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

Sang-Chul Park|arXiv (Cornell University)|Mar 20, 2023

Law, AI, and Intellectual Property被引用 4

一句话总结

本文提出了一种情境化、一致且可比的（3C）框架，通过根据部署情境和人机交互方式，将人工智能系统划分为三类基于任务的类型——自主型、判别型（分配型、惩罚型、认知型）和生成型——以弥合人工智能监管中的全球鸿沟。该框架通过为每类设定定制化目标确保监管一致性，并通过国际风险测量标准促进全球互操作性。

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.

研究动机与目标

• 解决人工智能监管模式在全球范围内的日益分化问题，即水平型（欧盟、加拿大、巴西）与情境特定型（美国、英国、以色列、瑞士，可能还包括中国）模式之间的差异。
• 克服一刀切式监管的局限性，通过在多样化人工智能应用中实现情境敏感、任务关键的风险管理。
• 通过一种标准化但可适应的治理框架，提升国际监管互操作性并加速协调统一。
• 以结果导向的监管目标取代过时的2010年代人工智能伦理原则，使其与现实世界的人工智能应用场景保持一致。
• 通过在人工智能系统各类别之间推广共享的风险测量标准，为跨司法管辖区的协调奠定基础。

提出的方法

• 将人工智能生命周期划分为两个截然不同的阶段：部署前的学习阶段与部署后的任务特定部署阶段，避免依赖基础模型或通用型模型的概念。
• 根据应用方式和人机交互情况，将人工智能系统划分为三类监管类别：自主型、判别型（分配型、惩罚型、认知型）和生成型人工智能。
• 为每种类别分配具体、以结果为导向的监管目标，以取代2010年代的通用伦理原则。
• 整合国际风险评估与缓解标准，以确保不同司法管辖区和监管体系之间的可比性。
• 通过共享的分类与测量协议，使框架既能支持国家监管自主性，又能实现跨境监管一致性。
• 利用该框架指导立法、执法与国际合作，使监管设计与实际人工智能系统的行为及社会影响保持一致。

实验结果

研究问题

• RQ1 如何在需要全球互操作性的同时，调和情境特定的人工智能治理？
• RQ2 哪些标准能够有效区分基于部署情境和人机交互的不同类型人工智能系统？
• RQ3 如何将监管目标从抽象的伦理原则重新对准具体、可量化的实际人工智能应用场景结果？
• RQ4 国际标准在多大程度上能够实现不同国家人工智能监管模式之间的可比性？
• RQ5 统一框架是否能在不削弱国家在人工智能治理中政策自主权的前提下，减少监管碎片化？

主要发现

• 3C框架通过将人工智能监管从一刀切模式转向情境敏感、基于类别的方法，成功重新定义了人工智能监管，使其与现实世界的人工智能部署模式保持一致。
• 将人工智能划分为自主型、判别型（分配型、惩罚型、认知型）和生成型，可实现更精确、更具针对性的监管响应。
• 以具体结果为导向的监管目标取代2010年代的人工智能伦理原则，显著提升了目标的清晰度、可执行性与政策一致性。
• 整合国际风险测量与缓解标准，显著增强了监管可比性与跨境协调的潜力。
• 该框架在弥合不同监管模式（如欧盟的水平型方法与美国的使用案例特定型方法）方面展现出可行性，通过提供共同的分析与规范基础实现协调。
• 所提出的生命周期双阶段划分（学习与部署阶段）避免了关于基础模型概念的模糊性，支持更具动态性、风险响应性的监管。