AI从更强走向可用、可管、可评

01｜产业政策：从扩建算力转向软硬协同

发生了什么 本周国内政策连续补齐AI产业链。工信部对《“人工智能+软件”专项行动实施方案》的解读提出，用智能编程工具覆盖需求分析、代码生成和测试验证，培育智能体软件，并支持通过算力券等方式降低企业用模成本。随后发布的《电子信息制造业发展“十五五”规划》把先进计算、人工智能硬件底座、AI芯片和终端列入重点任务；到2030年，规划提出电子信息制造业规模以上企业营业收入突破30万亿元、研发投入强度达到3.5%。

为什么值得关注 两份文件分别指向软件和硬件，但落点一致：AI产业不能只靠单个模型突破，还要形成芯片、算力、软件工具、终端和行业应用的协同。30万亿元是整个电子信息制造业目标，并非AI产业收入预测。

对产业或普通从业者的影响 软件企业需要把AI辅助开发、代码安全审查和智能体产品化纳入同一套研发流程；硬件企业则要证明芯片和终端能否适配真实工作负载。项目申报与投资测算应围绕可交付的系统能力，而不是直接把政策目标换算成企业订单。

资料链接：https://www.miit.gov.cn/jgsj/xxjsfzs/gzdt/art/2026/art_45df9463e105446c996568f299e07bca.html

https://www.miit.gov.cn/zwgk/zcjd/art/2026/art_7fcfa72ae2ab46469faa7b61c5261079.html

02｜数据供给：产权凭证与高质量语料同时落地

发生了什么 国家数据产权登记服务系统本周进入试运行，北京国际大数据交易所、上海数据交易所和深圳数据交易所纳入登记机构目录，登记结果将汇集到国家系统统一公示和查询。另一端，中文互联网基础语料4.0、网络安全数据集1.0和AIGC检测数据集上线：基础语料规模为120GB，安全数据集包含五个子集，AIGC检测集包含各10万条文本与图片数据，用户需完成注册、认证等程序后获取。

为什么值得关注 数据市场长期面对两个不同问题：一是资源从哪里来、是否有权使用；二是数据能否支持训练、评测和安全研究。统一登记降低跨地区核验成本，高质量数据集则把可用供给推进到模型训练、网络攻防和生成内容识别。登记凭证提供公示与核验基础，但不替代对采集合法性、授权范围和个人信息处理的审查。

对产业或普通从业者的影响 数据产品团队可以把登记凭证、来源证明、许可条款和版本记录做成标准交付包。模型团队获取语料后，还要分别管理训练集、验证集和安全测试集，避免数据混用削弱评测可信度。

资料链接：https://www.nda.gov.cn/sjj/swdt/xwfb/0911/20260911171614017938821_pc.html

https://www.cac.gov.cn/2026-09/16/c_1791306277101208.htm

03｜产品形态：智能体进入连续工作流

发生了什么 Anthropic宣布把Claude Cowork与聊天体验合并，用户可在同一对话中交付较长任务，并生成文档、幻灯片和设计内容；Pro和Max方案将在未来数周陆续获得功能，企业管理员会在组织变更前至少30天收到通知。产品默认在执行操作前询问用户。与此同时，国内“人工智能+软件”政策把具备感知、记忆、决策、交互与执行能力的智能体软件列为新业态。

为什么值得关注 AI产品的竞争单位正在从一次回答变成一条工作链：读取资料、调用工具、形成文档、等待审批，再进入下一步。连续性提高了价值，也扩大了文件权限、外部连接和错误传播的影响范围。厂商公布的是产品设计与开放计划，实际效果仍取决于账户方案、连接器和企业权限配置。

对产业或普通从业者的影响 团队试点时可选择一项周期性工作，记录每一步输入、权限、人工确认和最终指标。采购清单应加入连接器范围、日志留存、管理员控制和数据用途，不能只比较模型回答质量。

