中国国家发改委将 AI 法纳入科技新闻焦点

中国国家发展和改革委员会表示，在国内模型下载量据报突破 100 亿次后，将加快推进全面的 AI 立法。这一宣布将 AI 法推至科技新闻的中心，也凸显出一项艰难的政策冲突。北京希望同时实现更快的模型发展、更广泛的应用，以及更有力的安全保障。

国家发改委将立法视为更广泛产业计划的一部分。其还承诺加强基础研究、提升训练和推理效率、推进多模态发展、AI 智能体，以及建设国家级应用测试中心。该机构传递的信息很明确：中国并不打算以监管 AI 为代价放缓其扩张。

这一组合给模型开发者、云服务商、应用开发者，以及服务中国用户的外国公司带来压力。中国已经通过不同规则，对算法、合成媒体、个人数据和面向公众的生成式 AI 服务进行监管。一部全面的法律必须将这些层次衔接起来，同时避免冻结快速发展的国内市场。

中国国家发改委实际宣布了什么

这项宣布将未来的国家级 AI 法直接与中国扩大本土模型规模及现实应用的努力联系起来。

在 7 月 31 日的新闻发布会上，国家发改委发言人姜毅介绍了中国 AI 供应链取得的快速进展。他表示，2026 年上半年，国内模型在全球的下载量已超过 100 亿次。

姜毅还表示，包括 DeepSeek 和 Moonshot AI 在内的本土公司已发布参数规模达到万亿级的开放模型。参数是经过学习得出的数值，决定模型如何处理信息并生成输出。

这些数据出现在对这场 7 月发布会 的报道中，但其中并未公布重要的统计口径细节。报道没有说明下载总量是否计入独立用户、重复下载、镜像、模型变体或自动化获取。

这一限制很重要。模型仓库对下载量的统计方式往往不同，一位用户也可能获取多个文件或版本。100 亿这一数字表明分发范围广泛，但并不能证明存在 100 亿个活跃部署。

参数数量同样只能提供不完整的比较。稀疏混合专家模型可以拥有大量总参数，但每次请求只会激活其中一部分。架构、训练数据、推理成本和评测结果往往比参数总数更重要。

不过，这些数字解释了政策信息发布的时机。中国政府认为，国内 AI 已不再局限于孤立的研究项目。模型正成为面向消费者的应用、工业系统、公共服务和自主软件智能体的基础设施。

