2025年8月，國務院印發《關於深入實施“人工智能+”行動的意見》，提出“建立健全模型能力評估體系，促進模型能力有效迭代提升”，為人工智能評價體系改革指明了方向、提供了遵循。當前，人工智能正在加快進入生產生活各領域，如何客觀評價其真實能力，關系人類對智能的認識、國家的創新方向和人民群眾的切身利益。實踐是檢驗真理的唯一標准，人工智能究竟具備怎樣的能力、能否創造實際價值，最終要由實踐來檢驗。

現階段，人工智能競爭正由比拼單個模型能力轉向比拼整個系統。與此同時，全球各類大模型評測榜單不斷涌現。如何在標准化測試與實際使用之間建立更加客觀、可靠的評價尺度，已經成為人工智能評價必須回答的問題。評價的價值，不在指標本身，而在於能否解決實際問題。無數實際問題的解決匯聚起來，就是生產力的提高和人民生活的改善。以實踐檢驗人工智能，既要考察其在具體場景中能否完成任務、成本是否合理、風險是否可控，也要衡量其對生產效率和民生福祉的實際貢獻，這正是科技評價堅持實效、貢獻導向的具體體現。評價一旦脫離實踐，產業發展和社會生活中的真實需求就會得不到充分回應。

以實踐為標准評價人工智能，不僅是技術問題，更關系到認識的深化、創新方向的選擇和民生福祉的改善。從認識的規律看，實踐檢驗是認識進步的根本途徑。評價人工智能也不例外，其把幾千年來人類積累的文字和經驗壓縮進模型。模型能否推動認識的進步，要看它在人類尚未解決的問題上能走多遠。越向知識和技術前沿邁進，實踐的檢驗作用就越突出。

從國家發展的需要看，科技評價是引導創新方向的指揮棒，立足國情確立評價標准，是實現高水平科技自立自強的內在要求。從技術規律看，模型性能隨參數、數據和算力投入的增加而提升，偏重能力高低的榜單評價與這一規律相互強化，推動全球人工智能形成重規模、重算力的發展模式。然而，擴大規模並非提升能力的唯一路徑。近年來的研究和實踐表明，同等能力所需的模型規模和算力成本在快速下降。衡量人工智能的發展水平，既要看能達到多高的能力，也要看為此付出多大的代價。把效率和成本納入評價，引導人工智能從規模競爭轉向效率競爭、價值競爭，才能把創新方向的選擇權握在自己手裡。

從民生福祉的改善看，人工智能評價要把群眾的獲得感作為重要標尺。當人工智能應用於鄉鎮衛生院問診、小微企業報稅和農業病虫害識別時，能否准確理解方言表達、適用現行政策、辨識本地作物及其病害，直接關系人民群眾切身利益，而這些具體能力往往難以由通用榜單充分反映。建立客觀可信的評價，基層單位和公眾才不必在使用中反復試錯，進而規避相應的成本和風險，真正適用、可靠的產品才可以得到識別和推廣。

當前，對人工智能能否完成具體任務的檢驗已經普遍開展，但這些評價標准和方法尚不統一。人工智能為一個行業帶來多少效率提升、對國家發展和人民生活改善作出多大貢獻，則更缺少系統衡量。確立實踐標准，需要從評價具體應用、評估行業成效、衡量整體貢獻三個層面完善評價體系。

評價具體應用，功夫要下在真實場景中，標准要定在實際成效上。模型投入使用后，往往與行業數據、業務規則、工具系統和人工復核共同構成完整系統，評價的對象應當是整個系統而不是單個模型，評價的過程應當貫穿採購、驗証和運行全過程而不是一次測試或一場演示。高風險領域應當實行受控驗証並作為准入條件，投產后應當依據實際運行數據持續監測，使產品選擇和項目驗收建立在真實效果而非榜單排名、廠商演示和紙面指標之上。

評估行業成效，要算整體賬、長遠賬，以生產和服務全面增效為准繩。不同行業的業務流程、質量要求和風險邊界各不相同，應在相關部門指導下，由行業組織牽頭、龍頭企業和專業機構參與，建設本行業的真實任務庫，脫敏入庫、保密輪換，既評任務完成度也評單位成本。

衡量整體貢獻，應把人工智能對國家發展和民生福祉的貢獻納入統計核算，做到心中有數、引導有據。我國已經建立數字經濟核心產業的統計核算，人工智能對勞動生產率、就業結構、公共服務影響的統計監測可以在此基礎上起步。宏觀層面的衡量，既要看能力提升帶來的產出增長，也要看算力消耗、應用成本和普惠程度。

上述三個層面相互貫通，檢驗結果向上匯聚為行業和國家的判斷，再向下引導研發方向和資源配置，評價體系才能真正發揮指揮棒作用。

（作者：劉知遠，系清華大學計算機科學與技術系長聘教授）