一名技术人员俯身面对玻璃板，红色尼康测量头悬在她双手上方几厘米处。这套设备属于中国国家计量院的二维线纹计量实验室。机构页面介绍，其测量范围为 300 × 300 毫米，不确定度最低可达 100 纳米。[6] 被测量有清楚的定义，仪器依照规程工作，结果同时附有不确定度说明。成熟的计量学正是这样运转。

再把这张照片放到中国最新的 AI 政策旁边审视。2026 年 5 月 28 日，国家市场监督管理总局与国家发展和改革委员会联合发布人工智能计量体系与能力建设指导意见。文件提出对算法与模型、算力效率、数据质量开展计量，建设参考数据集与测试数据集，制定技术规范、研制计量器具，并把这些计量能力用于制造、医疗、交通等 14 个行业。[1]

截至 2026 年 7 月 21 日，这项政策的市场含义已经超出又一份标准文件，覆盖范围仍窄于国家认证制度。中国正试图建立一层制度基础，让有关 AI 的声明能够相互比较、接受审计，最终进入采购。指南可带来测试实验室、参考数据保管机构、评测软件、行业专家和鉴证服务的需求。开设中心、发布评分榜只是前段工作；真正困难的是定义 AI 系统中的“量”，因为 prompt、数据、模型版本、工具、用户与部署环境一变，系统也随之改变。

一个行政类别成为经济层

官方摘要把方案分为六个方面：基础保障、共性技术、核心技术、计量技术规范、产业服务，以及 AI 在计量工作中的应用。[1] 文件刻意采用基础设施语言。AI 性能应当可测量、可比较、可溯源；参考资源应涵盖高计量学质量数据集、标准参考数据集和测试数据集；国家级研究与应用中心则应把实验室工作连接到各行业部署。[1]

这些目标之所以重要，在于企业采购很少只凭公共排行榜作决定。医院要了解诊断模型在自有扫描设备和患者构成上的表现。工厂关心视觉系统在光照、材料和产线速度变化后能否维持误差率。交通运营商需要掌握失效范围，平均演示得分不足以说明问题。如果买方、供应商、实验室与监管机构都认可结果，共享测试规程与参考基准便能降低反复回答这些问题的成本。

指南把任务限定为能力建设，现阶段尚未延伸至强制采用某一基准、认证具名模型或设立许可规则。将它视为已经完备的监管制度，会混淆机构意图与市场实践。这里的经济信号是，北京已把 AI 计量列为一类基础设施，并指定公共机构开展建设。[1]

政策可以为基础工程提供资金

5 月指南所依托的实施安排，早在一年前已经公布。市场监管总局与工业和信息化部发布的 2025–2030 年行动方案提出，建设跨领域 AI 计量平台，开展算法性能评价、模型与平台安全测试、智能装备评价，并建立风险分级测试体系。[2] 方案覆盖 10 个重点行业，AI 只是其中一项；执行安排包括国家项目库、每年约 10 个重点项目、季度监督和年终评估。[2]

这套安排能够把 AI 计量从概念推进到有经费的工作：项目征集、牵头机构、测试平台、技术方法和示范项目。它也带来一项可预见的风险。项目数量衡量的是行政吞吐量，无法反映测量质量。十项获资助工作产出十套彼此不兼容的可靠性定义，与汇成一条共享参考链一样容易。

中国已有现成的机构基础。市场监管总局在 2026 年 1 月的简报中称，国家计量体系整体已批准 32 个国家产业计量测试中心和 16 个国家计量数据建设应用中心，发布 652 项国家计量技术规范，并拥有 2,000 多项国际互认的校准与测量能力。[3] 这些数字覆盖广义计量体系，AI 专项并未单列。它们的相关性体现在组织能力上：中国已有可供这项方案调用的实验室、数据机构、规范制定流程和比对渠道。至于 LLM 输出的真实性或自主系统的安全性，现阶段仍无法像电压、长度那样完成溯源。

AI 的米尺仍待定义

计量学 一词抬高了质量门槛，因为它对可重复的软件提出了更多要求：究竟测量什么，仪器的灵敏度如何，结果带有多大不确定度，以及另一家合格实验室能否复现结果。

AI benchmark（基准评测）往往把这些问题留在暗处。Chris Welty、Praveen Paritosh 与 Lora Aroyo 在 2019 年发表论文，主张把 benchmark 数据集视作测量仪器，并描述其精度、灵敏度、标注差异和预期用途。[5] 当分数差距小于仪器能够可靠分辨的尺度时，就无法据此夸称哪个系统更好。