国家发改委提出了三项广泛优先事项。第一，希望加强对模型理论、训练、推理、多模态系统和智能体的研究。第二，计划加快建设国家级中试应用中心。

这些中心将帮助 AI 项目从实验室开发过渡到大规模商业部署。用制造业的语言来说，中试设施用于测试一种构想能否在全面量产前可靠运行。

第三，该机构表示将培育围绕 AI 建立的企业，并加快立法进程。同时，其还承诺强化技术监测、风险预警和应急响应体系。

该政策尚未提供公开法案、合规时间表或执法路线图。因此，它代表的是政策方向，而非一套完成的监管方案。

即使是“人工智能法”这一称谓也需要谨慎对待。它是对计划中全面立法的便捷英文表述，不应被理解为立法者已经确定该法律的正式名称或文本。

眼下的变化是政治承诺。全面 AI 立法已更加接近中国工业战略的核心位置，与模型创新和国家部署基础设施并列。

为什么 AI 立法如今成为科技新闻

中国的模型经济已经发展到足够大的规模，碎片化规则已无法一致覆盖每一位开发者、每一种部署方式和每一类风险。

中国并未等到出台一部国家级 AI 法律后才监管这一行业。监管机构已经围绕特定技术、服务和危害建立了分层体系。

针对推荐算法的规则聚焦于塑造信息流的平台。深度合成规定针对被操纵的音频、图像和视频。数据与个人信息法律则确立了同样适用于 AI 系统的更广泛义务。

2023 年的生成式 AI 规则为面向中国公众提供的服务新增了义务。提供者必须处理违法内容、保护个人信息、建立投诉渠道，并适当披露服务限制。

这些措施为监管机构处理即时问题提供了工具，但也让棘手问题分散在不同机构和法律工具之间。

当一个基础模型为数百个独立应用提供能力时，谁应承担责任？模型开发者、云主机服务商、数据供应商、应用运营方或企业客户各自应承担哪些义务？

当 AI 系统从起草文本转向操作机器时，义务应如何变化？当开放模型跨越国界，并被无关开发者修改时，又会发生什么？

一部全面法律可以提供共同定义，并在这条链条中分配责任。它也可以为国家、行业和地区监管机构之间的协调确立法律授权。

国家发改委此前已在 2025 年发布的一份官方答复中介绍了可能的组成部分。其提出的立法框架涵盖研究、应用、伦理、责任、救济和国际合作。

这份答复也承认了一个基本问题：官员尚未就立法路径、框架或重大制度设计达成统一共识。

2026 年 7 月的宣布表明，政府希望推动这场讨论向前发展。然而，加速推进并不能说明哪些存在争议的设计选择已经解决。

随着 AI 扩展到智能体领域，协调的需求变得更加迫切。智能体可以感知输入、保留信息、作出决策，并在软件或物理环境中执行行动。

聊天机器人通常等待请求并返回内容。智能体则可以调用工具、修改记录、发送指令或操作连接的设备。这些行动带来了更明确的授权、审计和责任问题。

中国于 2026 年 5 月发布了 AI 智能体国家指导意见。这份智能体指导意见列出了覆盖科研、产业、消费、公共福利和社会治理的 19 个应用场景。

同一份指导意见强调安全、可控性、标准、技术基础设施和有序发展。这种组合与国家发改委更广泛的立法信息相呼应。

监管机构并非只是在回应假设中的未来智能，而是在应对获得了重要工具访问权限的普通系统。

对开发者而言，这使 AI 法成为产品架构的一部分。身份控制、权限边界、活动日志、评估记录和事件响应，可能成为法律证据，而不再只是可选的工程改进。

对企业采购方而言，采购问题也随之改变。模型的基准测试得分，几乎无法说明部署后的系统泄露数据或进行未经授权的更改时，由谁承担责任。

对知识工作者而言，这一问题已触及日常工具。摘要、研究、文档生成和自动化工作流，越来越多地接触到机密记录和受版权保护的材料。

法律最终的定义可能决定哪些系统需要备案、标识、评估或人工监督。这正是立法已成为运营层面的科技新闻，而非遥远法律讨论的原因。

开放模型增长遇上集中化问责

中国核心的政策张力并非创新与监管之间的对立，而是分布式模型使用与可追溯责任要求之间的矛盾。

开放模型支持国家发改委的产业目标。开发者可以下载权重，将系统适配至本地任务，并在无需将每项请求发送至外国 API 的情况下进行部署。

这种灵活性降低了对少数托管服务的依赖，也有助于大学、初创企业和成熟公司试验专业化系统。

DeepSeek 通过结合公开可用的模型发布与具有竞争力的技术表现，成为这一路径的重要象征。Moonshot AI 也通过长上下文系统及其他发布，扩展了中国的本土模型生态。

