撰文：张烽
本文将通过两国 AI 标准化特征的论述与比较，探讨标准化基础设施的推进如何重塑产业发展，并从根本上改变 AI 公司的估值逻辑。
近年来，人工智能（AI）技术的迅猛发展，使其从实验室的尖端研究迅速走向各行各业的商业化应用。然而，在技术狂欢的背后，AI 公司的估值逻辑长期以来却饱受争议，市场对其的评判往往夹杂着对未来的无限憧憬。随着技术应用进入深水区，风险与不确定性日益凸显，政策制定者、监管机构和投资者都开始寻求更为稳健、可持续的发展路径。
在这一背景下，中美两国监管层与业界不约而同地将目光投向了 AI 的标准化与风险管理。可以清晰地看到，标准化正成为 AI 产业从「讲故事」迈向「重实干」的关键推手。
一、美国AI词典与风险防控的标准化特征
美国财政部近日发布了两项新资源，指导金融领域的人工智能应用：共享人工智能词典和金融服务人工智能风险管理框架（FSAIRMF）。此举是为支持总统的《人工智能行动计划》，该计划呼吁制定明确标准、共享理解和基于风险的治理，以确保人工智能安全且负责任地部署。
「实施总统的人工智能行动计划不仅需要理想性的表述，更需要机构能够利用的切实资源。」财政部副部长德里克·瑟勒说，「通过建立通用的人工智能语言和定制的金融服务AI风险管理框架，这些交付物有助于保护消费者，同时支持负责任的创新。」
美国在推动 AI 标准化，尤其是在金融等关键领域的应用上，展现出鲜明的「实用主义」与「协同治理」特征。其核心在于通过构建通用语言和操作性框架，将宏观的国家战略转化为微观主体可执行的行动指南，从而在鼓励创新的同时，守住安全与稳定的底线。
首先，「共享人工智能词典」的发布，标志着美国在解决AI治理基础性难题上迈出了关键一步。长期以来，AI 领域的术语因学科背景、应用场景和利益相关方的不同而存在显著差异。技术开发者口中的「模型可解释性」，与法律合规部门关注的「算法透明度」，以及业务部门理解的「决策逻辑」，往往指向不同层面的问题。这种术语的不一致，直接导致跨部门、跨机构沟通效率低下，也为监管带来巨大挑战。美国财政部推出的 AI 词典，正是为了打破这种「巴别塔」困境。它通过为关键 AI 概念、能力和风险类别建立一套官方认可的、统一的定义，实现了监管者、技术专家、法律顾问和商业领袖之间的「同频共振」。这不仅有助于金融机构内部形成对 AI 风险的一致理解，也为外部监管提供了清晰的标尺，从而支持更一致、更可预测的实施。这种对「语言」本身进行标准化的做法，体现了美国对 AI 治理基础的高度重视，是构建复杂风险防控体系的基石。
其次，「金融服务人工智能风险管理框架」则是在统一语言之上构建的「操作手册」。该框架并未另起炉灶，而是巧妙地调整和细化了美国国家标准与技术研究院发布的宏观 AI 风险管理框架，使其深度契合金融服务的特定语境。这种「量身定制」体现了美国监管的灵活性与精准性。FS AI RMF 的核心特征在于其全生命周期和可扩展性。它涵盖了从设计、开发、验证到部署、监控和更新的完整 AI 生命周期，指导机构如何识别 AI 应用场景，评估潜在风险，并将问责制、透明度和运营韧性内嵌于 AI 部署的各个环节。尤为重要的是，该框架被设计为具有可扩展性和灵活性，能够适应从初创公司到大型跨国金融机构等不同规模、不同复杂度机构的实际需求。例如，小型金融科技公司可利用框架中的简化工具进行初步风险评估，而系统性重要银行则可能需要建立更为复杂的治理架构。这种「量体裁衣」的设计，极大提高了框架被业界广泛采纳的可能性。
