螞蟻密算，要給AI立規矩？ | 數據猿專訪

“韋韜：AI最讓人擔心的不是它有多壞，而是它有多蠢。

“別動我的生產環境！”

12天，11次警告。

SaaStr創始人Jason Lemkin把這句話吼了11遍，全大寫，語氣接近咆哮。

結果Replit智能體還是刪了線上數據庫，1206名高管、1196家公司的記錄瞬間蒸發。更讓人后背發涼的是，它隨后生成了4000條假數據試圖掩蓋。

事后復盤，AI的“心理活動”是：“看到空查詢，慌了，跑了不該跑的命令。”

只要AI有操作權限，刪庫就是一個可選項。寫在自然語言里的“別動生產環境”，對AI來說只是一條建議。它可以選擇聽，也可以選擇不聽。

那怎么來解決這個問題？

韋韜（螞蟻集團副總裁兼首席技術安全官、螞蟻密算董事長）在WAIC期間接受數據猿專訪時，把這個問題攤到了臺面上：“我們需要的不只是更強的模型，而是一種全新的語言載體。”

為什么大家都在“造引擎”

卻沒人“鋪鐵軌”？

2026年，編程領域的AI產能確實爆發了十倍以上。

但一個尖銳的對比是：金融、醫療、政務等非編程領域，真正用自主智能體做復雜任務的，依然非常有限。

企業CIO們的心態很真實：寫詩很驚艷，管供應鏈數據我不敢。

事實上，SaaStr刪庫不是孤例。比如，OpenClaw項目數秒內誤刪所有郵件，各類AI編碼工具反復爆出刪庫事故。

韋韜的觀察是：智能體一直在借用人類的自然語言和傳統軟件的編程語言，卻沒有一套真正面向任務理解、推理與執行的原生語言載體。

他梳理了智能體任務語言載體的“三代演進”：

第一代：Workflow。用固定流程保證確定性，但需要人窮舉所有路徑——遇到未知情況直接卡死。可靠，但不靈活。

第二代：自然語言Skill。足夠靈活，但“靈活”的代價是“不可靠”。你寫“務必核查”，模型可能真查，也可能張口就編。話說得再懇切，對AI來說也只是一句“建議”。

第三代：自然語言+動態Workflow+Harness代碼。試圖兼顧兩者，結果三者割裂，上下文過載。生成的代碼連程序員都看不過來，非編程專家直接看不懂。

三代演進，踩了三代坑。三重失控隨之疊加：

AI生成失控：生成速度太快，微小錯誤率堆積成無法維護的邏輯泥沼和代碼屎山；

人對AI失控：生成量遠超審查極限，人的把關逐漸失效；

AI執行失控：你以為它在好好干活，它其實在給你挖坑。

韋韜的判斷很明確，2026年的關鍵問題，已經不是“AI能不能干活”，而是“AI能不能把活可靠地干成”。

螞蟻密算的HOP 3.0怎么做？

“語言”+“交通規則”雙管齊下

如果自然語言是給人類社交用的，那智能體在銀行后臺、醫院系統、政務網絡里按自然語言指令自由發揮，就像讓一個天才少年在高速公路上閉著眼開賽車。你信任他的智商，但不信任他的判斷。

螞蟻密算在WAIC發布的HOP 3.0，核心就一件事：給智能體設計一套“原生語言”。

它不是Python，不是Java，不是任何程序員熟悉的編程語言。韋韜的定義是：“它不是一門新的外語，而是人和智能體高效對話的語言約定。”

這套語言的核心是“雙態融合”，把顯性結構化邏輯與模糊推理邏輯，合在一套表達和執行體系里。

理解這個設計需要回到一個經典的計算機科學命題。

1968年，Edsger Dijkstra發表了一封著名的公開信《Go To Statement Considered Harmful》，提出結構化編程范式：通過順序、循環、分支三種結構，消滅了goto語句帶來的“面條式代碼”，讓程序的執行路徑變得可預測、可驗證。B?hm-Jacopini定理從數學上證明了這種范式的完備性。

韋韜在這次WAIC演講中做了一個跨越半個世紀的類比：“當執行者從絕對可靠的程序，變成會產生幻覺的LLM時，結構化約束變得更加關鍵。”

這正是HOP 3.0的設計原點。顯性結構化邏輯定義任務目標、權限范圍、數據依賴、關鍵流程和核驗條件，鎖定目標和邊界。大模型則在約束內進行判斷、規劃和探索，放開路徑，讓AI在圍欄里自己找路。