然而，开放分发使监管变得更加复杂。一旦权重被复制，模型就可能被与原始开发者毫无关系的组织进行微调、合并、量化或部署。

托管服务提供商可以集中更新安全防护措施，也可以暂停账户、检查服务日志，并在单一托管环境中执行使用政策。

公开分发的模型让下游运营者拥有更大控制权。这种控制在隐私、定制化、韧性和本地部署方面带来益处，但也使责任更加分散。

未来法律必须决定义务从何处开始、在何处结束。原始开发者可能需要记录训练方法和已知限制；下游修改者可能需要评估微调过程中引入的变化。

应用提供商可能仍需对面向用户的行为负责。云服务运营商可能承担安全义务，但无需为每一项生成答案承担责任。

这些划分听起来很技术性，但它们决定开放开发能否保持可行。如果每一位参与者都要对下游行为承担无限责任，小型开发者将难以参与。

相反的做法同样会带来问题。如果权重一经发布，责任便随之消失，那么在可预见的危害发生时，监管机构可能找不到可问责的一方。

中国现有规则已经揭示了一种可能的模式：义务取决于服务、受众和部署环境。2023 年措施聚焦于在中国境内面向公众提供的生成式 AI 服务。

这种区分为研究和企业内部开发留出了空间，也意味着同一个底层模型在不同部署中可能面临不同要求。

全面立法可能保留这种因情境而异的模式，也可能不论最终服务形态为何，都为基础模型开发者设立基本义务。

国家发改委的表述支持一种平衡框架，但并未回答责任分配问题。官员强调发展与安全、国内需求与国际条件，以及当前与长期关切。

这些原则足够宽泛，可以支持多种监管设计。决定性的细节将涉及适用范围、门槛、豁免、文件记录和执法权限。

这种压力对初创企业尤为明显。大型平台能够投入资源组建法务团队、开展评估、实施内容管控并建立报告体系。规模较小的模型和应用公司则面临更有限的合规能力。

试点规模的应用中心或许能减轻部分负担。共享测试环境可以帮助开发者在部署前验证安全性、互操作性及行业要求。

不过，公共测试基础设施无法取代明确的法律责任。一次成功的评估并不能决定系统造成损害后由谁向用户赔偿。

外国开发者同样面临不确定性。一项法律可能影响在中国提供的海外模型、使用中国数据训练的模型，或其输出触达中国用户的服务。

跨境开放模型则构成更棘手的情形。它们可以通过代码仓库、镜像站、企业网络和修改后的发行版本流传，而不依托某一家稳定的服务提供商。

这正是此次公告背后的真正较量。中国希望获得开放分发带来的经济覆盖面，同时保留受监管基础设施所要求的行政可见性。

立法者如何化解这一张力，其重要性将超过任何单一的下载量数据。

现行规则揭示了即将出台法律的哪些方向

中国现有的 AI 管控措施表明，这部综合性法律将围绕内容溯源、数据治理、安全和责任整合相关义务。

内容溯源提供了最清晰的例子。溯源信息有助于识别数字内容的来源及其生成方式。

中国的内容标识规定要求受规制的合成内容包含显性和隐性标识。隐性标识可包括用于说明内容由 AI 生成、提供者信息和内容标识符的元数据。

分发平台必须检查元数据并展示适当提示。用户在发布生成内容时也负有相应义务，同时，恶意删除或伪造标识将被禁止。

这些要求说明，监管如何能够转化为产品规范。开发者需要具备导出流程、元数据处理、用户披露和平台级检测能力。

综合性法律可能会在更多 AI 服务中确立类似的基础概念。它可能界定何时必须具备可追溯性、哪些记录必须保留，以及义务如何在不同提供者之间转移。

数据治理将是另一个重点领域。AI 系统依赖训练数据、用户输入、检索来源、反馈和运营日志。

现行法律已经对个人信息、数据安全和网络安全作出规定。AI 使这些问题产生新的组合，因为信息可能在原始处理事件结束后，仍通过模型行为显现出来。