最后，美国AI标准化的推进呈现出「公私合作、多方共治」的鲜明特征。无论是词典还是风险管理框架，其开发过程都并非监管机构的一言堂，而是由金融与银行信息基础设施委员会、金融服务部门协调委员会下的人工智能执行监督组等公私合作机构共同完成。网络风险研究所等行业机构的积极评价，也从侧面印证了框架的业界认可度。这种多方参与模式，确保了标准化成果既能反映监管对安全与稳定的关切，又能兼顾产业界对创新效率和成本的考量。其最终目标是「支持金融领域更快速、更广泛的人工智能应用」，通过增强网络安全和运营韧性来赋能行业，而非简单地设置障碍。
二、中国AI术语与风险管理框架特征
中国有与美国财政部 AI 词典、AI 风险管理框架对应的官方术语标准和国家级 AI 安全治理 / 风险管理体系，且已形成多层级、全流程的治理框架。其核心特征可概括为「以标准促发展，以规范保安全」，力图在激烈的全球 AI 竞赛中建立规则主导权，并为国内产业的健康有序发展保驾护航。
其主要内容，以国家标准《信息技术 人工智能 术语》（GB/T 41867-2022）国家级核心框架和《人工智能安全治理框架》（2.0 版，2025-09）为核心，配套 GB/T 46347-2025《人工智能 风险管理能力评估》提供组织级 AI 风险管理能力分级、评估流程与合规指引，同时《生成式人工智能服务管理暂行办法》（2023）明确生成式 AI 服务的安全评估、备案、内容审核、数据合规等强制要求。另外还有一些属于最佳实践类规范如金融、医疗、教育等重点行业发布的AI应用风险管理细则等。
相较于美国以实用主义和行业细分为导向的渐进式路径，中国在 AI 术语与风险管理框架的构建上，展现出更强的顶层设计色彩、更快的推进速度以及与国家战略更紧密的耦合。
首先，在术语标准化方面，中国采取了「体系化、前瞻性」的构建策略。以国家标准化管理委员会为主导，中国正加速构建一套涵盖基础共性、支撑技术、产品服务、行业应用和安全管理等多个层面的 AI 标准体系。例如，已发布的《人工智能术语》国家标准，旨在为整个 AI 领域提供一套基础性的「通用语言」。
与美国的「共享人工智能词典」聚焦于金融服务特定领域不同，中国的术语标准化工作更具全局性，试图从根源上厘清 AI 领域的基本概念、技术分类和发展阶段。这种做法的优势在于，能为后续各行业细分标准的制定提供统一的「地基」，有效防止不同行业标准之间出现矛盾和冲突，体现出中国「集中力量办大事」的体制优势。同时，这些术语标准的制定过程也紧密跟踪国际前沿趋势，力图将中国在 AI 领域的实践和理解融入国际标准体系，提升中国在全球 AI 治理中的话语权。
其次，在风险管理框架方面，中国呈现出「伦理先行、安全为本」的突出特点。中国的 AI 治理框架深受网络安全、数据安全和个人信息保护法律体系的深刻影响。国家网信办、工信部、公安部等监管部门密集出台了一系列针对算法推荐、深度合成、生成式人工智能等特定技术和应用的规范性文件，形成了多层次的监管矩阵。例如，针对生成式 AI 服务，中国率先实施了算法备案和安全评估制度，要求服务提供者对训练数据的合法性、算法的公平性、生成内容的真实性负责。
这种监管思路，与美国 FS AI RMF 强调机构内部治理和风险自评估的模式相比，更具强制性色彩和底线思维。它明确划定了 AI 发展的「红线」，尤其是在数据安全、意识形态安全和公民权益保护方面，体现了极高的监管要求。中国的风险管理框架，更多地表现为一种「外部合规性约束」，驱动企业建立内部风控体系以满足监管要求。
最后，中国AI标准化工作的推进与产业发展和国家战略目标实现了高度协同。标准化被视为推动 AI 赋能实体经济、实现高质量发展的关键基础设施。例如，在金融领域，中国人民银行印发的《金融科技发展规划》中，就明确要求加强 AI 金融应用标准供给，涵盖智能风控、智能营销、智能客服等多个方面。这些标准不仅关注风险防控，也着力于提升金融服务效率和普惠水平。