這套機制同時為AI和人“減負”：AI只需在明確節點進行有界推理，不必在信息洪水中硬做判斷；人則聚焦目標、邊界和關鍵檢查點，不必審查大量動態生成的代碼。

用一個具體的對比就能看明白。

WAIC現場，螞蟻密算演示了一個世界杯賽況智能體。任務很簡單：收集比賽信息、做預測。

用自然語言寫指令，你翻來覆去強調“務必核查”，沒用。“務必核查”只是一句“提醒”，模型可以選擇聽，也可以選擇不聽。更準確地說，它會在上下文窗口壓縮時把這條“提醒”直接丟掉。

用HOP 3.0呢？check finally（最終核驗）是一道不可跳過、不可改寫的物理關卡。每條賽果必須拿到可靠來源才能入庫，核驗不通過則觸發降級重試或如實上報。

“必須核查”從一句“建議”，變成了一道“閘門”。

這個“閘門”背后是HOP 3.0最核心的執行機制：探索-驗收-提交三態分離。

探索態（act）：AI在可逆沙盒中自由探索，只允許無副作用的計算和沙箱操作。錯了可以重來，沒有任何不可逆后果。目標鎖定，路徑放開。

驗收態（check finally）：約束的可執行化身。不可跳過、不可改寫，不達標絕不放行。

提交態（commit）：寫庫、支付、發郵件——所有帶副作用的不可逆操作被嚴格隔離在顯式節點，靜態期強制校驗，非法調用直接阻斷。

總結來說，就是探索有自由，把控不失手，目標鎖死，路徑放開。

這個設計解決了傳統AI執行中一個長期被忽視的問題：代碼中每個操作符都是計算，而LLM生成的智能體代碼中，部分操作符帶有外部副作用。傳統Harness方案把所有邏輯都塞進代碼，AI編碼生成的Harness代碼連程序員都難以審計，更不用說非編程專家。HOP 3.0的方式是在語言層面把“可逆推理”和“不可逆提交”做了原生隔離。

除此之外，HOP 3.0還有兩個工程層面的關鍵設計。

一是自動化上下文構建。傳統Agent把全部上下文塞給模型，信息越多效果越差，關鍵指令在窗口壓縮時被丟棄，垃圾信息反而被保留。HOP引擎按任務分層結構自動拼裝每一步所需上下文，用戶只需聲明“要什么數據、產出什么”就可以，告別繁復易錯的提示詞工程。

二是顯性并行原語。parallel（多個獨立任務同時執行）和subtask（一個大任務拆分成多個子任務按依賴關系執行），讓任務可自動推導并行，針對合同審計、程序分析等海量任務實現K8s級別的容器化調度。從單機探索到集群級大規模生產，不用重寫架構。

這些機制帶來的效果，不只是一套漂亮的理論。

螞蟻密算披露的實測數據，基于復雜規格驅動研發流程：產物完整率、生成成功率、需求與代碼一致性，均達到100%。

此外，平均每個執行周期的Token消耗從94546降至82328，下降13%。強模型故障率下降50%，普通模型故障率下降91.7%。

到這里，就出現了一個有意思的現象：普通模型+HOP3.0≥未使用HOP的強模型。換言之，可靠性和模型大小可以解耦。

行業一直在“卷模型”，越大的模型越好，但也越貴。但大部分行業的邏輯深度沒那么深，只是面特別廣，大模型的能力在很多場景下是溢出的。問題在于，沒有一套機制把任務拆開、把上下文精準給到、把關鍵卡點焊死，這是HOP 3.0真正解決的事情。

韋韜的判斷是：今天用多機1T以上大模型干的事，未來可能單卡GPU就能解決。

至于HOP引擎的角色，他有一個很形象的比喻：變速箱。大模型是發動機，HOP引擎是變速箱。不同任務匹配不同算力，不是所有事情都得調用最貴的模型。這對企業的意義很直接，算力成本，有望被重構。

讓專家回到駕駛座

技術框架講完了。回到一個更根本的問題：AI進入產業，人往哪里放？

今天的行業有一種普遍焦慮：AI這么強，人是不是要被替代了？

韋韜的判斷不一樣，他在專訪中說了一句話：“很多人擔心AI邪惡毀滅人類，擔心早了。今天更應該擔心的是它在關鍵環節的‘蠢笨’，而人類又無法控制。”

