RAIL：人工智能就绪度等级的自动分类器

评估人工智能技术的成熟度对投资决策、项目管理和政策监测至关重要，然而现有的就绪度框架彼此异构且难以自动化应用：面向AI的技术就绪度（Technology Readiness Levels）改造缺乏AI专属的准入门控标准，机器学习技术就绪度等级（Machine Learning Technology Readiness Levels）预设能够获取内部过程产物，而AI/数据就绪度维度模型所采用的量表难以直接比较。本文做出两项贡献。首先，我们将这三个框架统一为统一人工智能就绪度等级（Unified AI Readiness Level，AIRL），这是一个九级顺序量表，建立在环境证据阶梯之上，并由维度上限（涵盖规格说明、数据存在性、数据质量、数据合法性、专家知识与算法成熟度）以及通用性锚定规则和明确的赋级纪律加以补充，使得仅凭对工作的自然语言描述即可判定就绪度等级。其次，我们提出RAIL（Readiness Assessment via Independent LLM-experts，经由独立大语言模型专家的就绪度评估），一个将该量表操作化的专家小组分类器：一名证据智能体和六名彼此独立的维度智能体（每个都是职责范围狭窄的大语言模型）给出裁定，由确定性的最小值规则聚合，再由首席专家在非对称权限下复核——只能确认或下调小组建议，绝不能将其提升到上限之上。该方法在多项研究工作的分析中进行了测试，显示出一致性，并避免了单体式大语言模型分类器造成的高估。