3 · 测量对象：AI 智原与测量场域

3.1 · 定义与类语义

定义 3.1 (AI 智原).

AI 智原是一个持续创造、发布并迭代 AI 模型的社群，从而充当一种智能能力的来源，向人类社会供应 AI 生产能力与技术革新。一个 AI 智原的运营与技术边界不必与其资本、法律或品牌边界重合。

类定义是本体的承重部分。它被写定为容纳开源社群与联合倡议：一个智原由它产生和传播的东西来识别，而非由其公司形式。这正是把该单位与“公司”和“品牌”区分开的地方。定义中有三个特征值得显式化，因为它们做了本体论的工作。 连续性。“持续创造、发布并迭代”是一个历时性谓词，而非共时性谓词。一次性发布一个模型并不使一个社群成为指数意义上的智原；该谓词要求一条持续的生产流。这按设计排除了那些与该领域相关但不是模型供应来源的实体——消费模型而不创造它们的应用厂商、咨询公司与聚合器。定义由此实现了第 3.6 节所划定的智原（AI 生产能力供给侧）与分发渠道之间的边界。 社群，而非个人。“社群”刻意包含 (i) 公司研究实验室，(ii) 没有法律形式的开源社群，(iii) 横跨多家公司的联合倡议，以及 (iv) 原则上，大学中运行已久的科研项目。第 3.3 节的成员标准随后决定其中哪些被测量；定义只决定哪些对象在原则上可测。 独立于法律形式。“运营与技术边界不必与资本、法律或品牌边界重合”是让名单能够追踪现实的东西：一个半独立于其母公司运作的研究实验室，或一个品牌由基金会持有的社群，如果其生产流是一条单一生产流，就是一个智原。第 3.2 节把这变成一个消解程序。

3.2 · 实体身份与归属

测量要求同一智原在跨时间、跨来源上是同一对象，并且工件（模型、仓库、帖子、引文）被归属到正确的智原。这是实体消解文献意义上的记录链接问题 (Christen, 2012)，而非哲学脚注：FA 与 RI 的每个输入都是一次归属决策，一次归属错误会传播到整个构成。 主键纪律。每个智原有一个稳定的内部标识符，每个测量输入都通过一个映射层携带对该标识符的引用。由合作实验室发布的模型被归属到资助并传播它的智原当且仅当该生产流是该智原的；否则归属到其自身的智原，或归属到一个“未映射”桶。映射层维护一个等价于查找表的东西（名称变体、别名、历史名称），并记录每次映射决策，使归属成为一个有版本、可审计的工件而非静默的默认。无法消解的映射被保留在一个单独的、显式标注的桶中，而不是并入最接近的貌似合理的智原；这防止了被错误归属的输入污染被测量的集合。 身份程序的边界。该程序刻意保持务实——“好到足以接受审查”——而非法律上终局。它的目标是使归属 (a) 一致（同一工件跨时间映射到同一智原），(b) 可逆（映射错误可以纠正，且纠正不重写历史而向前传播），以及 (c) 可审计（每次映射都有来源与决策时间）。它不试图解决关于谁“拥有”一个模型的公司法问题，因为被测的量是影响力，而非所有权。

命题 3.1 (内部成员的纳入保持既有归一化不变).

设 $N(t)$ 为 $t$ 时刻的纳入集合，并设一个新智原 $u$ 在 $t' > t$ 时被接纳。若对线性规则 (3) 下的每个因子，新单位的原始值不超过当前纳入集合的最大值，则所有既有纳入单位的归一化值——从而 FA——不因这次接纳而改变。

证明. 线性规则 (3) 除以纳入集合最大值 $\max_{j\in\mathcal{I}}v_j$。加入 $u$ 只有在 $v_u > \max_{j\in\mathcal{I}}v_j$ 时才改变最大值，而前提排除了这种情况；因此分母不变，每个既有纳入单位的归一化值不变。该结果推广到任何仅是归一化值确定性函数的构成。

