[논문 리뷰] A Comprehensive Review and Systematic Analysis of Artificial Intelligence Regulation Policies

Weiyue Wu, Shaoshan Liu|arXiv (Cornell University)|2023. 07. 23.

Ethics and Social Impacts of AISocial Sciences인용 수 3

한 줄 요약

이 논문은 이론적 근거와 접근 방식을 통해 정책을 분류함으로써 글로벌 AI 규제 정책을 체계적으로 분석하는 프레임워크를 제시한다. 위험 기반 및 성과 기반 모델의 체계적 결함을 밝히고, 정부가 역사를 반영하고 맥락을 고려한 균형 잡힌, 유연한, 효과적인 AI 규제를 수립하는 데 도움이 되는 체계적이고 분할 정복 전략을 제안한다.

ABSTRACT

Due to the cultural and governance differences of countries around the world, there currently exists a wide spectrum of AI regulation policy proposals that have created a chaos in the global AI regulatory space. Properly regulating AI technologies is extremely challenging, as it requires a delicate balance between legal restrictions and technological developments. In this article, we first present a comprehensive review of AI regulation proposals from different geographical locations and cultural backgrounds. Then, drawing from historical lessons, we develop a framework to facilitate a thorough analysis of AI regulation proposals. Finally, we perform a systematic analysis of these AI regulation proposals to understand how each proposal may fail. This study, containing historical lessons and analysis methods, aims to help governing bodies untangling the AI regulatory chaos through a divide-and-conquer manner.

연구 동기 및 목표

• 다양한 지리정치적 및 문화적 맥락에서 제안된 정책을 종합적으로 검토하여 AI 규제의 글로벌 혼란을 해결하기 위해.
• 이론적 근거와 접근 방식을 기반으로 AI 규제 제안을 분류하는 통합 분석 프레임워크를 개발하여 체계적 평가를 가능하게 하기 위해.
• 기존 AI 규제 모델, 특히 위험 기반 및 성과 기반 접근 방식의 구조적 및 운영적 취약점을 규명하기 위해.
• 역사적 유사 사례를 활용한 증거 기반의 반복적 정책 개선을 통해 거버닝 기관이 AI 규제를 진화시키는 데 안내하기 위해.
• 장기적으로 글로벌로 통합되고 표준화된 AI 규제 프레임워크를 달성하는 데 기여하기 위해.

제안 방법

• 미국, 유럽연합, 영국, 중국 및 국제기구의 AI 규제 제안을 비교 검토하여 그 배경 이론과 구현 방식에 중점을 둔다.
• '이론적 근거'(규제 초점)와 '접근 방식'(구현 메커니즘)을 사용한 이원적 분석 프레임워크를 개발하여 규제 모델을 분류하고 평가한다.
• 특히 동적이고 불확실한 AI 환경에서 각 규제 모델의 강점과 실패 양상에 대해 체계적으로 평가하기 위해 프레임워크를 적용한다.
• 개인정보 보호, 사이버보안, 소비자 보호와 같은 역사를 기반으로 한 규제 분야의 유사 사례를 인용하여 AI 규제 설계에 영향을 주고 과거의 실수를 피한다.
• 위험 기반 시스템의 핵심 취약점(예: 모호한 분류)과 성과 기반 시스템의 취약점(예: 기준 부족, 결과 예측 불가능성)을 규명한다.
• 반복적이고 맥락 기반이며 증거 기반의 규제 개발을 가능하게 하는 '분할 정복' 전략을 제안한다.

실험 결과

연구 질문

• RQ1 미국, 유럽연합, 영국, 중국 및 국제 제안의 주요 AI 규제 프레임워크 간 규제 이론과 접근 방식은 어떻게 다를까?
• RQ2 동적 위험 분류 및 집행의 모호성과 관련하여 위험 기반 AI 규제의 내재된 실패 양상은 무엇인가?
• RQ3 표준 기준이나 윤리적 장치가 부재한 상황에서 성과 기반 규제가 AI 분야에서 치명적인 결과를 초래할 수 있는 이유는 무엇인가?
• RQ4 개인정보 보호, 사이버보안, 소비자 보호 분야의 역사적 규제 모델은 더 효과적이고 적응 가능한 AI 규제 설계에 어떻게 기여할 수 있는가?
• RQ5 거버닝 기관이 현재의 규제 혼란을 풀고 글로벌로 통합된 AI 거버넌스 프레임워크로 나아가기 위해 어떤 체계적 방법을 사용할 수 있는가?

주요 결과

• 유럽연합의 위험 기반 접근 방식은 다소의 영리함을 추구하지만, AI 응용 분야 간 위험 분류의 일관성 부족과 변화하는 특성으로 인해 규제의 모호성이 발생할 위험이 있다.
• 영국의 성과 기반 규제 및 제안된 국제 AI 기구는 기준 부족과 개발자 자율성의 통제 부족으로 인해 치명적인 결과를 초래할 수 있다.
• 미국의 산업별 모델은 개인정보 보호 및 사이버보안 분야에선 효과적이지만, 수평적 AI 규제 전략이 부재하여 규제의 분열이 발생하고 있다.
• 중국의 상하이 중심, 국가 주도의 규제 모델은 통제와 국가안보를 강조하지만, 혁신과 국제 상호운용성에 악영향을 줄 수 있다.
• 일반적으로 인정된 기준이나 성과 지표가 부재함으로써, 특히 고위험 AI 응용 분야에서 결과 중심 규제의 실현 가능성은 떨어진다.
• 역사적 비유와 체계적 분류를 결합한 맥락 인식이 가능한 체계적 프레임워크가 필요하며, 이는 규제의 단기적 사고를 방지하고 장기적이고 적응 가능한 AI 거버넌스를 가능하게 한다.