立法者必须在不假定每个模型都存储了每项训练材料的可检索副本的前提下，处理数据合法获取问题。对于系统复现受保护或敏感材料的情况，他们也需要提供可行的救济措施。

责任问题构成相关挑战。AI 开发涉及模型创建者、微调方、评估方、基础设施提供者、应用团队和用户。

单一事件可能涉及多重失误。训练控制不足可能与不安全的应用设计及过度的用户权限叠加。

传统产品责任制度可提供一些类比，但软件的变化频率高于实体产品。模型也可能在更新、检索机制变化或接入新工具后表现出不同的行为。

一部国家层面的法律可以明确全生命周期中的责任。该生命周期包括开发、训练、部署、监控、更新、事件响应和退出使用。

伦理也可能从指导原则转向可执行义务。国家发展改革委 2025 年的框架提到，对涉及重大伦理问题的项目进行审查和监管。

难点在于将原则转化为可检验的要求。如果法律没有界定证据标准和执法方式，公平、透明和以人为本的设计就可能流于模糊。

行业差异使统一测试变得困难。适用于购物推荐的解释，可能不足以适用于信贷、就业、医疗保健或自主机械设备。

分类体系可以对高风险用途施加更严格的义务。不过，立法者必须决定，风险应取决于行业、技术能力、部署结果，还是其中几项因素的组合。

国家风险监测又增加了一层考量。国家发展改革委希望建立技术监测、预警和应急响应机制。

这类表述表明，有关部门正在考虑持续性监管，而不只是上线前审查。持续性监管可以在部署后发现事件，因为真实用户可能暴露出基准测试遗漏的问题。

这也带来了治理问题。监测系统需要明确数据访问范围、保密保障、报告门槛以及监管裁量权的边界。

企业需要知道什么构成应报告事件。监管机构则需要足够的信息，才能区分严重的系统性失效与一般产品缺陷。

这些细节将决定该法律是提升问责，还是制造重复文书工作。清晰的报告机制可以形成对风险的共同认知；缺乏协调的报告则可能耗尽工程资源，却无助于提升安全性。

这部法律最理想的版本，是通过共同定义和相称义务衔接既有规则。最差的版本，则是在未解决重叠问题的前提下再增加一层监管。

公告并未说明立法者最终会采取哪一种结果。

风险在于：法律推进速度快于其定义的完善速度

更快的立法可以减少不确定性，但模糊的适用范围或重叠执法，会为北京希望推动扩张的同一批企业制造新的不确定性。

中国的 AI 市场变化速度快于传统立法周期。模型架构、分发方式和应用模式，可能在法案起草和审议期间就发生变化。

立法者往往通过制定宽泛原则，并将具体细节交由主管部门或标准机构处理来应对。这种方式保留了灵活性，但也可能使合规取决于后续解释。

国家发展改革委此前表示，立法应优先满足紧迫需求，结合通用与专门措施，以问题为导向，并为变化留出空间。这些原则承认过早制定技术规则的风险。

但它们并不能消除这一风险。一部综合性法律仍需要对受规制系统、监管对象和高风险活动设定稳定边界。

下载量说明了衡量问题。一个很大的数字可以表明覆盖范围，但在没有明确方法论的情况下，它无法证明实际使用、能力、安全性或经济价值。

参数量也存在同样的问题。万亿参数模型听起来比十亿参数系统更大，但总参数量无法体现实际计算量、准确率、延迟或部署成本。

因此，围绕简单规模阈值构建的法律可能会错误分类系统。运行关键设备的较小模型，可能比生成娱乐内容的较大模型带来更高风险。

能力测试提供了一种替代方案，但也可能很快过时。模型可以通过工具、检索系统、微调和工作流设计获得新能力。

基于应用的规则更容易与具体危害相联系，但仍可能遗漏支持众多下游用途的通用模型。

监管机构很可能需要采用分层方法。基础义务可以广泛适用，而额外义务则根据能力、规模或部署风险触发。

开放模型仍是这一结构的难题。开发者无法预测每一种下游修改，但可以记录原始模型及已知局限。

下游提供者对实际部署拥有更多控制权。他们可以选择数据来源、用户权限、系统提示词、工具和人工审核方式。