∎

该命题是系统可以“不重述”过去而成长的正式理由：一次不重新定义归一化极端的接纳，对既有成员观察上不可见。当一次接纳确实改变极端时，系统不回溯（第 3.5 节）；它在改变的同时披露重估。新单位重新定义极端的边界情形，正是指数世界“再平衡时不重述”规则适用的情形。

3.3 · 成员资格与测量资格

我们区分两个形式对象：类（按定义 3.1，每个发布模型的社群都是 AI 智原）与指数的成员集合（实际被测量的是哪些智原）。进入指数由纳入规则管辖，而非由类定义管辖。这一分离让本体保持稳定，而名单在既定规则下演化。 在整个形式框架（第 6.1 节）中使用三个集合层面的对象：全域 $\mathcal{U}$（原则上可测的所有 AI 智原）、纳入集合 $\mathcal{I}(t)$（定义归一化极端与居中均值的参考集）以及影子集合 $\mathcal{S}(t)$（以相同参数评估并展示，但排除在归一化极端与居中均值之外）。影子层级是指数世界对观察名单的类比：它让一个智原在符合参考集资格之前就能被评估与展示，同时不让未经评估或部分覆盖的单位扭曲尺度。

3.4 · 纳入规则

进入 $\mathcal{I}$ 由既定规则管辖，使名单是规则与证据的结果，而非编辑偏好。规则有版本（名单版本出现在每个已发布工件中；第 10.2 节）。当前规则是：

1. 生产流谓词。候选必须满足定义 3.1 的连续性谓词：一段有记录的、可从公开来源验证的持续创造、发布并迭代 AI 模型的历史。
2. 覆盖谓词。候选在系统所依赖的来源中必须有足够的测量覆盖——形式上，FA 因子字段中有有效观测的占比必须达到既定阈值。这条规则正是目前排除那些贡献真实但其权威评估覆盖不完整的组织的原因（第 3.6 节）；随着覆盖增长，它们会成为未来纳入的候选。
3. 身份谓词。候选的生产流必须能按第 3.2 节的程序消解到单一、稳定的身份；不可消解的归属是排除或影子状态的依据。
4. 披露谓词。候选不得对测量构成法律或数据合规障碍（第 H.1 节）。
5. 不回溯纪律。接纳在某一结算点生效；已发布的历史不重述（第 3.5 节与第 10.4 节）。

纳入规则本身受治理与修订约束（第 10 节）；改变一条规则是一次带版本向量条目的方法变更，而非静默微调。规则在一个维度上刻意保守、在另一个维度上刻意宽松：保守在于覆盖与身份是硬性门槛，宽松在于法律形式不是门槛（开源社群可以合格）。 准入不对新进入者封闭。仲裁委员会将在后续阶段开放报名注册，任何满足这些纳入规则的 AI 智原都欢迎申请；开放时间表拟适时公布。

3.5 · 动态截面与不回溯

成员集合是一个动态截面：智原可以随其合格而被加入，每个快照都按当时的成员集合计算。构成版本被存储。当再平衡改变成员或测量方法改变时，已发布的序列不回溯：历史序列保持其发布时的样子，任何因扩大名单引起的重估都与变更一并披露。这是指数世界“再平衡时不重述”规则的类比，并保持已发布记录的可审计性。 不回溯的两个后果值得强调。第一，它使历史记录成为一条同时代判断之链：读者原则上能看到系统在何时、以哪个名单与方法版本相信了什么。这是支持外部审计的性质（第 9.3 节）。第二，它把方法论诚实变成机械纪律：方法变更不能被偷偷塞进历史，仿佛它一直如此。第 10.2 节的版本向量使该纪律可检验。

