UL百年认证生意的AI新考题

Jennifer Scanlon的办公室经常震动——不是地震，是楼下实验室里东西在爆炸。

作为UL Solutions的CEO，她掌管着这家拥有130年历史的机构。你认识的UL，是那个印在几乎所有电子产品上的圆形认证标志。但Scanlon的日常远比标志复杂：她既要应对亚马逊上泛滥的廉价未认证商品，又要在拜登政府末期接下物联网网络安全项目的牵头任务，还要在特朗普政府上台后面对"与中国有关联"的政治审查。

更棘手的是，UL刚刚推出了针对人工智能系统的全新标准UL 3115。一个做电线防火测试起家的机构，现在要判断AI"安全"意味着什么。

从保险防火到AI标准

UL的起源很具体：19世纪末，保险公司需要有人测试新出现的电气产品会不会引发火灾。Scanlon向Nilay Patel描述这段历史时，强调的是"独立第三方"这个定位——不是政府，不是制造商，而是被双方信任的中间角色。

这个模式延续至今，但测试对象已经剧变。当Patel问到现在实验室里炸什么时，Scanlon提到电池是重灾区："电池测试是我们增长最快的业务之一。"电动汽车、储能系统、消费电子产品里的锂电池，都在UL的爆炸清单上。

但AI是另一回事。UL 3115的全称是"基于结构化框架，在部署前和部署期间评估基于人工智能的产品"。Scanlon解释，这个标准试图解决一个基础问题：传统产品测试是"输入A，输出B"的确定性逻辑，而AI系统是概率性的，"同样的输入可能产生不同的输出"。

这意味着UL必须重新发明测试方法。Scanlon没有透露具体技术细节，但强调了标准的"结构化"属性——它不是一次性认证，而是覆盖产品全生命周期的持续评估框架。

认证生意的政治经济学

UL的结构本身就值得拆解。Scanlon提到，UL Solutions是2023年从母公司UL Inc.分拆上市的商业实体，而原UL Inc.现在以非营利形式存在，继续负责标准制定。这种"标准制定+商业测试"的分离，是为了避免利益冲突，但也让UL Solutions必须在上市公司财报压力和公共使命之间找平衡。

更直接的冲突来自政策层面。拜登政府在任期最后阶段启动了"网络安全标签"计划（Cyber Trust Mark），意图给物联网设备建立类似能源之星的安全标识，UL被选为项目管理员。但特朗普政府上台后，联邦通信委员会主席Brendan Carr以"与中国有关联"为由，将UL踢出该项目。

Scanlon的回应很克制。她指出UL在中国设有实验室是"因为制造商在那里"，这是全球化供应链的现实，而非政治选择。但她也承认，这种地缘政治张力正在重塑认证行业的游戏规则。

Patel追问了一个尖锐问题：如果美国政府自己都不信任UL，为什么消费者应该信任？Scanlon的回答转向技术层面，强调UL的测试方法论和全球实验室网络的独立性，回避了政治信任问题。

亚马逊低价与认证失效

消费者端的挑战同样严峻。Patel提到亚马逊上大量廉价电子产品没有UL认证，有些甚至伪造标志。Scanlon承认这是"严重问题"，但将责任部分推给平台："市场平台有责任确保上架产品符合法规要求。"

她透露UL正在与亚马逊等电商平台合作，开发自动化工具来识别未认证或虚假认证产品。但她也暗示了结构性困境：当消费者优先选择低价时，认证的价值被稀释。Scanlon没有提供具体数据，但指出UL的应对策略是"教育市场"——让消费者理解认证标志背后的实际测试内容。

这种教育成本很高。一个USB充电器的UL测试可能涉及过压、过流、过热、短路等多种场景，但消费者看到的只是一个标志。Scanlon试图用"透明度"破解这个信息鸿沟，比如推动更详细的认证信息公开，但她没有说明具体实施进度。

AI标准的 adoption 难题

回到UL 3115，最大的未知数是采纳度。Scanlon强调这是一个"开放标准"，需要制造商、监管机构、行业组织共同接受。但她没有透露已有多少企业参与试点，也没有说明哪些监管机构已认可该标准。

Patel质疑了测试AI的可行性：如果AI系统的行为随数据更新而变化，一次认证如何保证持续安全？Scanlon的回应是标准设计中的"持续监控"机制——认证不是终点，而是伴随产品部署的周期性评估。这增加了制造商的合规成本，但也更接近AI系统的动态本质。

Scanlon还提到UL正在与"主要AI公司"合作开发测试协议，但没有点名具体企业。这种模糊性本身说明：AI安全标准仍处于早期博弈阶段，主导权尚未明确。

数据收束

Scanlon办公室里的震动频率，某种程度上是UL业务结构的隐喻：电池测试需求随电动汽车市场膨胀而激增，AI标准试图捕捉技术变革的下一个波峰，而地缘政治和平台经济则在不断制造新的摩擦系数。

UL 3115的推出时间点值得注意——2024年末，正值全球AI监管框架竞争白热化阶段。欧盟AI法案已生效，美国各州立法碎片化，中国有自己的算法备案制度。UL试图用"技术标准"切入这个混乱场域，但其成功不取决于技术完备性，而取决于有多少市场参与者愿意让渡部分自主权，接受一个百年机构的认证逻辑。

Scanlon没有给出采纳率预测，但透露了一个细节：UL的AI测试业务已经"从咨询阶段进入实际项目阶段"。从爆炸实验室到算法审计，这家机构的转型进度，或许比任何宣言都更能说明AI产业对"安全"的真实付费意愿。