专家访谈 | 吉姆舍尔·切利泽：国家可以消除障碍，但前行的路还得靠自己走

第一，国家创造了需求。 工业企业自身很难形成这样的需求。截至2026年5月，通过工业能力中心机制已经启动175个项目，其中120个已经完成；139个特别重要项目中已有105个落地，占比达到76%；相关解决方案已在930多家企业得到应用。如果没有国家层面的框架，这样规模的工作不可能发生。

第二，议题获得了合法性和重要性确认。 政府一把手出席行业会议，听起来也许只是象征性动作，但对任何数字化转型负责人而言，这实际上是一个有效的工作工具。它向董事会释放了明确信号：这个议题不是可有可无的附加项。这样一来，关于“我们为什么需要做这件事”的一半争论就已经被消解了。

第三，国家提供了框架。 国家杜马于7月8日通过的《关于支持人工智能技术发展的法律》将于2026年9月1日起生效，其中关键条款自2027年3月1日起实施。该法律具有框架性和风险导向特征，而且非常重要的一点是，它只监管参数规模在10亿以上的大型基础模型。普通企业人工智能应用，例如评分、产线计算机视觉、预测性维护，并不属于该法律的直接适用范围。

我的评价是：这种框架性不是缺点，而是优点。 最糟糕的做法，就是在实践尚未形成之前对行业进行过度细化监管。那样我们会重演欧洲式情景：要求非常详细，但缺少可供这些要求真正适用的产品。

还有两点被行业综述忽略了。第一，该法律直接使开放权重路径合法化，也就是说，基于开放许可证组建、由俄罗斯法人实体进一步训练，并部署在俄罗斯数据中心的模型，可以获得国家模型地位。这是合理的，也为行业团队提供了机会。第二，银行业是法律文本中唯一被直接点名的行业。 哪些场景只能使用本国模型，以及其应用风险要求如何设定，将由政府与俄罗斯央行协商确定。对金融市场而言，这才是该法律最核心的条款，而不是外界普遍讨论的标识问题。

现在谈机制不起作用的地方：四个系统性短板

短板一：资助了开发，却没有资助推广。

有一个很能说明问题的数字：2022年至2025年相关投入约为1870亿卢布，而开发企业通过销售和推广已创建产品获得的收入约为16亿卢布。我们建设了解决方案，却没有形成真正的产品和产品型企业。

具体应当改变什么？应将部分支持从“创造出来”阶段转向“卖给第十个客户”阶段。 也就是说，补贴不应只投向开发，而应投向第二个及后续客户的实施。可以理解为，支持第五次、第十次、第二十次部署，而不是只支持第一次部署。支持规则中只需增加这样一条，就会立刻改变开发者行为：他会开始投入文档、实施方法论和合作伙伴网络。也正是这些内容，决定一个产品是否具备出口能力。

短板二：算力和能源。

行业内讨论的一些估算显示，俄罗斯与美国在可用算力方面存在数百倍差距，俄罗斯全部用于人工智能的数据中心加速器约为1万块，而通过平行进口获得的服务器供应量已从数千台降至数十台。与此同时，已经接入的电力容量本身也开始成为限制因素。

对工业人工智能而言，我再强调一次，前沿模型并不是关键问题。但行业模型的再训练、模型在生产环节中的运行、数字孪生，都需要算力。而这恰恰是市场无法自行建设的基础设施，因为它资本密集、回收周期长，并且在性质上具有公共产品属性。国家在这里必须发挥首要作用，就像当年的电气化一样。

具体来说，我会做三件事：第一，为人工智能数据中心提供优先技术接入；第二，将其部署在发电能力过剩的节点地区，因为我们确实有一些地区存在电力富余，这是罕见的自然优势；第三，也是原则性问题，保障中型企业、高校和行业联盟获得算力配额，而不是只让三四个生态系统拥有算力。 否则，我们会得到算力寡头格局，所有行业解决方案只会诞生在拥有自己数据中心的地方。对工业而言，这不是好结果：冶金企业有数据但没有算力，生态平台有算力却没有数据。

短板三：责任。

这是一个真正阻碍人工智能进入生产和金融业务环节的问题：当系统出错时，谁负责？ 已通过的法律没有解决这一问题，相关条款只是转向一般法律规定。在默认答案仍是“谁签字谁负责”的情况下，没有任何理性的管理者会把决策交给系统，因为所有风险仍然留在自己身上，而所有节省的成本却归公司所有。

