中美 AI 統一「度量衡」，好資產不再難尋？

撰文：張烽

本文將通過兩國 AI 標準化特徵的論述與比較，探討標準化基礎設施的推進如何重塑產業發展，並從根本上改變 AI 公司的估值邏輯。

近年來，人工智能（AI）技術的迅猛發展，使其從實驗室的尖端研究迅速走向各行各業的商業化應用。然而，在技術狂歡的背後，AI 公司的估值邏輯長期以來卻饱受爭議，市場對其的評判往往夾雜著對未來的無限憧憬。隨著技術應用進入深水區，風險與不確定性日益凸顯，政策制定者、監管機構和投資者都開始尋求更為穩健、可持續的發展路徑。

在這一背景下，中美兩國監管層與業界不約而同地將目光投向了 AI 的標準化與風險管理。可以清晰地看到，標準化正成為 AI 產業從「講故事」邁向「重實幹」的關鍵推手。

一、美國AI詞典與風險防控的標準化特徵

美國財政部近日發布了兩項新資源，指導金融領域的人工智能應用：共享人工智能詞典和金融服務人工智能風險管理框架（FSAIRMF）。此舉是為支持總統的《人工智能行動計劃》，該計劃呼籲制定明確標準、共享理解和基於風險的治理，以確保人工智能安全且負責任地部署。

「實施總統的人工智能行動計劃不僅需要理想性的表述，更需要機構能夠利用的切實資源。」財政部副部長德里克·瑟勒說，「通過建立通用的人工智能語言和定制的金融服務AI風險管理框架，這些交付物有助於保護消費者，同時支持負責任的創新。」

美國在推動 AI 標準化，尤其是在金融等關鍵領域的應用上，展現出鮮明的「實用主義」與「協同治理」特徵。其核心在於通過構建通用語言和操作性框架，將宏觀的國家戰略轉化為微觀主體可執行的行動指南，從而在鼓勵創新同時，守住安全與穩定的底線。

首先，「共享人工智能詞典」的發布，標誌著美國在解決AI治理基礎性難題上邁出了關鍵一步。長期以來，AI 領域的術語因學科背景、應用場景和利益相關方的不同而存在顯著差異。技術開發者口中的「模型可解釋性」，與法律合規部門關注的「算法透明度」，以及業務部門理解的「決策邏輯」，往往指向不同層面的问题。這種術語的不一致，直接導致跨部門、跨機構溝通效率低下，也為監管帶來巨大挑戰。美國財政部推出的 AI 詞典，正是為了打破這種「巴別塔」困境。它通過為關鍵 AI 概念、能力和風險類別建立一套官方認可的、統一的定義，實現了監管者、技術專家、法律顧問和商業領袖之間的「同頻共振」。這不僅有助於金融機構內部形成對 AI 風險的一致理解，也為外部監管提供了清晰的標尺，從而支持更一致、更可預測的實施。這種對「語言」本身進行標準化的做法，體現了美國對 AI 治理基礎的高度重視，是構建複雜風險防控體系的基石。

其次，「金融服務人工智能風險管理框架」則是在統一語言之上構建的「操作手冊」。該框架並未另起爐灶，而是巧妙地調整和細化了美國國家標準與技術研究院發布的宏觀 AI 風險管理框架，使其深度契合金融服務的特定語境。這種「量身定制」體現了美國監管的靈活性與精準性。FS AI RMF 的核心特徵在於其全生命周期和可擴展性。它涵蓋了從設計、開發、驗證到部署、監控和更新的完整 AI 生命週期，指導機構如何識別 AI 應用場景，評估潛在風險，並將問責制、透明度和運營韌性內嵌於 AI 部署的各個環節。尤為重要的是，該框架被設計為具有可擴展性和靈活性，能夠適應從初創公司到大型跨國金融機構等不同規模、不同複雜度機構的實際需求。例如，小型金融科技公司可利用框架中的簡化工具進行初步風險評估，而系統性重要銀行則可能需要建立更為複雜的治理架構。這種「量體裁衣」的設計，極大提高了框架被業界廣泛採用的可能性。

