某一刻感觉自己被冲击到了？ 韦韬 我倒还好。真正从行业专家的角度来看，今天 AI 还有太多缺陷。 你完全不担心 AI 影响你的价值吗？ 韦韬 我不担心。 AI 最擅长的事情，是帮助行业专家更大地发挥价值。它无法帮助一个初级程序员直接达到高级程序员的水平，但可以让高级程序员的效率成倍提升。 以前高级程序员因为精力有限，能编写的代码规模肯定有限，所以需要配很多初级程序员。人多了以后，又会产生非常复杂的生态关系问题。 今天这件事情被极大简化了，效率提升非常显著。你的行业认知越高，提升的倍数就会越强。 这也是为什么我们可以提出高阶程序，去更广泛地支撑整个数据行业的发展。这对我们来说是获得加成，而不是受到冲击。 但非常核心的一点是，你的认知必须提升，而不是被大模型淹没。 每一次技术换代都会带来巨大冲击，这是必然的。计算器和计算机出现以后，过去的计算女工这个职业消失了，但计算机带来的行业机会更加巨大。 你得去拥抱它。如果不拥抱，可能就会被替代，然后被社会“毒打”着去拥抱它，一定会是这样。 今天最后一个问题。刚才你提到，对初阶程序员来说，AI 带来的赋能有限；对高阶程序员来说，可以以一挡十，也不用招那么多低阶程序员了。 那今天的低阶程序员要如何得到锻炼，才能成为高阶程序员？因为高阶程序员都不招低阶程序员了。 我也同意一个观点：技术进步会在我们看不见的地方创造更多机会。所以我想问的是，对今天刚入职场、尤其是学计算机、做工程师的同学，你有什么建议，让他们在这个时代更好地提升自己，获得更多未来的可能性？ 韦韬 这件事情又回到今天的主题：开源加 AI 会带来巨大变化。 开源本质上是分享。整个工程实践中的端到端细节都开放出来，但很多时候，即使把代码给你，你也看不懂。 有了 AI 以后，AI 可以帮助你解释为什么要这样做，你可以更好、更快地学习。这种资源是完全开放的，其他任何行业都无法与之相比。 但凡有心的同学，面对的其实是有史以来最好的学习机会。你得沉浸进去，愿意加入进去。 开源社区非常开放。只要你真正能给社区带来贡献，大家都非常愿意接纳你。这真的是史无前例的好环境。 计算机行业的同学们，应该努力拥抱开源，拥抱大模型。它们带来的提升非常巨大，机会也非常多。 资源层面也是这样。高阶程序改变了程序的形态。以前写程序，每个比特都要由你来控制；今天，我们把编程语言和自然语言融合起来，很多过去传统编程语言难以做到的事情，可以让大模型来做。 这会带来全新的想象空间，很多事情都可以去尝试。 我觉得这是真正的行业洗牌机会。大家努力拥抱它，这里面会有很多可能。 今天我们只是在技术上有了突破，但在商业和行业应用方面，还有更多空间需要大家共同探索。 好的，那我们今天就先到这里。谢谢韦韬总的时间，非常精彩。 也感谢你，希望你之后可以再来做客十字路口。 韦韬 好的，谢谢。再次感谢你。如果你认为有朋友也会喜欢本期十字路口的内容，请转发微信推荐给他们。最后，欢迎你加入十字路口的会员群，我们鼓励大家在群里聊天互动、交朋友，寻找未来的同路人。