人工智能亟需可信“公共标尺”
2026/07/22 | "创新咖啡馆"微信公众号
导读
同一个AI模型，在实验室A评测中准确率达90%，在机构B独立验证中却骤降至70%。
哪个结果可信？哪个结论能用？
这并非极端个例，而是AI评测的日常尴尬。当AI开始看片子、判案子、做决策，我们是否亟需一把跨场景、可通用的“公共标尺”？
近日，中国计量科学研究院方向、赵洋等在Artificial Intelligence Needs a Common Ruler一文中，围绕上述问题展开了系统探讨。本文对其核心观点进行梳理与评述。
图1 面向可信AI的“公共标尺”框架。当前AI缺乏共享参考体系，由此形成信任鸿沟（Trust Gap），制约了可信AI的规模化应用与发展。借鉴国际单位制（SI）实现全球统一测量的思想，本框架提出类似SI的参考体系（SI-like References），作为支撑可比性、可溯源性、可靠性和可治理性（CTRG）的共同信任锚点。通过连接通用信任基础（L1）与领域参考体系（L2）的双层架构，CTRG属性进一步转化为参考、测量、验证和治理等核心功能，共同构建支撑跨领域可信AI的公共标尺。
01 能力 ≠ 可信
过去十年，AI发展是一场持续升级的“能力竞赛”。模型参数从亿级飙升至万亿级，在语言理解、图像生成、代码编写和复杂数据分析等任务上的表现屡创新高。但当AI进入医疗诊断、自动驾驶、公共治理等高影响场景时，一个根本性错位显现出来：能力的跃升，并不等于可信性的建立。
AI能写诗，也会编造文献；能完成复杂推理，也可能对相似问题给出自相矛盾的答案；在A人群中表现优异，换到B环境便“水土不服”。这些现象指向同一个问题：我们正在不断刷新AI能力的天花板，却还没有建立守住可信底线的共同参照系。
02 评测很多，为何仍需“公共标尺”？
有人会问：AI领域已有大量基准测试、技术标准、风险评估框架和治理规范，难道还不够吗？
现实是，这些工具各有所长，也各有侧重。它们采用的数据集、指标体系、测试环境和证据链标准并不统一，导致评测结果往往没法跨模型比、跨版本追、跨场景用。传统基准能回答“这个模型在某个任务上得分多高”，但可信AI还需要回答更本质的问题：
不同系统能否在相同条件下被公平比较？
结论出了偏差，能否追溯到数据、算法或评估环节？
换了环境，它还能稳定发挥吗？
模型更新或出现异常，能否被持续监测和及时纠偏？
由此可见，AI领域真正缺失的，并非更多测试或榜单，而是一套贯通测量、标准、验证、追溯与治理的共同可信基础。
03 什么是“公共标尺”？
基于上述思考，作者提出“Common Ruler（公共标尺）”框架，并将可信AI所需的共同基础概括为CTRG，即可比性（Comparability）、可追溯性（Traceability）、可靠性（Reliability）和可治理性（Governability）。
“公共标尺”不是给AI打分的新榜单，而是建立一套共同参照机制，让每一个评价结果都能说清楚：怎么测的，跟谁比的，能不能重复，更新后是否依然有效。
这一框架不要求医疗、金融、教育等领域的AI使用完全一致的指标，但强调所有领域必须共享一套基本的可信原则，即CTRG：
可比性（Comparability）：不同模型、不同版本和不同应用场景的结果，能否在明确一致的条件下公平比较？
可追溯性（Traceability）：从数据来源、模型版本到评价结论，能否形成完整证据链，做到追本溯源？
可靠性（Reliability）：跨时间、跨环境、跨人群，系统能否保持稳定、准确且可复现？
可治理性（Governability）：部署之后，系统能否被持续监测、审计和纠偏，在风险出现时能有效干预？
文章强调，CTRG不是四个孤立的指标，而是相互绑定、互为支撑的基础要求。一个AI即便得分再高，如果无法跨场景比较、无法追溯结论、上线后无法监管，那么它离“可信”仍有相当距离。
04 落地路径：像“国际度量衡”一样建立信任
原则有了，如何落地？
作者借鉴了现代社会运转成熟的国家质量基础设施（NQI）。NQI以计量、标准、检验检测和认证认可为核心要素，为产品、服务、过程及测量结果提供统一的技术规则和可信证据，使其能够被可靠测量、客观评价、相互比较和广泛互认。AI的信任体系，同样需要这样一套贯穿测量、标准、验证和治理的基础设施。
为此，文章将“公共标尺”设计为两层架构：
底层L1（通用基础层）：跨领域共享的参考标准、测量方法、溯源机制和审计规则，为所有AI系统提供统一的“可信语言”。
上层L2（领域参照层）：面向医疗、交通、科研等具体领域，建立各自的参考数据、风险阈值和评价场景。
这种设计既避免了“一把尺子量所有”的粗暴，也确保了不同领域之间仍然拥有共同的可信依据。
05 不是新排行榜，而是“证据链”
作者特意强调：公共标尺不是另一个AI排名榜。
排行榜关心“谁更厉害”，而公共标尺追问的是：这些“厉害”的结果，能否被可靠测量、合理追溯、重复验证和广泛互认？
一个完整的可信评价，不应只报出分数，还应清晰说明：
在什么数据和环境下测的？
用了什么标准、方法和指标？
结果有多大不确定性？
其他机构能否独立复现？
模型升级后，旧结论还作数吗？
部署中出了偏差，能否及时告警和修正？
只有当这些信息共同构成一条完整的可信证据链，AI的评价结果才真正具备可比性、可追溯性和可靠性。
06 未来竞争：从拼算力，到拼“信任基础设施”
拉长周期来看，本文判断未来AI领域的竞争，将不再仅仅是算力、参数和算法的较量。可信规则、参考体系和验证基础设施，同样决定着谁能走得更远。
更强大的模型拓展能力边界，而公共标尺决定了这些能力能否被社会理解、验证和接纳。
正如国际单位制为现代科学提供了共同语言，标准、计量和认证体系支撑了全球工业与贸易的互信，AI时代同样需要这样一把被广泛认可的“公共标尺”。它未必决定AI能跑多快，却可能决定AI能走多远，以及人类愿意相信它多久。
总结与展望
当AI从工具演变为知识生产、决策支持和科学发现的重要参与者，可信性问题已不再局限于“模型性能”这一技术维度，而是扩展为贯穿数据、算法、评价、部署与治理全链条的基础设施命题。“公共标尺”不试图提供终极答案，而是提供一种面向可信未来的共同参照理念。
它以可比性、可追溯性、可靠性和可治理性为基石，通过通用基础与领域参照的协同，将AI可信性从抽象原则引向可测量、可验证、可互认的现实路径。
能力决定AI能走多快，公共标尺决定我们能放心让它走多远。
期待有一天，当人们谈论一个AI系统是否可信时，我们拥有的不再是一堆彼此割裂的跑分数据，而是一套让全社会达成共识的、透明的“度量衡”。
原文链接：https://www.sciencedirect.com/science/article/pii/S2666675826002201
DOI:10.1016/j.xinn.2026.101473
引用格式：Zhao Y., Song Z., Tan P., et al. (2026). Artificial intelligence needs a common ruler. The Innovation 7:101473.
