问题与责任边界层
明确使用对象、真实任务、决策责任、受影响主体、禁止用途和可接受风险，保留非智能基线
科研体系 / 七大研究集群 / 人工智能与数字经济
RESEARCH CLUSTER 06
人工智能与
数字经济
从可信数据、智能机制和真实任务出发，研究可验证、可治理、可持续创造价值的数字能力03RESEARCH CENTERS
三个专业研究中心
三个专业研究中心
01 CLUSTER PROFILE
集群定位
让数据成为可信证据
让智能形成真实决策能力
人工智能与数字经济研究集群，是中科元科研体系面向智能科学、数据科学、数字基础制度和产业数字化建设的专业科技研究单元。
集群围绕“数据从何而来并能否合法使用、模型究竟学到了什么、结果在新时间新场景中是否仍然有效、系统如何与人和组织共同决策、数据怎样在安全可控条件下流通并形成可核验价值”等问题，组织三个研究中心开展独立研究与跨中心协同。
本集群承接前五集群产生的科研、设备、环境、生命健康、材料、能源和农业数据，但不替代各专业中心对事实、机理与应用成效的判断；同时向第七集群提出边缘计算、智能控制、数字孪生、设备互联和安全运维需求。第一集群继续提供战略、产业与传播协同。
真实世界对象 · 任务 · 约束 · 责任→数字证据数据 · 知识 · 模型 · 评估→价值实现决策 · 协同 · 流通 · 治理
02 RESEARCH ARCHITECTURE
五层研究架构
从问题、数据和模型
走向可治理的系统价值
五层架构用于建立共同证据链，不代表三个中心的上下级关系；人工智能、数据科学和数据要素保持平行专业主体，并围绕具体任务共享数据、评价与治理能力。
数据与知识证据层
建立合法来源、授权依据、数据谱系、质量评价、代表性分析、知识组织和版本记录
模型与计算方法层
研究统计学习、机器学习、知识推理、因果分析、生成模型、优化与科学计算方法
系统与人机协同层
把模型接入真实流程，验证接口、权限、人工复核、异常回退、网络安全和持续运行
治理与价值实现层
以可审计使用、合规流通、实际效益、社会影响和全生命周期成本评价数字价值
03 RESEARCH CENTERS
三个研究中心
基础方法、数据证据与要素治理
形成相互校验的数字研究体系
三个中心按固定顺序深化；已完成中心开放独立主页，尚未深化的中心保留真实专业预告，不提前建立空白页面。
ARTIFICIAL INTELLIGENCE & COGNITIVE COMPUTING
↗人工智能与认知计算研究中心
研究学习、感知、推理、知识表示、生成与交互等智能机制，建立面向真实任务的模型评价、风险控制和人机协同方法。
机器学习知识与推理多模态感知人机协同
专业主页已完成 · 点击进入DATA SCIENCE & BIG DATA ANALYTICS
↗数据科学与大数据分析研究中心
围绕多源异构数据的获取、治理、分析与解释，研究统计推断、因果识别、预测建模、科学计算和可复现分析。
统计推断数据工程因果与预测不确定性评价
专业主页已完成 · 点击进入DIGITAL ASSETS & DATA ELEMENTS
↗数字资产与数据要素研究中心
研究数据资源权益配置与授权、分类分级、可信流通、产品化、价值评价和合规治理，服务数据要素与实体产业的协同创新。
权利与授权可信流通数据产品价值与治理
专业主页已完成 · 点击进入04 KEY DIRECTIONS
重点研究方向
既研究算法与数据
也研究它们何时不应被使用
研究方向覆盖基础方法、工程系统和数据要素价值，但所有课题必须绑定使用对象、场景边界、评价基线、风险等级和实际效益。
05 EVIDENCE & DEPLOYMENT VALIDATION
证据与部署验证机制
从任务和数据审查开始
走向受监测、可回退的真实运行
训练完成不是验证终点。后一级须保留数据版本、代码与配置、模型版本、评测样本、人工决定和异常记录，并逐步加入分布变化、对抗风险、隐私安全、组织流程与长期影响。
01任务、责任与非智能基线
02来源授权与数据质量审查
03训练验证及独立测试
04场景试运行与人工复核
05持续监测、回退和事件响应
06第三方复核与价值评价
数据快照、处理规则、代码、随机性、算力环境、模型版本和评价方法形成完整记录，明确哪些结果可以复现。
与人工流程、规则系统或现行方案使用同一任务边界比较，同时报告质量、时效、成本和失败后果。
为访问、训练、部署、共享、停用和删除设置责任人、权限、日志、申诉、回退及安全事件处置机制。
科学、安全与成果边界
数字规模越大
越要明确证据、权利与责任
集群依照适用法律法规和项目场景实施数据分类分级、个人信息保护、商业秘密保护、网络与算法安全、知识产权和伦理审查。研究原型、试运行系统、数据产品、可会计确认的数据资源及产业化成果必须分层标识。
智能表象与真实能力
对话流畅、内容生成或界面自动化不等于理解、推理和任务可靠性；能力须按明确任务、数据和失败条件验证。
基准分数与场景成效
公开榜单或离线测试只反映特定数据集和指标；真实应用还须比较非智能基线、流程效率、错误代价和受影响人群。
准确率与可用决策
平均准确率不能掩盖少数类别、极端工况和高代价错误；校准度、不确定性、拒答、人工接管与后果共同评价。
相关、预测与因果
相关性和预测能力不能自动证明因果关系或干预有效；政策、医疗、农业和工程决策须另行建立识别与验证设计。
生成内容与事实证据
模型输出、合成数据和自动摘要不能替代原始记录、权威来源与专业复核；引用、版本和生成过程应可追溯。
自动化与责任主体
系统建议或自动执行不转移组织责任；高影响场景必须明确授权、监督、申诉、回退、停用和事故响应机制。
数据资源与数据资产
持有数据、完成治理或形成数据产品，不等于满足资产确认、计量和持续收益条件；研究结论不替代会计、评估和法律意见。
数据流通与权利安全
可访问、可复制或技术上可交易不等于拥有合法权利；使用、加工、共享和跨境须分别核查授权、个人信息、商业秘密与安全责任。
TRUSTED DATA · COGNITIVE COMPUTING · HUMAN-AI COLLABORATION · DATA VALUE · RESPONSIBLE GOVERNANCE
合作交流 ↗