最後，美國AI標準化的推進呈現出「公私合作、多方共治」的鮮明特徵。無論是詞典還是風險管理框架，其開發過程都並非監管機構的一言堂，而是由金融與銀行信息基礎設施委員會、金融服務部門協調委員會下的人工智能執行監督組等公私合作機構共同完成。網絡風險研究所等行業機構的積極評價，也從側面印證了框架的業界認可度。這種多方參與模式，確保了標準化成果既能反映監管對安全與穩定的關切，又能兼顧產業界對創新效率和成本的考量。其最終目標是「支持金融領域更快速、更廣泛的人工智能應用」，通過增強網絡安全和運營韌性來賦能行業，而非簡單地設置障礙。

二、中國AI術語與風險管理框架特徵

中國有與美國財政部 AI 詞典、AI 風險管理框架對應的官方術語標準和國家級 AI 安全治理 / 風險管理體系，且已形成多層級、全流程的治理框架。其核心特徵可概括為「以標準促發展，以規範保安全」，力圖在激烈的全球 AI 競賽中建立規則主導權，並為國內產業的健康有序發展保駕護航。

其主要內容，以國家標準《信息技術 人工智能 術語》（GB/T 41867-2022）國家級核心框架和《人工智能安全治理框架》（2.0 版，2025-09）為核心，配套 GB/T 46347-2025《人工智能 風險管理能力評估》提供組織級 AI 風險管理能力分級、評估流程與合規指引，同時《生成式人工智能服務管理暫行辦法》（2023）明確生成式 AI 服務的安全評估、備案、內容審核、數據合規等強制要求。另外還有一些屬於最佳實踐類規範如金融、醫療、教育等重點行業發布的AI應用風險管理細則等。

相較於美國以實用主義和行業細分為導向的漸進式路徑，中國在 AI術語與風險管理框架的構建上，展現出更強的頂層設計色彩、更快的推進速度以及與國家戰略更緊密的耦合。

首先，在術語標準化方面，中國採取了「體系化、前瞻性」的構建策略。以國家標準化管理委員會為主導，中國正加速構建一套涵蓋基礎共性、支撐技術、產品服務、行業應用和安全管理等多個層面的 AI 標準體系。例如，已發布的《人工智能術語》國家標準，旨在為整個 AI 領域提供一套基礎性的「通用語言」。

與美國的「共享人工智能詞典」聚焦於金融服務特定領域不同，中國的術語標準化工作更具全局性，試圖從根源上厘清 AI 領域的基本概念、技術分類和發展階段。這種做法的優勢在於，能為後續各行業細分標準的制定提供統一的「地基」，有效防止不同行業標準之間出現矛盾和衝突，體現出中國「集中力量辦大事」的體制優勢。同時，這些術語標準的制定過程也緊密跟蹤國際前沿趨勢，力圖將中國在 AI 領域的實踐和理解融入國際標準體系，提升中國在全球 AI 治理中的話語權。

其次，在風險管理框架方面，中國呈現出「倫理先行、安全為本」的突出特徵。中國的 AI 治理框架深受網絡安全、數據安全和個人信息保護法律體系的深刻影響。國家網信辦、工信部、公安部等監管部門密集出台了一系列針對算法推薦、深度合成、生成式人工智能等特定技術和應用的規範性文件，形成了多層次的監管矩陣。例如，針對生成式 AI 服務，中國率先實施了算法備案和安全評估制度，要求服務提供者對訓練數據的合法性、算法的公平性、生成內容的真實性負責。

這種監管思路，與美國 FS AI RMF 強調機構內部治理和風險自評估的模式相比，更具強制性色彩和底線思維。它明確劃定了 AI 發展的「紅線」，尤其是在數據安全、意識形態安全和公民權益保護方面，體現了極高的監管要求。中國的風險管理框架，更多地表現為一種「外部合規性約束」，驅動企業建立內部風控體系以滿足監管要求。

最後，中國AI標準化工作的推進與產業發展和國家戰略目標實現了高度協同。標準化被視為推動 AI 賦能實體經濟、實現高質量發展的關鍵基礎設施。例如，在金融領域，中國人民銀行印發的《金融科技發展規劃》中，就明確要求加強 AI 金融應用標準供給，涵蓋智能風控、智能營銷、智能客服等多個方面。這些標準不僅關注風險防控，也著力於提升金融服務效率和普惠水平。