监管真正需要做的，并不是简单说“允许使用人工智能”，而是要明确模型开发者、集成商和运营方之间的责任划分；按照风险等级差异化设定决策可追溯性和可解释性要求；更关键的是，在低风险类别中使容错空间合法化。

如果没有最后一点，风险导向方法就会停留在宣言层面。因为在实践中，任何企业法务都会把任何应用解释为高风险应用。过度谨慎不会被处罚，而安全事件会被处罚。只要这种激励不对称继续存在，风险导向就只会存在于纸面上。

短板四：数据。

工业人工智能最终会卡在行业数据上，而这些数据没有任何一家企业能够单独拥有。例如，我曾评估过一个用于设备故障预测分析的人工智能项目，结果非常好，唯一的问题是数据不足。与此同时，另一家公司拥有同样的涡轮机，并积累了10年的日常运行和故障历史。

设备故障、缺陷和事故数据集无法在单一公司边界内完成积累，而数据合并后的效果又具有非线性特征。这是一类典型任务，在这里，国家或行业协会需要做的不是直接给钱，而是消除匿名化数据交换中的法律和反垄断障碍，并制定此类交换的标准。

请注意，这与我此前谈到单个企业时所说的问题完全相同，只是上升了一个层级。在企业内部，公共数据层建不起来，因为它没有明确需求方。在行业内部，行业数据集之所以无法形成，原因也完全一样。 同一种病，只是发生在两个不同规模上。

对欧亚经济联盟而言，这一点尤其重要。单独看，每个国家的市场都不大；合在一起，则已经具备相当规模。成员国领导人关于负责任发展人工智能的联合声明，以及将该议题列入轮值主席国优先事项，是正确的第一步。但宣言只有在后续跟上两件事时，才能真正成为工具：第一，人工智能系统要求的相互承认，也就是在一个联盟国家通过认证的解决方案，不必在五个国家重复走同样程序；第二，建立匿名化数据跨境交换机制。 否则，每个国家都会建起自己的监管围墙，最终我们得到的不是一个中等规模市场，而是五个小市场。而五个小市场不会创造出口型产品，只会创造五个本地承包商。

如果由我来改，我会仍然沿着三个支柱推进

国家层面适用的框架，与企业内部适用的框架其实完全一样。

治理。

● 改变支持指标： 不再看“替代了多少”，而是看“每一卢布国家支持带来了多少推广和出口收入”。我们应该衡量真正想要得到的结果。

● 补贴实施，而不是补贴开发，并且从第二个客户开始支持。

● 明确责任和可追溯性的法律确定性，并按照风险等级差异化设定规则；同时，将实验性法律制度扩展到生产环节中的工业人工智能。目前这些制度主要集中在交通、远程医疗和无人系统领域。

技术。

● 基础设施： 优先技术接入，部署在发电能力过剩地区，并为中型企业、高校和行业联盟提供有保障的算力配额，而不是只服务三大生态系统。

● 行业匿名化数据池： 在欧亚经济联盟框架内，则应推动要求相互承认，并建立匿名化数据跨境流动机制。

人员。

● 培养用于验证的人才，而不只是培养开发人才。 我们正在培养数据专家，却几乎没有培养那些能够在具体业务领域验证人工智能的人：懂数据的工程师、模型风险管理人员、能够在车间与模型之间进行“翻译”的复合型人才。这个短板无法靠短期投入资金迅速弥补。还要单独强调高校算力获取问题：如果没有算力，我们培养的只会是“会做幻灯片的专家”。

还有一件事，国家做不了

国家可以消除障碍，但道路必须由企业自己走完。

再映射到金融行业来看。金融机构在这方面有先发优势：俄罗斯央行长期以来已经使市场习惯于风险导向方法和模型验证，这本质上就是一套现成的模型风险管理框架，而工业领域极度缺少这样的框架。双方可以互相借鉴：工业领域应向银行学习模型验证纪律，而银行则应向工业领域学习对不可接受事件的认知，以及必须设置故障场景的文化。我们在工业领域早已习惯按照“一切都会失效”的前提进行设计。对人工智能而言，这正是最需要的习惯。