新加坡 IMDA 选择自愿 AI 沙盒 而非监管

Kiren Kumar，新加坡信息通信媒体发展局（IMDA）副首席执行官，认为过早监管 AI 是一种错误，会抑制数字增长并在其充分发展之前阻碍创新。IMDA 不走僵化立法路线，而是将监管信任视为一种经济资产，与科技公司共同创建自愿测试沙盒，以更有机的方式引导行为。Kumar 强调：“我们不相信现在就对其进行监管是答案。”新加坡的做法借助其全球对稳定的声誉——这一声誉在航空航天和半导体领域历经数十年积累——作为将自己定位为新兴 AI 产业安全测试基地的基础。

监管理念：信任作为经济资产

新加坡刻意拒绝监管的两种极端。IMDA 并未通过僵化法律，而是构建自愿测试沙盒，以在违规行为演变成危机之前先引导企业行为。

Kumar 指出，新加坡的品牌完全依赖信任。该国通过与企业直接合作来建立治理框架，将自己定位为新兴产业的安全测试基地。“有些国家监管技术，有些则不监管，”Kumar 说，指向 IMDA 的折中做法。

政策转译：从框架到代码

要让治理框架真正有用，政策必须转化为实际代码。IMDA 推出如 Moonshot 之类的测试工具，允许开发者在部署之前，依据治理框架评估他们的模型。随后，结果会被发布，用于教育全球生态系统。

代理式 AI：新风险要求重新思考治理

这种协作式路径正受到代理式 AI 兴起的压力——不经人类批准即可执行多步骤计划的自主软件。Kumar 解释称，由于代理式 AI 可以在没有人类参与的情况下进行推理并采取行动，因此在安全性与可靠性方面引入了新的风险，而静态法律无法有效应对。

“使用 [agentic] 系统时，你会看到多个代理协同工作，我认为这时我们需要重新思考如何构建模型治理框架，”Kumar 强调，监督必须围绕多代理使用场景来构建。

生产安全：上线后的持续补丁

将 AI 从试点项目推进到真实生产环境时，错误就变得至关重要。Kumar 预期并要求上线后的持续补丁。“心智模型是：会有错误，会有失误，”他主张。

生存的关键在于拥有机制与业务响应，能够在系统面向公众之后持续升级与微调。将智能模型连接到传统数据库的正是数据泄露与安全漏洞最易发生的地方。Kumar 认为，公司“需要一个沙盒”，以确保在将系统投入生产之前，他们的数据、架构以及软件连接都能被安全且可靠地处理。

他敦促董事会将软件部署视同实体工程：“从试点到生产并没有不同于发动机制造商在把发动机装上飞机之前如何测试发动机。”

领导力与人才：最后的障碍

犹豫不决的高管以及全球专门人才短缺仍是 AI 落地的障碍。“这是一个领导力问题，”Kumar 说，并指出，高管推动组织变革的动力比政府政策更关键。

这种缺口还叠加了技术资源不足。许多中型和小型公司理解自身业务领域，但缺少内部团队来构建并部署定制 AI 解决方案。因此，“前置部署的工程师正在成为全球稀缺资源，因为他们需要与客户并肩工作，理解工作流程，并部署技术。”

新加坡的部署者策略

为缓解人才短缺，新加坡不去从零竞逐前沿模型的建设。相反，该国引入全球算法，并将其部署到高度受监管的行业中。

Kumar 认为：“我们坚信，新加坡有能力以负责任、可信赖的方式在规模化条件下部署这些技术。”

IMDA 确定先进制造、金融、连接性以及医疗健康为首要目标。由于这些领域的失败代价高昂，他们要求更高的信任、可靠性与人类判断门槛。

超越效率：实现业务转型

要在 AI 转型中生存，仅靠小幅降本并不够。“这些很多试点……被设计为将生产力提升 10% 到 20%……这确实有价值。但我们如何达到 10 倍？”Kumar 追问。

要实现这个倍增效应，必须把业务工作流转变为创造全新的产品与服务。

劳动力再培训：从理论到日常任务

要实现这种转型，技术必须从工程部门走出来，交到普通工人手中。Kumar 认为，只有当从律师到营销人员再到人力资源员工等日常从业者都获得赋能，把 AI 融入他们的日常流程时，真正的经济价值才会被释放出来。

为推动采用，新加坡启动了一项全国性举措，为 10 万名工人提供再培训。该项目并非提供抽象的计算机科学课程，而是聚焦于“为他们各自的工作流程提供在线课程和认证……这是在岗培训；它是情境化的，而不是理论性的。”

这种做法也延伸到大四学生，他们会被纳入与在职专业人士相同的项目中。目标是“缩小差距，并让他们能够即刻上岗，或具备 AI 就绪能力”。

更广泛的背景

Kumar 对过早监管 AI 的谨慎，反映出一种与全球监管方向不同的理念。欧盟的《AI 法案》已经为 AI 开发者与部署者设定了具有约束力、基于风险的义务，而欧盟成员国也被要求在该法案下建立 AI 监管沙盒。这表明沙盒作为对硬性规则的补充是有用的，而不是立法的替代品。

麦肯锡在 2025 年的《AI 现状》调查发现，AI 采用已十分普遍，但大多数组织仍在努力从试点走向规模化影响。其在 2025 年发布的职场 AI 报告还显示，只有 1% 的公司将自己描述为已在 AI 部署方面成熟，这意味着信任基础设施很重要，但领导力、运营模式、数据就绪程度以及工作流程重设计仍是许多企业更大的瓶颈。

Kumar 对前置部署工程师的关注也指向一个政策难以迅速解决的约束。Business Insider 报道称，在 2026 年 5 月，前置部署工程师的招聘信息数量相较前一年增长了 729%，反映出对能够将 AI 转化为真实企业工作流的人才需求正在飙升。