其背后的逻辑是，通过标准化的技术接口、数据格式和评估方法，降低产业链上下游的协作成本，促进 AI 技术在金融领域的规模化应用。同时，标准的实施也为领先的科技企业提供了「炼金石」，推动其将成熟的技术方案转化为行业规范，从而巩固其市场地位。这种「以标准促产业」的思路，使得中国的 AI 标准化进程不仅是监管工具，更是推动产业升级、培育新质生产力的重要引擎。
三、AI标准化基础设施的中美比较
尽管中美两国均已深刻认识到 AI 标准化的重要性并积极付诸行动，但由于两国在政治体制、市场环境、创新文化以及监管理念上的根本性差异，其 AI 标准化基础设施的构建路径、核心特征与实施效果呈现出显著的不同。
从顶层设计与底层驱动来看，中国的AI标准化是一种典型的「政府主导、自上而下」的模式。国家层面对 AI 发展有清晰的战略规划，标准化工作作为实现这一规划的关键支撑，由国家标准化管理委员会统筹，各部委在其分管领域协同推进。标准制定的优先级与国家产业政策、科技攻关方向高度一致，具有较强的指导性和强制性。这种模式的优势在于效率高、执行力强，能够快速建立起一套覆盖广泛的标准体系。
相比之下，美国的 AI 标准化则呈现出「市场驱动、自下而上」的特征。政府的角色更侧重于「召集人」和「推动者」，通过发布指南、框架和最佳实践，引导行业自发形成共识。其标准化过程强调多方参与、协商一致，充分尊重市场主体的创新活力和专业判断。FS AI RMF 的开发过程就是典型例证，其结果也更偏向于「推荐性指南」而非「强制性法规」。这种模式的优势在于灵活性和适应性更强，不易扼杀创新，但可能在标准的一致性和推广速度上稍逊一筹。
在标准体系的核心关注点上，中美两国也存在微妙差异。中国的 AI 标准体系，尤其在风险管理方面，高度聚焦于「安全可控」与「伦理合规」。这源于中国对网络安全、数据主权和社会稳定的高度重视。因此，标准中往往对数据的合法性、算法的公平性、内容的真实性以及系统的可问责性提出严格要求，且常常与《网络安全法》、《数据安全法》、《个人信息保护法》等上位法紧密衔接。监管机构倾向于通过明确的规则和备案、评估等程序，对 AI 应用进行前置或过程监管。
而美国的 AI 风险管理框架，虽然在安全性和公平性上也有全面考量，但其核心逻辑更偏向于「风险为本」的机构自我治理。其出发点是帮助机构识别、评估并管理自身面临的运营、声誉和合规风险，以支持其业务目标的实现。它更强调机构应基于自身的风险偏好和应用场景，建立动态、持续的风险管理流程，而非机械地遵守一套固定的规则。这种差异反映了两国监管理念的根本不同：中国更倾向于用统一的规则来规范市场行为以防范系统性风险，而美国则更信任市场主体的自我管理能力。
从标准与产业的互动关系来看，中国模式致力于通过标准「牵引」产业发展。领先的 AI 企业，尤其是头部科技公司，往往深度参与国家和行业标准的制定，这既是其技术实力的体现，也是其构建产业生态、确立竞争优势的重要手段。标准成为技术扩散和规模化应用的重要催化剂。
而在美国，标准更多是对产业最佳实践的「总结」与「升华」。FS AI RMF 在很大程度上吸纳了金融机构和科技公司在实践中积累的风险管理经验。这种模式确保了标准始终与产业前沿保持同步，避免了标准落后于技术发展的问题。然而，这也可能导致标准体系的碎片化，需要政府层面进行整合与协调。
在国际影响力与兼容性方面，中美两国都致力于将本国标准推向国际。凭借庞大的市场和强大的产业实力，中国正积极通过 ISO/IEC JTC 1/SC 42 等国际标准化平台，输出自己的标准理念和实践。而美国凭借其在全球科技领域的传统主导地位，其 NIST 框架等「软法」在全球范围内具有强大的辐射力和事实上的影响力。未来，全球 AI 治理很可能形成中美两大标准体系既竞争又有限合作的复杂格局。