NIST 于 2026 年 2 月发布的研究，把这一问题落到当下的语言模型上。研究人员在三项 benchmark 上评估 22 个前沿模型，并把单一准确率容易混在一起的两个目标分开：其一是模型在实际给定的固定问题上的表现，其二是模型面对更大范围同类问题总体时的泛化表现。两项目标需要不同的统计处理和不同的不确定度估计。[4] 两种口径各有适用条件，哪一个答案有意义，由评测目标决定。

这正是中国方案必须跨越的界线。参考数据集要成为参考测量，中间还隔着完整的计量过程。医院数据集有时会遗漏系统实际服务的人群。安全测试容易受 prompt 模板或裁判模型影响。批处理方式、量化方案、硬件、时延目标和利用率一变，算力效率结果也会变化。数据质量分数则取决于下游任务看重哪类错误。因此，若把每项 AI 结果都归到同一个通用数值，溯源信息就会失真。这里所说的溯源，应当让一项明示声明能够沿着版本、条件、规程、参考基准和不确定度一路查验。

买方让计量成为市场

如果方案奏效，最先出现的商业变化将落在采购所附的证据上。一份可信的测试报告可以写明模型和软件版本、硬件与运行环境、数据集来源、抽样框、prompt 协议、人工标注流程、不确定度区间、已知排除项，以及结果的适用范围与外推限制。这样的证据包，比一枚看不见方法的认证印章更有价值。

由此可以推断出一个分层的服务市场，但现有证据还不足以确认它已经成形。国家级机构可以研发参考方法，组织实验室间比对；行业实验室可以把这些方法转化为临床、工业、交通和监管测试；数据集保管机构可以维护分版本参考材料；软件供应商可以在保留审计轨迹的同时自动开展评测；独立评估方可以核验实际部署是否符合受测配置；买方则可以把这些材料写入招标文件与验收测试。

最有力的宏观经济逻辑，是交易摩擦下降。每个买方各自发明一套测试时，小型供应商要反复承担集成成本，大型既有厂商则可用声誉代替证据。受信任的计量层能让声明在不同交易环节沿用，从而进入采购与融资。另一端的风险是合规表演：相互重叠的徽章、付费测试报告，以及在发布机构之外无法互比的地方标准。这种局面只会增加成本，买方与用户都得不到保护。

首批可核验凭证

以下五项产物，将显示 2026 年指南究竟是在走向计量，还是停留于品牌包装。

第一，中心章程应把被测量和行业范围界定得足够具体，让抽象的“AI 质量”拆解成可测项目。第二，参考数据集应公布来源、版本历史、抽样边界、标注流程和已知盲区。第三，技术规范应在点估分之外，同时要求报告不确定度与部署条件。第四，实验室间比对应显示两家机构能否在同一系统上取得相容结果。第五，招标文件或行业试点应把这些材料列为要求，获批实验室的名称只能作为其中一项。

文章论点有明确的证伪条件。如果下一轮大量出现中心与技术规范，而可复现的跨实验室结果、公开的不确定度声明、真实工作流程中的验收变化仍然缺席，那么中国得到的将是一套扩张后的评测官僚体系，计量市场无从成立。

线纹照片的价值，正在于它让雄心接受现实约束。物理计量凭借定义清楚的量、参考链、仪器和比对赢得信任；仅仅使用测量一词，产生不了同样的信任。中国的 AI 方案正在设立一批机构，让模型与数据声明得以流通。尺子的发布数量只是表象；两家严谨实验室各自使用后能够取得一致结果的频率，才是决定性指标。

来源

1. 国家市场监督管理总局，《市场监管总局、国家发展改革委联合印发〈人工智能计量体系与能力建设指导意见〉》（2026-05-28；六部分框架、参考数据集、国家级中心及 14 个应用行业的官方摘要）。
2. 国家市场监督管理总局、工业和信息化部，《计量支撑产业新质生产力发展行动方案（2025–2030 年）》（官方政策文本，涵盖 AI 测试平台、项目遴选、监督及向行业转化）。
3. 国家市场监督管理总局，《推进质量强国建设专题新闻发布会》（2026-01；关于中国既有计量中心、数据机构、技术规范与国际互认能力的官方简报）。
4. 美国国家标准与技术研究院，以统计模型扩展 AI 评测工具箱（NIST AI 800-3，2026；benchmark 准确率与泛化准确率、统计假设及不确定度）。
5. Chris Welty、Praveen Paritosh、Lora Aroyo，《AI 计量学：从 benchmark 到仪器》（2019；论述如何把数据集作为测量仪器加以刻画的研究论文）。
6. 中国国家计量院，《二维线纹工作基准实验室》（机构页面，也是上文实验室纪实照片的来源）。