大模型泛化能力强、小模型场景定制深，人工智能领域的政策监管应侧重哪个环节？

人工智能监管不存在“二选一”的取舍，而是需要分层设计、双轨并行：大模型与小模型的技术特性不同，监管侧重也应有所区分——大模型侧重基础层的安全评估与算力治理，小模型侧重垂直场景的数据使用与算法责任。

大模型监管：抓基础层安全与算力治理

大模型的核心特点是泛化能力强，在大规模无标注数据上训练，学习出特征和规则，微调即可适配多个应用场景，甚至不微调也能完成任务。这意味着一个基础模型可能被广泛复用，其潜在影响面呈指数级扩散。因此，监管的重心应放在模型源头：对基础模型进行备案与安全评估，确保训练数据的合规性、生成内容的可控性，并关注支撑模型训练的算力基础设施治理。大模型还具备涌现能力——当模型规模达到某个阈值时，处理性能会突增，这种非线性增长也要求监管具备前瞻性，而非事后补救。

小模型监管：抓行业场景规范

小模型则相反，它针对特定应用场景需求训练，通用性差，换场景往往需要重新训练。这类模型深入渗透到医疗、金融、安防等具体行业，与用户权益直接挂钩。监管侧重应是行业专项规范：明确垂直领域的数据使用边界、算法决策的责任归属，以及场景化应用的准入标准。例如医疗AI需遵循医疗数据合规要求，金融AI需满足算法可解释性与公平性要求。

常见问题

大模型和小模型的监管可以共用一套框架吗？

不适合完全共用。大模型的风险源于其广泛复用性和涌现能力，需要前置的基础层审查；小模型的风险集中在特定场景的应用层面，需要行业主管部门的专项规范。分层监管更符合技术本质。

大模型微调后产生的垂直应用，该归哪层监管？

这属于交叉地带。基础模型本身的备案与评估应在大模型框架下完成，而微调后落地到具体行业（如医疗、金融）的应用，则需同时满足对应行业的监管要求。两层监管互补而非互斥。

监管的优先级应如何安排？

从风险防控的紧迫性看，大模型的基础层安全评估和算力治理具有更强的外部性——一个基础模型的缺陷可能影响大量下游应用；但小模型直接触达终端用户，其场景化规范同样不可偏废。两者应同步推进，而非排序取舍。