评价具体应用，功夫要下在真实场景中，标准要定在实际成效上。模型投入使用后，往往与行业数据、业务规则、工具系统和人工复核共同构成完整系统，评价的对象应当是整个系统而不是单个模型，评价的过程应当贯穿采购、验证和运行全过程而不是一次测试或一场演示。高风险领域应当实行受控验证并作为准入条件，投产后应当依据实际运行数据持续监测，使产品选择和项目验收建立在真实效果而非榜单排名、厂商演示和纸面指标之上。

　　评估行业成效，要算整体账、长远账，以生产和服务全面增效为准绳。不同行业的业务流程、质量要求和风险边界各不相同，应在相关部门指导下，由行业组织牵头、龙头企业和专业机构参与，建设本行业的真实任务库，脱敏入库、保密轮换，既评任务完成度也评单位成本。

　　衡量整体贡献，应把人工智能对国家发展和民生福祉的贡献纳入统计核算，做到心中有数、引导有据。我国已经建立数字经济核心产业的统计核算，人工智能对劳动生产率、就业结构、公共服务影响的统计监测可以在此基础上起步。宏观层面的衡量，既要看能力提升带来的产出增长，也要看算力消耗、应用成本和普惠程度。

　　上述三个层面相互贯通，检验结果向上汇聚为行业和国家的判断，再向下引导研发方向和资源配置，评价体系才能真正发挥指挥棒作用。

　　（作者：刘知远，系清华大学计算机科学与技术系长聘教授）