3.6 · 首次评估范围与防御性陈述

首次评估覆盖 FA 基本面领域中的 AI 智原集合：十二个社群，名称列于附录 C。名单刻意不作穷尽性主张。特别是，系统承认那些权威评估来源覆盖尚不足以纳入 FA 基本面领域的组织对 AI 供应链的贡献；这些是按纳入规则的未来纳入候选。 ByteDance 是当前组织层面的实例。ByteDance 是系统全域中的 AI 智原：其 Seed/Doubao 模型家族有可从公开来源核实的发布历史，满足第 3.4 节的生产流谓词。它尚未进入 FA 基本面领域，因为写作时其可测足迹尚不完整：其前沿模型仅以 API 提供、无公开权重；其公开权重发布稀少且规模较小，唯有一个中等规模的例外（Seed-OSS-36B，2025 年 8 月，Apache-2.0）；且系统所依赖的权威评估来源尚未对其发布流提供完整、稳定的覆盖。这是纳入规则下的覆盖判断，而非重要性判断：随着覆盖稳定，ByteDance 是未来纳入的候选，且被排除出 FA 领域不涉及实时信号层。 应用层 AI 生产力工具在任何层级都不被测量，出于定义性理由而非数据理由。编码助手（Trae、Cursor、Copilot、Windsurf）与智能体 IDE（Codex）是影响力的分发渠道，而非来源社群；针对应用层影响力的评估方法正在研究中。三个性质支撑这一边界。第一，来源。一个模型只被一个社群训练并发布一次，能力从这一单一发布流向众多下游产品；因此发布社群才是可归属的来源——定义 3.1 的 AI 智原，即 FA 领域所测量的单位。对一个路由多个模型的编码助手计数，会经由每条渠道重复计算同一底层影响力——这是一种双重计数失败，其正式先例是增加值核算：把每一份价值归属到其原始来源一次(Koopman et al., 2014)。本系统的边界默认已编码此规则（作为平台的智原、作为应用的模型，第 3.7 节）：对智原模型的薄包装不创造新智原。第二，归属可操作性。模型发布是一个公开、版本化、可比较的工件，在第 3.2 节的程序下具有稳定身份；应用则是一个移动的、部分封闭的目标，其模型路由变化而无稳定的可归属工件，因此对产品的逐个评估须在每次重路由时重做。边界画在模型层，是因为影响力在那里可归属，而非因为应用与影响力无关。第三，范围对称。由被测量智原构建的工具适用同一规则：Codex 由 OpenAI 构建、 Claude Code 由 Anthropic 构建，两者都在 FA 领域内被测量；工具增加分发，而非新智原，其承载的影响力已归属到模型的社群。相反的情形——制造者自身不在 FA 领域内的工具，如 ByteDance 的 Trae——由同一规则覆盖：制造者的组织资格单独评估，而工具本身仍是一条渠道。 防御性陈述对其所涉及的领域是精确的。名单是 FA 的基本面领域——在慢锚上被测量的智原集合。RI 领域按构造更广：实时信号对任何出现在系统所消费的可核实公开信息中的智原进行测量（第 5.4 节），无论它是否在 FA 名单中。因此一个组织可以出现在实时信号层，而不在 FA 基本面领域中。防御性陈述仅涉及FA 领域。

3.7 · 边界情形

边界情形——一个同时是平台的智原、一个同时是应用的模型、一个没有法律形式的社群—— 用“好到足以接受审查”的经验法则处理，而非法律级裁决。这些标准不具法律约束力；它们的表述须可审查、可异议、可改进。实践中反复出现三种边界情形，且各有既定默认。 作为平台的智原。当一个智原同时运营一个托管其他模型的平台（托管、聚合或服务层）时，只有智原自己的生产流计入其测量；他人托管的工件被归属到其自身的智原。这个默认防止双重计数：托管的平台价值是生态服务，而非模型生产流。 作为应用的模型。随应用一起交付的模型作为其智原的一个模型被测量；应用的分发价值属于渠道，而 FA 领域不测量渠道（第 3.6 节）。边界画在模型层：如果一个产品只是智原模型的薄包装，它不会创造一个新智原。 无法律形式的社群。如果社群的生产流、身份与覆盖满足纳入规则，它就被接纳；没有法人不是障碍（第 3.4 节）。更难的问题——社群的生产流与另一社群合并或分裂——由第 3.2 节的身份程序消解：规则是“每个智原一条可测量的生产流”，证据是发布与归属的可核实记录。

返回目录  |  ← 2 · 已有测量体系与本工作的定位  |  4 · 测量理论与构念效度 →