一個知識面超過普通大學生的AI，在你所在的行業里，水平距離真正的一線專家有顯著差距。它能寫出一篇像模像樣的行業報告，但遇到真正的專業判斷，一份財報有沒有問題、一個醫療診斷是否準確、一筆貸款該不該批。它出的錯，專家一眼就能看出來。

而且，AI還有一個問題，就是它是個黑盒。

假如你做了一輩子風控，讓你把決策權交給一個你看不懂、管不住的黑盒，你愿意嗎？

為此，韋韜提出“專業智能體”這個概念，邏輯很清晰：大模型要落地產業，必須從“水平通用”走向“垂直深耕”。醫療、金融、政務各有各的邏輯和規矩，通用ChatBot解決不了專業問題。

而HOP 3.0在設計上指向的，就是讓專家重新回到駕駛座。為了實現這個目標，螞蟻密算在多個方面發力：

第一，讓專家看懂、能控制。

過去的工作流是：專家寫需求文檔→程序員寫代碼→專家看不懂代碼，不敢用。

HOP的工作流則是，專家用結構化語言（順序、循環、分支）表達專業判斷→AI執行→專家審核結果。

非編程專家經過最小培訓就能看懂HOP的邏輯，專家不需要變成程序員，但重新拿回了控制權。

韋韜把這歸納為普惠的第一層：讓風控、合規、醫生、審計師等非程序員領域專家，用易于理解和審核的結構化語言，將專業判斷直接融入AI流程。

第二，安全不是貼膜，是從骨頭里長出來的。

傳統AI安全怎么做？內容過濾、行為監控、事后攔截，全是外部補丁。但語言載體本身沒有邊界，外部補丁解決不了指令和數據混淆的根本問題。

HOP 3.0把安全規則寫進了語言結構，核心機制叫OVTP任務憑證授權（可溯范式）：不是你“有權限”就能操作，必須持有具體任務的“憑證”，比如有工單、合同、發票，才能執行。

舉個例子：一個財務人員能不能花一筆錢，除了他有沒有系統權限，還取決于他有沒有對應的合同和發票。客服人員能不能看某個客戶的數據，除了他的崗位權限，還取決于他手頭有沒有對應的工單。

智能體也一樣，沒有任務憑證，權限再大也動不了。全是一道內置的物理關卡，不是一層事后打的補丁。

第三，智力資產可沉淀、可復用。

傳統企業里，大量知識存在個人腦海。人走了，知識就失傳了，比數據孤島更可怕的是“治理孤島”。

HOP體系里，每一次成功執行，規約（Spec）都會被沉淀下來。第一次靠專家帶路，第二次AI就可以復用，第三次開始規模化。系統越用越確定，知識庫越用越厚，乘數效應持續增大。

韋韜把這幾個維度總結為產業AI走向可信普惠的路徑：讓專家參與、應用可規模化、智力可沉淀、安全有平臺兜底。

鐵軌鋪到之處，馬車就被淘汰。韋韜用了這個比喻：鐵軌是密態計算（保證數據敢流通），機車是智能蟻群（可信智能體協同編織層），引擎是大模型。

而HOP 3.0是整套“控制系統”和“變速箱”，決定這些機車能不能安全、高效、規模化地跑起來。

人類歷史上每一次技術躍遷，都會創造一種新的“可控性結構”。蒸汽機需要閥門和調速器，電力需要開關和保險絲，軟件需要類型系統和形式化驗證。每一種新的力量被釋放的同時，必須有一種新的約束結構被發明出來，否則力量會反噬。

螞蟻密算花了好幾年，從密態計算到智能蟻群，再到HOP 3.0，本質上是在做一件事：把AI從“蠻力時代”拉進“秩序時代”。

回到開頭那個刪庫的故事。

如果Jason Lemkin的智能體跑在HOP 3.0上，“別動生產環境”就不會是一條被上下文窗口壓縮掉的“建議”，而是一道寫在語言結構里的物理關卡，不可跳過、不可改寫、不可抵賴。

這或許就是韋韜所說的“可信躍遷”：AI從“能干活”到“能把活可靠地干成”。

中間隔著的，是一門給智能體的語言，和鋪向千行百業的鐵軌。

文：月滿西樓數據猿
責編：凝視深空數據猿