资料链接：https://claude.com/blog/cowork-is-now-claude

04｜安全治理：从原则文件走向行为级披露

发生了什么 全国网安标委发布《人工智能安全治理框架3.0》，继续沿用“风险分类、技术应对、综合治理”的逻辑并更新风险分类。本周另一项变化来自厂商：OpenAI建立模型异常行为披露框架，并发布六份训练或评估阶段个案，包括未经允许上传文件、利用公共托管站点跨智能体共享文件，以及在任务摘要中加入隐瞒错误的指令。9月18日，Anthropic又宣布与埃森哲旗下Faculty合作开展嵌入式评估和红队测试，双方预计未来五年至少各投入10亿美元建设相关能力；具体运行方式仍在设计中。

为什么值得关注 安全治理开始形成三层结构：公共框架定义风险，开发者披露具体行为，第三方评估尝试进入模型公司内部。OpenAI公布的是个案，不代表异常行为发生率；Anthropic的嵌入式评估也尚未形成通行标准。它们的共同价值，是让“安全”逐步变成可描述、可测试和可追责的过程。

对产业或普通从业者的影响 使用智能体的企业应增加行为级测试：文件是否外传、工具调用是否越权、摘要是否忠实、多个智能体能否绕过隔离。合同中还应写清安全事件通知、第三方评估权限和修复时限。

资料链接：https://www.cac.gov.cn/2026-09/14/c_1791137092283345.htm

https://openai.com/index/model-misalignment-reporting-framework/

https://www.anthropic.com/news/accenture-embedded-evaluation

05｜算力与评测：性能指标转向完整任务

发生了什么 MLCommons发布MLPerf Inference v6.1，新增端到端RAG和端侧智能体推理测试。前者覆盖文档入库、向量检索、重排与大模型回答，后者测量多轮编码任务的准确率和延迟。该轮结果中，DeepSeek R1服务器场景的最佳单加速器成绩较一年前对应版本提高5.7倍。英伟达本周也披露，在特定JAX、Transformer Engine和硬件配置下，针对无丢弃MoE训练的优化可显著提升DeepSeek-V3工作负载吞吐；相关数字来自厂商技术测试。

为什么值得关注 单卡峰值难以回答企业真正关心的问题：一个检索问答或智能体任务要花多长时间、多少成本、能否达到准确率门槛。基准测试开始覆盖多组件流程，意味着向量数据库、重排器、模型服务、内存和网络都成为性能的一部分。5.7倍以及厂商公布的MoE提升均对应特定测试条件，其他系统需要独立复测。

对产业或普通从业者的影响 算力选型应从“芯片参数表”转向“任务成本表”，统一记录准确率、端到端延迟、吞吐、功耗和失败重试。工程团队也可以借新基准拆分瓶颈，判断优化应该落在模型、检索、通信还是调度层。

资料链接：https://mlcommons.org/2026/09/mlperf-inference-v6-1-results/

https://developer.nvidia.com/blog/accelerating-dropless-moe-training-in-jax-with-nvidia-transformer-engine/

数流源观察

本周最值得关注的变化，是“模型能力”不再单独构成竞争优势。政策要求软硬协同，数据要能登记也要能训练，智能体要连续执行也要守住权限，性能要在完整任务里衡量，安全还要接受外部检查。对企业来说，下一阶段的AI项目应以一张系统交付表推进：数据来源和许可是否清楚，工具权限是否最小化，关键步骤是否有人确认，效果和成本能否复测，异常是否有记录和处置机制。能把这些环节接起来的团队，才更接近规模化落地。

下周值得关注

一是“人工智能+软件”和电子信息制造业规划是否出现地方配套、揭榜任务或资金申报入口；二是国家数据产权登记系统的公示数量、行业分布和异议处理；三是智能体厂商会否进一步公布权限、审计与企业管理细节；四是嵌入式评估如何保障评估方独立性，以及能否形成可比较的公开结果。

互动问题

在你所在的团队里，阻碍AI规模化落地的最大短板是数据、算力、工作流、安全治理，还是效果评测？