摘要：近期，美国能源部（DOE）发布《2025年人工智能战略》，将数据治理置于核心位置，这不仅是技术层面的规划，更是美国在全球AI竞争中对数据战略资源掌控意图的清晰体现。本文旨在深入剖析DOE战略中数据治理的要点，对比美国特朗普政府与欧盟在数据合规与风险管理上的思路差异，并评估该战略的预期成效，以期为我国提供参考。

一、DOE人工智能战略：构建数据驱动与风险可控的AI生态

美国能源部的AI战略展现了一套系统性的实施框架，其核心在于通过强化数据基础与嵌入风险管理，确保AI技术在能源这一关键领域的创新应用既高效又安全。

1. 数据治理：将数据提升为战略资产

DOE战略的核心是确立“数据即战略资产”的原则。其具体举措具有显著的系统性特征：

● 建立集中化治理结构： 设立了由首席数据官领导的企业数据管理程序，并成立数据治理委员会负责制定统一政策。

● 推动技术设施现代化： 采用“API优先”的方法，旨在提升数据的互操作性和可访问性。同时，通过AI数据目录和遵循DCAT-US 3.0标准的开放数据共享平台，促进数据资源的发现与利用。

● 激活国家实验室数据资源： 动员国家实验室依据《一揽子支出法案》（OBBB）对科学数据进行结构化、清理和预处理，以支持“美国科学云”（AmSC）的建设，实现合规的数据共享与分析。

● 嵌入隐私与安全保护： 战略强调“隐私保护设计”原则，鼓励使用匿名化/合成数据、联邦学习等技术，并在数据共享中实施严格的访问控制。

这些举措直指美国联邦数据基础设施长期存在的碎片化、质量不一和互操作性不足等痛点，目标是将分散的3700多个数据资产有效整合，服务于AI研发。

2. 风险管理：采用分级分类的精准化管控

DOE的风险管理方法并非“一刀切”，而是体现出灵活性和针对性：

● 标准化评估流程与持续监控： 建立AI使用案例追踪系统和公开的AI资产库存，对所有AI应用进行持续监测。

● 建立协同治理机制： 成立由首席人工智能官和首席信息官共同领导的AI治理委员会，协调隐私、信息技术和网络安全团队，确保与联邦政策对齐。

● 聚焦高风险应用： 设立高影响AI工作组，专门开发检查清单以识别高风险案例，并推荐最小化风险管理实践，如人类监督、干预和故障安全机制。

● 引入成熟度模型： 针对核安全等高后果领域，引入“信任校准成熟度模型”（TCMM），从性能、偏差鲁棒性、透明度等多个维度进行评估。

● 对接国家标准： 合规计划整合了美国国家标准与技术研究院（NIST）的AI风险管理框架（AI RMF）等标准，形成了一套从风险自报、缓解到由首席AI官决断豁免或终止的闭环流程。

二、美欧政策思路对比：创新驱动与合规先行的分野

DOE的战略反映了当前美国（特别是特朗普政府）的政策倾向，与欧盟的AI治理模式形成鲜明对比。

● 美国特朗普政府思路：“创新驱动”与“轻触式”监管特朗普政府的《美国AI行动计划》核心是去监管化，强调通过强有力的治理机制和最小化监管来促进AI快速采用。在数据治理上，其思路侧重于构建世界级科学数据集、推定联邦数据可访问性、建立安全计算环境，并通过激励而非强制手段推动数据共享。在风险管理上，它更聚焦于国家安全和新兴威胁，依赖技术标准、行业合作（如成立AI信息共享与分析中心AI-ISAC）和国防高级研究计划局（DARPA）领导的技术开发，而非欧盟式的强制性全面合规框架。特朗普政府批评拜登时期的政策为“官僚主义”，并有意移除其认为的“意识形态偏见”（如淡化多元化、公平和包容DEI要求），旨在提升美国AI的全球竞争力以对抗中国影响。

● 欧盟思路：“合规先行”与风险分级强制监管欧盟的《人工智能法案》则采用基于风险分级的、强制性的全面合规框架。它对“不可接受风险”的AI系统直接禁止，对“高风险”AI系统（如生物识别、关键基础设施）施加极为严格的要求，包括数据治理（要求高质量数据集以减轻偏差）、全面的风险评估、人类监督和事后监控，违规罚款最高可达全球营业额的7%。欧盟模式强调通过统一、横向的法律法规保护公民基本权利，构建可信赖的AI生态，但其规定也被批评可能抑制创新。

对比小结： 美欧模式代表了两种路径：美国（特朗普政府）试图通过治理替代严监管，以灵活性和创新效率优先；欧盟则通过立法先行，以法律刚性确保安全与基本权利。DOE的战略正是美国思路在能源部门的具体实践，它强调内部治理结构和标准建设，而非等待自上而下的强制性法律。

三、DOE战略的预期成效与挑战

基于其全面框架，DOE的AI战略预计在数据治理和风险管理方面取得以下成效，但也面临挑战。

预期成效：

1. 提升数据资源价值化效率： 通过企业级数据管理，预计能显著提升数据共享率（文档提及20%-30%），解决碎片化问题。目标是推动超过5000个科学数据集达到“AI就绪”状态，支持美国科学云分析，加速能源领域的研发创新（如核能建模），并降低数据预处理成本。

2. 强化AI应用风险控制能力： 通过分级评估和信任校准成熟度模型（TCMM），预计能有效降低高影响AI系统的失败率，特别是在核安全等关键领域，增强系统的鲁棒性和可信度。

3. 形成标准化操作实践与文化： 年度库存审查、豁免机制和广泛的员工培训计划（目标覆盖80%员工），有望在DOE内部形成统一的AI风险管理文化和责任意识。

4. 增强国家AI生态领导力： 该战略与联邦标准的对齐，有助于巩固DOE在美国国家AI生态系统中的核心地位，预计能推动AI对能源领域国内生产总值增长做出显著贡献。

潜在挑战：

● 战略成效高度依赖资源分配和执行力度，面临如算力（GPU）短缺、联邦风险与授权管理计划（FedRAMP）认证延迟等实际困难。

● 在特朗普政府的去监管化大背景下，战略成效可能更偏向于加速创新，而在严格的隐私保护和偏差控制方面可能存在潜在弱点，需警惕可能产生的漏洞。

结语：美国能源部的AI战略是其争夺全球AI领导权、特别是掌控未来能源科技主导权的重要步骤。其以数据治理为核心、风险管理为保障的路径，与欧盟的严格立法监管模式共同构成了全球AI治理的两大典型范式。深入剖析其战略细节、政策背景及预期成效，对于我国在激烈国际竞争下，构建兼具创新活力与安全可控的AI治理体系，具有重要的借鉴和参考价值。