其背後的邏輯是，通過標準化的技術接口、數據格式和評估方法，降低產業鏈上下游的協作成本，促進 AI 技術在金融領域的規模化應用。同時，標準的實施也為領先的科技企業提供了「煉金石」，推動其將成熟的技術方案轉化為行業規範，從而鞏固其市場地位。這種「以標準促產業」的思路，使得中國的 AI 標準化進程不僅是監管工具，更是推動產業升級、培育新質生產力的重要引擎。

三、AI標準化基礎設施的中美比較

儘管中美兩國均已深刻認識到 AI 標準化的重要性並積極付諸行動，但由於兩國在政治體制、市場環境、創新文化以及監管理念上的根本性差異，其 AI 標準化基礎設施的構建路徑、核心特徵與實施效果呈現出顯著的不同。

從頂層設計與底層驅動來看，中國的AI標準化是一種典型的「政府主導、自上而下」的模式。國家層面對 AI 發展有清晰的戰略規劃，標準化工作作為實現這一規劃的關鍵支撐，由國家標準化管理委員會統籌，各部委在其分管領域協同推進。標準制定的優先級與國家產業政策、科技攻關方向高度一致，具有較強的指導性和強制性。這種模式的優勢在於效率高、執行力強，能夠快速建立起一套覆蓋廣泛的標準體系。

相比之下，美國的 AI 標準化則呈現出「市場驅動、自下而上」的特徵。政府的角色更側重於「召集人」和「推動者」，通過發布指南、框架和最佳實踐，引導行業自發形成共識。其標準化過程強調多方參與、協商一致，充分尊重市場主體的創新活力和專業判斷。FS AI RMF 的開發過程就是典型例證，其結果也更偏向於「推薦性指南」而非「強制性法規」。這種模式的優勢在於彈性和適應性更強，不易扼殺創新，但可能在標準的一致性和推廣速度上稍遜一籌。

在標準體系的核心關注點上，中美兩國也存在微妙差異。中國的 AI 標準體系，尤其在風險管理方面，高度聚焦於「安全可控」與「倫理合規」。這源於中國對網絡安全、數據主權和社會穩定的高度重視。因此，標準中往往對數據的合法性、算法的公平性、內容的真實性以及系統的可問責性提出嚴格要求，且常常與《網絡安全法》、《數據安全法》、《個人信息保護法》等上位法緊密銜接。監管機構傾向於通過明確的規則和備案、評估等程序，對 AI 應用進行前置或過程監管。

而美國的 AI 風險管理框架，雖然在安全性和公平性上也有全面考量，但其核心邏輯更偏向於「風險為本」的機構自我治理。其出發點是幫助機構識別、評估並管理自身面臨的運營、聲譽和合規風險，以支持其業務目標的實現。它更強調機構應基於自身的風險偏好和應用場景，建立動態、持續的風險管理流程，而非機械地遵守一套固定的規則。這種差異反映了兩國監管理念的根本不同：中國更傾向於用統一的規則來規範市場行為以防範系統性風險，而美國則更信任市場主體的自我管理能力。

從標準與產業的互動關係來看，中國模式致力於通過標準「牽引」產業發展。領先的 AI 企業，尤其是頭部科技公司，往往深度參與國家和行業標準的制定，這既是其技術實力的體現，也是其構建產業生態、確立競爭優勢的重要手段。標準成為技術擴散和規模化應用的重要催化劑。

而在美國，標準更多是對產業最佳實踐的「總結」與「升華」。FS AI RMF 在很大程度上吸納了金融機構和科技公司在實踐中積累的風險管理經驗。這種模式確保了標準始終與產業前沿保持同步，避免了標準落後於技術發展的問題。然而，這也可能導致標準體系的碎片化，需要政府層面進行整合與協調。

在國際影響力與兼容性方面，中美兩國都致力於將本國標準推向國際。憑藉龐大的市場和強大的產業實力，中國正積極通過 ISO/IEC JTC 1/SC 42 等國際標準化平台，輸出自己的標準理念和實踐。而美國憑藉其在全球科技領域的傳統主導地位，其 NIST 框架等「軟法」在全球範圍內具有強大的輻射力和事實上的影響力。未來，全球 AI 治理很可能形成中美兩大標準體系既競爭又有限合作的複雜格局。