责任应当随这些控制点分配。然而，最终法律可能会以不同方式划分义务，尤其是在涉及国家安全或系统性风险时。

执法协调是另一项尚未解决的关切。中国的 AI 规则涉及网信监管机构、经济规划部门、科技和工业主管部门、公安机关、广播主管机构及行业监管者。

综合性法律可以明确其职责权限。若缺乏这种清晰度，企业可能面临重复申报、相互冲突的技术标准或不同的地方解释。

国家标准化与地方试验之间也存在张力。国家发展改革委此前支持在有能力的地区开展立法试点。

地方试点可以在国家规则固定前产生证据。但如果企业必须满足不同的地方预期，也可能形成碎片化局面。

国际兼容性进一步增加了压力。中国开发者在全球范围内分发模型，而跨国公司则在多个监管体系下运营产品。

欧盟的 AI 框架构成直接对照。其透明度义务将于 2026 年 8 月 2 日开始适用，其中包括对某些 AI 交互和生成内容的披露要求。

欧盟采用正式的风险分级立法，并向提供者和部署者分配义务。中国则已形成更多针对具体服务的管控措施，如今正在考虑更广泛的法律框架。

两条路径都无法消除实施难度。欧洲已调整部分时间表并发布大量指导文件。中国在任何综合性法律通过后，同样需要标准、部门规则和执法实践。

这种比较不应演变为哪个司法辖区监管更严厉的竞赛。不同体系具有不同的法律结构、政策重点和市场条件。

真正有价值的问题是，每套框架能否在保护用户免受可衡量损害的同时，为开发者提供可预测的义务。

对中国而言，最大的未知并不是监管是否会加强，而是综合性立法能否简化现行框架，还是仅仅凌驾于其之上。

企业不应将国家发展改革委的声明视为最终的合规规范。公告中没有公布法案，也没有报道出台日期。

它们应将此视为一个信号：治理要求将与产业政策更加深度地结合。现在构建的产品架构，将决定未来的合规成本。

开发者和企业采购方为何应当关注

在法院检验最终法律措辞之前，即将出台的规则就会影响技术设计、采购和文档管理。

开发者往往将法律合规与系统架构分开看待。AI 让这种划分更加困难，因为许多法律义务都需要技术证据支撑。

如果没有记录人员何时审核决策，提供者就无法证明存在有意义的人类控制。如果没有将模型版本、提示词、检索数据、工具和输出关联起来的日志，就无法调查事件。

如果不了解个人信息进入系统的位置，就无法响应删除或访问请求。如果导出和转换流程丢弃标识，就无法维持内容溯源。

因此，团队应按角色梳理系统。他们需要识别模型开发者、修改方、托管方、应用运营方、数据控制者和最终部署者。

这张图有助于暴露责任缺口。当多个供应商共同参与一个 AI 工作流时，它也能支持采购讨论。

模型文档同样值得重视。团队应记录模型版本、预期用途、已知局限、评估方法，以及微调后的重大变更。

即使未来法律要求采用不同格式，这些记录仍然有用。它们能减少事故发生后还原决策过程所需的工作量。

能够使用工具的智能体需要更严格的控制。能够发送消息、修改数据库或操作设备的智能体，应拥有与具体任务绑定的权限。

高影响行动应要求确认或增加一道审核步骤。凭证应受到限制，日志则应显示由哪个组件发起了每项行动。

企业买家需要在采购前审查这些控制措施。供应商对“安全 AI”的笼统承诺几乎不能提供有力证据。

买家应询问系统是否保留日志、支持访问控制、隔离客户数据、记录更新情况，并提供事故处理流程。他们还应询问各项义务由哪一方承担。

开放模型需要与托管 API 不同的审查方式。本地部署可以将敏感数据保留在组织内部，但运营方也因此承担更多安全与维护责任。

托管服务将更新和监控集中化，但也会带来对供应商政策、数据处理方式和服务可用性的依赖。

任何一种路线都不会天然更安全。正确选择取决于部署方式、可用控制措施以及故障后果。