四、AI基础设施推进对产业发展与估值逻辑的影响
无论是中国自上而下的体系化构建，还是美国自下而上的行业共识凝聚，一个不争的事实是：AI 标准化这一基础设施的日益完善，正在深刻地重塑 AI 产业的发展轨迹，并从根本上颠覆过去那种依赖「讲故事」来支撑估值的非理性繁荣。
首先，标准化极大地降低了AI产业的交易成本和进入壁垒，促进了技术在整个经济体系中的「泛在化」应用。统一的术语和接口标准，使得不同企业开发的 AI 组件能够被灵活拼接和部署。这种「即插即用」的标准化模式，极大地加速了 AI 技术从实验室走向工厂车间、田间地头和银行柜台的进程。产业发展的重心，将从「如何造出 AI」转向「如何用好 AI」。
这意味着，那些仅仅拥有算法技术但缺乏对垂直行业深刻理解和应用场景落地能力的公司，其价值将面临重估。相反，那些能够深入理解行业痛点，将标准化的 AI 技术与特定业务流程相结合，创造出显著业务价值的「AI+行业」解决方案提供商，将获得市场的青睐。
其次，风险管理框架的确立，为市场提供了一套评估AI公司「健康度」的通用标尺。过去，对 AI 公司的风险评估往往是模糊和主观的。现在，无论是美国的 FS AI RMF，还是中国在金融、网信等领域的监管要求，都为评估一家 AI 公司的可持续经营能力提供了具体维度。
投资者开始关注：公司的 AI 模型是否存在偏见风险？训练数据的来源是否合法合规？模型的决策过程是否具备可解释性？公司是否建立了覆盖 AI 全生命周期的风险管理流程？这些以前被忽视的「软实力」，如今正成为决定公司成败的关键因素。一家能够在保障数据隐私、算法公平和系统安全的前提下提供高效 AI 服务的公司，其商业模式无疑更具韧性和可持续性，理应获得估值溢价。
再次，标准化和合规要求正在成为AI行业优胜劣汰的关键筛选机制。满足日益复杂的合规要求需要投入大量的人力和财力。对于初创公司而言，这构成了一道不低的「合规门槛」。这客观上有利于那些规模更大、资源更雄厚、管理更规范的头部企业。
同时，标准化也为客户选择 AI 产品和服务提供了依据。一款通过了国家相关标准认证或遵循了国际公认风险管理框架的 AI 产品，更容易获得客户的信任。这种基于标准的信任，将成为品牌的重要组成部分，进一步巩固领先企业的市场地位。这意味着，未来的 AI 竞争，将不再仅仅是技术和算法的竞争，更是治理能力、合规能力和品牌信誉的全面竞争。
最终，这一切都将导向一个根本性的转变：AI公司的估值核心，正在从「可能性」转向「确定性」。在 AI 发展的早期阶段，市场热衷于追逐那些描绘着「未来世界」图景的故事。这种「讲故事」的逻辑支撑了大量前期投资和高估值，但也催生了巨大的泡沫风险。
而 AI 标准化基础设施的完善，正是挤压这个泡沫的过程。它要求公司将宏大的愿景分解为可衡量、可管理、可验证的具体指标。公司的价值不再仅仅取决于其创始人的愿景或其在顶级学术会议上的论文数量，而是更多地取决于收入的健康增长、客户的成功案例、核心技术的壁垒、风险管理的有效性以及合规运营的记录。
综上所述，中美两国在 AI 标准化道路上的探索，尽管路径不同，却共同指向一个清晰的未来：AI 正从一场技术淘金热，演变为一个有着明确规则、基础设施和风险管控的成熟产业。AI 词典的发布，消除了沟通的噪音；风险管理框架的落地，划定了行动的边界；标准化基础设施的完善，构建了可持续发展的生态。在这一宏大背景下，AI 公司的估值逻辑必然会发生深刻变革。那些能够穿越概念迷雾，在坚实的标准化基石之上，构建出安全、可信、高效且具有真实商业价值的 AI 应用的企业，将成为新时代的赢家。而曾经盛行的纯「讲故事」逻辑，终将被市场抛弃。
