[論文レビュー] The Bathtub of European AI Governance: Identifying Technical Sandboxes as the Micro-Foundation of Regulatory Learning

Tom Deckenbrunnen, Alessio Buscemi+3 more|arXiv (Cornell University)|Jan 7, 2026

Ethics and Social Impacts of AI被引用数 0

ひとこと要約

要約: 本論文はEU AI Act の規制学習空間の機能モデルを develop し、AI 技術サンドボックス（AITSes）を証拠生成のマイクロレベルエンジンとして特定し、マイクロレベルのデータがマイクロ・メソ・マクロの学習を駆動する3つのシナリオ（自己評価、AIRegulatory Sandbox、Notified Bodyによる適合性評価）を通じて学習を促進することを示す。

ABSTRACT

The EU AI Act adopts a horizontal and adaptive approach to govern AI technologies characterised by rapid development and unpredictable emerging capabilities. To maintain relevance, the Act embeds provisions for regulatory learning. However, these provisions operate within a complex network of actors and mechanisms that lack a clearly defined technical basis for scalable information flow. This paper addresses this gap by establishing a theoretical model of the regulatory learning space defined by the AI Act, decomposed into micro, meso, and macro levels. Drawing from this functional perspective of this model, we situate the diverse stakeholders -- ranging from the EU Commission at the macro level to AI developers at the micro level -- within the transitions of enforcement (macro-micro) and evidence aggregation (micro-macro). We identify AI Technical Sandboxes (AITSes) as the essential engine for evidence generation at the micro level, providing the necessary data to drive scalable learning across all levels of the model. By providing an extensive discussion of the requirements and challenges for AITSes to serve as this micro-level evidence generator, we aim to bridge the gap between legislative commands and technical operationalisation, thereby enabling a structured discourse between technical and legal experts.

研究の動機と目的

• マイクロ・メソ・マクロレベルにわたるAI Act の規制学習空間を機能モデルで把握する。
• AI Act のガバナンス・ネットワークにおける執行と学習の当事者と役割を特定する。
• AI テクニカル・サンドボックス（AITSes）がマイクロレベルの証拠生成を可能にするために不可欠であると論じる。
• 3つのマイクロレベルの証拠生成シナリオと、それらがレベル間の学習をどう feed するかを説明する。
• 規制学習のためにAITSesを実 operationalise するためのインフラ・方法論的要件を示す。

提案手法

• AI Act の actors と相互作用をマッピングするための3レベル（マイクロ、メソ、マクロ）の機能モデルを採用。
• Coleman の bathtub を基盤とし、メソレベルのアクターを拡張して学習信号の媒介と集約を捉える。
• AI テクニカル・サンドボックス（AITSes）を証拠生成の核心マイクロレベル・エンジンとして定義。
• 自己評価、AIRSes、Notified Bodyによる適合性評価の3つの証拠生成シナリオを特定。
• データフローと、レベル間の学習を可能にするスケーラブルで機械可読な証拠の潜在力を分析。

実験結果

リサーチクエスチョン

• RQ1 AI Act の規制学習空間の構造と機能は、マイクロ・メソ・マクロレベルでどうなっているのか。
• RQ2 各レベルでどのようなアクターが機能し、執行と学習のフローは彼らをどう結びつけているのか。
• RQ3 AI テクニカル・サンドボックス（AITSes）はマイクロレベルの証拠生成エンジンとしてどう機能するのか。
• RQ4 特定された3つのマイクロレベル証拠生成シナリオのデータフローと規制学習への影響はどうなるのか。
• RQ5 マイクロレベルデータを中核・マクロレベルの学習に使えるようにするためのインフラ要件は何か。

主な発見

• AI Act の規制学習は、マイクロ・メソ・マクロの三層モデルと、定義された執行・学習の移行を通じて最も理解される。
• AI テクニカル・サンドボックス（AITSes）は、スケーラブルな学習を支える再現性のあるマイクロレベル証拠生成器として不可欠。
• マイクロレベルの証拠を生成する3つのシナリオ：自己評価、AI規制サンドボックスの関与、Notified Bodyによる適合性評価。
• マイクロレベルの証拠は、より高いレベルでの集約と学習を可能にする共通の技術的枠組みと機械可読形式で構造化される必要がある。
• アクター間には機能的だが厳密に階層的な明確性は必ずしもなく、互換性のある学習のためには一貫したデータ生成が必要である。