新加坡提早面临人工智能的挑战，关键在于你所能证实的数据

数据信任并非新问题——企业多年来一直在努力解决。新的是其紧迫性：随着生成式人工智能（AI）进入实际应用阶段，了解您的数据来源、您是否有权使用它，以及您是否能解释人工智能的输出，这些都已是必要条件。

Tharman Shanmugaratnam 总统最近表示，新加坡将比许多经济体更早面临人工智能的挑战，而更深层次的考验是确保人工智能带来的生产力收益能惠及“各阶层的劳动力”。

这种紧迫感在2026年财政预算案推动全国人工智能洗牙的举措中得到进一步体现。这包括成立由总理 Lawrence Wong 担任主席的新国家人工智能理事会，其任务涵盖制造业产业群、互联互通、金融和医疗保健等领域。

在企业内部，这种分配取决于一个实际问题：业务用户能否信任人工智能系统所依赖的数据，以及企业能否证实这一点？

信任：制约因素

试点项目容错率高。公司可以精心整理数据集、限制范围并依赖非正式的检查。但实际应用并非如此。

一旦人工智能进入客户运营和决策环节，从信贷和欺诈到供应链规划，它便开始耗用杂乱的跨境数据。这正是部署速度放缓的原因所在。

阻碍推广的问题是实际的，而非哲学的：这些数据从何而来？适用哪些权利？当出现问题时，我们能否将输出追溯到其输入？

我曾观察到一次这样的停滞：一个团队试图将一个用于交易和风险的人工智能助手投入实际应用，该助手混合使用了内部日志和第三方市场数据。试点项目是成功的。

但当治理部门要求提供跨供应商和司法管辖区的使用权和数据沿袭证明时，该组织无法证明哪些数据获准用于人工智能，也无法说明衍生信号是如何构建的。结果是：被迫缩减范围和数周的返工。

“实践中的人工智能治理”是审计追踪，而非框架文件

新加坡在负责任的人工智能方面取得了显著进展。但仅存于政策文件的治理在实际应用中会失效。它必须内化于数据的收集、分享和使用方式之中。

对商业领袖而言，这可以归结为四个实际的控制措施：

数据溯源，即确切了解数据的来源及其在过程中的转换方式，这就像证据的监管链一样，是基础。没有它，您就无法解释人工智能的输出包含了什么。

权限决定了哪些数据可以用于何种目的，以及在何种条款下使用。

完整性意味着能够检测数据管道中的篡改或漂移。

可审计性意味着如果出现问题，您可以将一个输出追溯到特定的输入、版本和访问点。

这些并非合规开销，而是将人工智能洗牙至试点项目之外的必要条件。当这些条件缺失时，推广速度会因一个简单的原因而放缓：没有人能自信地批准系统正在使用的数据，也无法确定其来源，或解释一个不良输出。

为何新加坡的优势正从模型获取转向可信数据基础设施

随着基础模型越来越容易获取，仅靠模型选择已不再是可防御的优势。差异化因素日益转向数据层：公司的​​数据是否可用、获得授权且值得信赖，以及在跨越供应商、业务部门和国界时，能否在几小时内（而非数周）完成审计。

亚细安已发布关于人工智能治理和道德准则的指南，其中包括对生成式人工智能的考量，并推动更一致的标准，即便数据和系统在不同司法管辖区之间流动。

对于新加坡公司而言，这一点至关重要，因为区域运营模式自然会在供应商、业务部门和市场之间产生跨境数据流。

在实践中，一个运营共享亚细安服务的新加坡总部可能会利用来自本地市场的客户互动数据、来自区域系统的交易数据，以及支持客户引导、“认识你的客户”（KYC）和欺诈检测的供应商数据，所有这些数据都遵循不同的使用权，并横跨多个司法管辖区。

当数据被复制到共享池时，其沿袭关系会丢失；定义在不同职能部门之间产生偏差，直到有人要求提供证明，项目便陷入停滞。

如果新加坡公司能将数据溯源、权限和可审计性常规化，而非临时应对，它们将能更快地部署人工智能，减少失误开局，并能更好地在整个劳动力中（而不仅仅是在专家团队内）洗牙人工智能。

让 人工智能 成为全体劳动力的“生产力加成”

Tharman 总统对分配的强调在企业内部同样重要。

如果因为其他人都担心数据泄露、无法验证的输出或治理不确定性，而导致人工智能只能由专家使用，那么生产力收益将会集中。一线部门会对那些他们无法解释或验证的输出犹豫不决，不敢采取行动。

一个可信的数据基础设施能改变这一点。当业务用户能看到一个输出的依据——数据来源、权限和置信度信号时，他们就能运用判断力，发现过时的输入，并上报异常情况。这样，人工智能才能成为一项分布于各个职能部门的能力，而不是一个仅限于少数技术人员的黑匣子。

首席执行官下一步该怎么做

公司不需要通过一个宏大的计划来解决所有治理问题。他们需要的是发展势头和可衡量的控制措施：

• 从高价值工作流开始，从第一天起就将信任控制构建到推广计划中。要求将数据溯源和可审计性作为实施的一部分，而不是事后弥补。
• 将数据权限视为企业资产。跟踪关键数据集的权利和允许用途。如果领导者无法解释哪些数据可用于训练、微调或检索，那么它将无法安全地洗牙。
• 衡量试点项目之外的人工智能就绪度。要求提供反映实际可部署性的指标：关键数据集的溯源覆盖率、将输出审计追溯到其输入所需的时间，以及跨境数据控制的清晰度。

新加坡将提早面临人工智能的挑战，但“提早”也可能意味着率先建立起能让企业人工智能实现规模化部署的信任层。

最大的延迟很少与模型有关，而是在于组织无法批准其区域运营中的数据质量、权限和可审计性。

公司不会在模型获取上受阻，而是在审批环节受阻。那些行动最快的公司可以在几小时内而不是几周内回答这些问题，因为它们为自己能够证实的数据建立了信任层。

作者是 Pundi AI 的联合创始人。他曾是 Opera China 的高管和 W3C 兴趣小组的主席