证据来源：NIST人工智能风险管理框架1.0
| 来源 ID | evidence.nist.ai-rmf-1.0 |
|---|---|
| 来源类型 | 标准 |
| 完整引文 | Tabassi E. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. National Institute of Standards and Technology. 2023. |
| URL 或 DOI | https://doi.org/10.6028/NIST.AI.100-1 |
| 支持范围 | 支持把模型性能、数据偏差、可追溯性、人工监督、安全与部署情境同时纳入自动化科研。 |
| 不支持的推论 | 不证明任何 AI 系统安全、正确或具备自主科学能力。 |
| 审查状态 | 已核对摘要 |
| 访问日期 | 2026-07-25 |
证据来源：NIST人工智能风险管理框架1.0是稳定证据对象，用于记录来源身份、研究设计、对象、结果、支持边界、禁止外推和审查状态。[1]
| 作者或发布机构 | Elham Tabassi（代表 NIST） |
|---|---|
| 年份 | 2023 |
| 期刊或发布机构 | National Institute of Standards and Technology |
| DOI、PMID、注册号或永久标识符 | DOI:10.6028/NIST.AI.100-1 |
| 原始来源路由 | 打开原始来源或永久记录 |
完整引文： Tabassi E. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1. National Institute of Standards and Technology. 2023.
- 来源类型（详细）： 国家标准与风险管理框架
- 研究设计或材料性质： 跨行业人工智能风险管理框架；围绕 Govern、Map、Measure、Manage 组织。
- 样本、研究对象或规范范围： 人工智能系统、组织和生命周期活动；非药物或临床试验。
提供识别情境、测量可靠性与风险、治理责任和持续管理的共同语言。
结果只能在所列设计、对象、终点、时间窗、版本和分析范围内解释。标题、摘要、监管状态、商业可得性或来源权威不能替代完整方法审查。
支持把模型性能、数据偏差、可追溯性、人工监督、安全与部署情境同时纳入自动化科研。
不证明任何 AI 系统安全、正确或具备自主科学能力。
不得把相关性写成因果性，把机制合理性写成有效性，把体外或动物结果写成人体结果，把早期临床写成已证实疗效，或把预测、思想实验和科幻设定写成现实能力。
- 局限： 自愿框架，需要按领域法规、威胁模型和实际测量具体化。
- 表单审查状态： 已核对摘要
- 审查说明： 已核对书目、摘要或正式记录的核心范围；正文中的详细统计、亚组、附录和利益冲突仍以原始材料为准。
- 访问日期： 2026-07-25
- 登记来源： 新增-核心核验
- 发现相互冲突的研究时应并列记录对象、设计、终点和结果差异，不凭机制偏好裁决。