四、AI基礎設施推進對產業發展與估值邏輯的影響

無論是中國自上而下的體系化構建，還是美國自下而上的行業共識凝聚，一個不爭的事實是：AI 標準化這一基礎設施的日益完善，正在深刻地重塑 AI 產業的發展軌跡，並從根本上顛覆過去那種依賴「講故事」來支撐估值的非理性繁榮。

首先，標準化極大地降低了AI產業的交易成本和進入壁壘，促進了技術在整個經濟體系中的「泛在化」應用。統一的術語和接口標準，使得不同企業開發的 AI 元件能夠被靈活拼接和部署。這種「即插即用」的標準化模式，極大地加速了 AI 技術從實驗室走向工廠車間、田間地頭和銀行櫃台的進程。產業發展的重心，將從「如何造出 AI」轉向「如何用好 AI」。

這意味著，那些僅僅擁有算法技術但缺乏對垂直行業深刻理解和應用場景落地能力的公司，其價值將面臨重估。相反，那些能夠深入理解行業痛點，將標準化的 AI 技術與特定業務流程相結合，創造出顯著業務價值的「AI+行業」解決方案提供商，將獲得市場的青睞。

其次，風險管理框架的確立，為市場提供了一套評估AI公司「健康度」的通用標尺。過去，對 AI 公司的風險評估往往是模糊和主觀的。現在，無論是美國的 FS AI RMF，還是中國在金融、網信等領域的監管要求，都為評估一家 AI 公司的可持續經營能力提供了具體維度。

投資者開始關注：公司的 AI 模型是否存在偏見風險？訓練數據的來源是否合法合規？模型的決策過程是否具備可解釋性？公司是否建立了覆蓋 AI 全生命週期的風險管理流程？這些以前被忽視的「軟實力」，如今正成為決定公司成敗的關鍵因素。一家能夠在保障數據隱私、算法公平和系統安全的前提下提供高效 AI 服務的公司，其商業模式無疑更具韌性和可持續性，理應獲得估值溢價。

再次，標準化和合規要求正在成為AI行業優勝劣汰的關鍵篩選機制。滿足日益複雜的合規要求需要投入大量的人力和財力。對於初創公司而言，這構成了一道不低的「合規門檻」。這客觀上有利於那些規模更大、資源更雄厚、管理更規範的頭部企業。

同時，標準化也為客戶選擇 AI 產品和服務提供了依據。一款通過了國家相關標準認證或遵循了國際公認風險管理框架的 AI 產品，更容易獲得客戶的信任。這種基於標準的信任，將成為品牌的重要組成部分，進一步鞏固領先企業的市場地位。這意味著，未來的 AI 競爭，將不再僅僅是技術和算法的競爭，更是治理能力、合規能力和品牌信譽的全面競爭。

最終，這一切都將導向一個根本性的轉變：AI 公司的估值核心，正在從「可能性」轉向「確定性」。在 AI 發展的早期階段，市場熱衷於追逐那些描繪著「未來世界」圖景的故事。這種「講故事」的邏輯支撐了大量前期投資和高估值，但也催生了巨大的泡沫風險。

而 AI 標準化基礎設施的完善，正是擠壓這個泡沫的過程。它要求公司將宏大的願景分解為可衡量、可管理、可驗證的具體指標。公司的價值不再僅僅取決於其創始人的願景或其在頂級學術會議上的論文數量，而是更多地取決於收入的健康增長、客戶的成功案例、核心技術的壁壘、風險管理的有效性以及合規運營的記錄。

綜上所述，中美兩國在 AI 標準化道路上的探索，儘管路徑不同，卻共同指向一個清晰的未來：AI 正從一場技術淘金熱，演變為一個有著明確規則、基礎設施和風險管控的成熟產業。AI 詞典的發布，消除了溝通的噪音；風險管理框架的落地，劃定了行動的邊界；標準化基礎設施的完善，構建了可持續發展的生態。在這一宏大背景下，AI 公司的估值邏輯必然會發生深刻變革。那些能夠穿越概念迷霧，在堅實的標準化基石之上，構建出安全、可信、高效且具有真實商業價值的 AI 應用的企業，將成為新時代的贏家。而曾經盛行的純「講故事」邏輯，終將被市場拋棄。