知识工作者也需要养成来源追溯的习惯。AI 生成的摘要可能会将源材料、模型推断和不确定的主张混合为一个看似自信的答案。

将原始来源与笔记保持关联，可让后续审查更加容易。结构化的 AI 知识库 有助于团队复用生成内容时保留这些上下文。

这对研究、产品规划、法律分析和客户沟通尤其重要。输出内容的传播范围可能远超最初生成它的人。

面向国际市场的开发者应跟踪监管要求的重叠情况。单一产品可能同时面临中国的标注规则、欧盟透明度要求、隐私法以及行业特定控制措施。

为每个司法辖区分别构建系统可能成本高昂。围绕来源追溯、可审计性、权限和事故响应建立共享控制措施，可以构成可复用的基础。

不过，团队不应假定一个司法辖区的合规自动满足另一个司法辖区的要求。定义、豁免条件和责任主体可能各不相同。

国家发展和改革委员会的应用测试中心可能会对小型企业变得重要。共享评估环境或许能让它们获得行业专业知识和测试资源。

这些中心也可能成为推广标准的渠道。如果监管机构认可其评估结果，参与其中或可减少敏感行业部署的不确定性。

这一结果并非必然。该机构已宣布加快布局和建设，但有关准入、认证和法律效力的公开细节仍然有限。

企业买家应关注这些中心是否会产出实用的评估协议。有效的协议应在真实环境中衡量故障行为、安全性、数据处理和人工监督。

通用基准分数无法回答这些问题。编码模型的准确率并不能揭示一个智能体能否安全地修改生产环境代码库。

语言模型的考试分数也不能说明医院工作流是否保护患者数据。更大的参数规模并不意味着更低的运营风险。

即将出台的法律之所以重要，是因为它可能推动采购从泛泛承诺转向证据。这种转变只有在证据要求保持适度且具备技术意义时才有价值。

本则科技新闻后值得关注的三个信号

下一阶段将由立法者公布的文本、测试应用的机构，以及支撑中国增长主张的证据来界定。

第一个信号是公开草案或具有明确范围的正式立法议程。读者应关注其中是否对基础模型、生成式服务、智能体、开放模型和高风险应用作出定义。

草案对责任的分配将具有决定性意义。它应明确原始开发者、下游修改者、服务提供商、部署方、基础设施运营方和用户分别承担哪些义务。

清晰的责任划分将强化国家发展和改革委员会关于中国能够在提升安全性的同时支持创新的主张。模糊或重叠的义务则会削弱这一论点。

第二个信号是国家 AI 应用测试中心的实际运行情况。有关地点的公告不如其评估方法和实际准入情况重要。

关注这些中心是否会发布制造业、公共服务、自主系统或其他优先领域的测试协议。还应关注初创企业能否在不过度繁重的行政负担下使用这些中心。

获得认可的测试结果可能减少重复审查，并有助于将宽泛的法律原则转化为工程实践。封闭或不一致的流程则价值有限。

第三个信号是围绕模型采用情况和风险监测的更充分披露。报道所称的 100 亿次下载量需要明确统计方法，分析师才能将其与未来总量进行比较。

有价值的报告应区分下载量、活跃部署、企业使用、模型家族和地理分布。在架构需要此类区分的情况下，也应将总参数量与活跃参数量分开。

风险监测同样需要可比的清晰度。有关部门应界定须报告的事故、报告渠道、保密保护措施和响应预期。

这些披露将使观察者能够检验模型分发是否正在产生可持续的经济应用。它们也将揭示安全系统能否随部署规模扩大而扩展。

中国的这一宣布之所以重要，是因为立法、基础设施和开放模型增长如今被纳入同一政策组合。政府并非在加速与控制之间二选一。

它正试图让两者相互支撑。只有法律在不将每个模型、开发者和使用场景一概而论的前提下分配责任，这种做法才会成功。

对于关注科技新闻的人而言，下一个问题很具体：中国是否会公布规则，将宽泛的平衡原则转化为明确的工程义务？请关注草案、测试中心和衡量标准。这些信号将表明，拟议法律究竟会建立可用的问责机制，还是再增添一层不确定性。