[논문 리뷰] Bridging the Global Divide in AI Regulation: A Proposal for a Contextual, Coherent, and Commensurable Framework

Sang-Chul Park|arXiv (Cornell University)|2023. 03. 20.

Law, AI, and Intellectual Property인용 수 4

한 줄 요약

이 논문은 AI 규제의 글로벌 격차를 해소하기 위해 맥락적, 일관적, 상호측정 가능한(3C) 프레임워크를 제안한다. 이는 AI 시스템을 그들의 구현 맥락과 인간 상호작용에 기반해 세 가지 과업 기반 유형—자율적, 분류적(할당, 처벌, 인지), 생성적—으로 분류함으로써, 각 유형에 맞는 맞춤형 목표를 통해 규제 일관성을 확보하고, 국제적 위험 측정 기준을 통해 글로벌 상호운용성을 촉진한다.

ABSTRACT

As debates on potential societal harm from artificial intelligence (AI) culminate in legislation and international norms, a global divide is emerging in both AI regulatory frameworks and international governance structures. In terms of local regulatory frameworks, the European Union (E.U.), Canada, and Brazil follow a horizontal or lateral approach that postulates the homogeneity of AI, seeks to identify common causes of harm, and demands uniform human interventions. In contrast, the United States (U.S.), the United Kingdom (U.K.), Israel, and Switzerland (and potentially China) have pursued a context-specific or modular approach, tailoring regulations to the specific use cases of AI systems. This paper argues for a context-specific approach to effectively address evolving risks in diverse mission-critical domains, while avoiding social costs associated with one-size-fits-all approaches. However, to enhance the systematicity and interoperability of international norms and accelerate global harmonization, this paper proposes an alternative contextual, coherent, and commensurable (3C) framework. To ensure contextuality, the framework (i) bifurcates the AI life cycle into two phases: learning and deployment for specific tasks, instead of defining foundation or general-purpose models; and (ii) categorizes these tasks based on their application and interaction with humans as follows: autonomous, discriminative (allocative, punitive, and cognitive), and generative AI. To ensure coherency, each category is assigned specific regulatory objectives replacing 2010s vintage AI ethics. To ensure commensurability, the framework promotes the adoption of international standards for measuring and mitigating risks.

연구 동기 및 목표

• 수평적(유럽연합, 캐나다, 브라질)과 맥락 기반(미국, 영국, 이스라엘, 스위스, 잠재적으로 중국) 모델 간 증가하는 글로벌 AI 규제 접근 방식의 격차를 해소한다.
• 일괄적인 규제의 한계를 극복하기 위해 다양한 AI 응용 분야에서 맥락 민감하고 임무 중심의 위험 관리 체계를 가능하게 한다.
• 표준화되고 유연한 거버넌스 프레임워크를 통해 국제적 규제 상호운용성 향상과 조율 가속화를 도모한다.
• 2010년대의 AI 윤리 원칙을 실용적 AI 사용 사례에 부합하는 결과 중심의 규제 목표로 대체한다.
• 다양한 법적 체계 간 일치 기반을 마련하기 위해 AI 시스템 유형 간 공통된 위험 측정 기준을 촉진한다.

제안 방법

• 기초 모델 또는 일반 목적 모델 개념에 의존하지 않도록, AI 수명주기를 두 단계로 분리한다: 사전 구현 학습 단계와 사후 구현 과업 중심의 구현 단계.
• 응용 분야와 인간 상호작용에 기반해 AI 시스템을 세 가지 규제 유형으로 분류한다: 자율적, 분류적(할당, 처벌, 인지), 생성적 AI.
• 각 유형에 대해 일반 윤리 원칙이 아닌, 구체적인 결과 중심의 규제 목표를 부여하여 2010년대의 일반화된 원칙을 대체한다.
• 국제적 위험 평가 및 완화 기준을 통합하여 다양한 관할권과 규제 체계 간 상호측정 가능성을 확보한다.
• 공통의 분류 및 측정 프로토콜을 통해 국가 규제 자율성과 해외 규제 일관성을 동시에 지원하는 프레임워크를 구성한다.
• 실제 AI 시스템 행동과 사회적 영향과 규제 설계를 일치시킴으로써, 입법, 집행, 국제 협력 지침을 제공한다.

실험 결과

연구 질문

• RQ1 어떻게 맥락 기반 AI 거버넌스와 글로벌 상호운용성의 요구를 동시에 충족하는 규제 프레임워크를 설계할 수 있는가?
• RQ2 배치 맥락과 인간 상호작용에 기반해 서로 다른 AI 시스템 유형을 효과적으로 구분할 수 있는 기준은 무엇인가?
• RQ3 어떻게 추상적인 윤리 원칙에서부터 특정 AI 응용 분야에서의 구체적이고 측정 가능한 결과로 규제 목표를 재정비할 수 있는가?
• RQ4 국제 표준이 다양한 국가의 AI 규제 모델 간 상호측정 가능성을 얼마나 높일 수 있는가?
• RQ5 통합된 프레임워크는 국가 정책 자율성을 훼손하지 않으면서도 규제 분열을 줄일 수 있는가?

주요 결과

• 3C 프레임워크는 일괄적인 규제 모델에서 맥락 민감하고 유형 기반의 접근으로의 전환을 통해 실제 AI 구현 패턴과 부합하는 AI 규제의 재정의에 성공했다.
• 자율적, 분류적(할당, 처벌, 인지), 생성적 유형으로 AI를 분류함으로써 더 정밀하고 정확한 규제 대응이 가능해졌다.
• 2010년대의 AI 윤리 원칙을 결과 중심의 규제 목표로 대체함으로써, 다양한 관할권 간 명확성, 집행 가능성, 정책 일관성이 향상되었다.
• 국제적 위험 측정 및 완화 기준의 통합은 규제 상호측정 가능성과 해외 규제 일치 가능성을 크게 향상시켰다.
• 이 프레임워크는 EU의 수평적 접근과 미국의 사용 사례 중심 접근 간의 상이한 규제 모델을 공통의 분석적·규범적 기반으로 제공함으로써, 이격된 규제 모델 간 다리를 놓는 데 가능성을 입증했다.
• 학습 단계와 구현 단계로 수명주기를 분리하는 제안은 기초 모델 개념에 대한 개념적 모호성을 피하고, 더 유연하고 위험에 민감한 규제를 가능하게 한다.