[论文解读] Navigating Governance Paradigms: A Cross-Regional Comparative Study of Generative AI Governance Processes & Principles

José Diogo Forte de Oliveira Luna, Ivan Tan+2 more|arXiv (Cornell University)|Aug 14, 2024

Ethics and Social Impacts of AI被引用 4

一句话总结

本文提出了一种跨区域的生成式人工智能治理框架——H-GenAIGF，对欧盟、美国、中国、加拿大、英国和新加坡六个地区进行了生成式人工智能治理的比较分析，识别出15项核心流程、25项子流程以及九项原则。研究发现，基于风险的治理方法覆盖了最多的流程，而仅有单一流程在所有地区实现一致，凸显了推动治理标准化以确保可信的生成式人工智能部署的紧迫需求。

ABSTRACT

As Generative Artificial Intelligence (GenAI) technologies evolve at an unprecedented rate, global governance approaches struggle to keep pace with the technology, highlighting a critical issue in the governance adaptation of significant challenges. Depicting the nuances of nascent and diverse governance approaches based on risks, rules, outcomes, principles, or a mix across different regions around the globe is fundamental to discern discrepancies and convergences and to shed light on specific limitations that need to be addressed, thereby facilitating the safe and trustworthy adoption of GenAI. In response to the need and the evolving nature of GenAI, this paper seeks to provide a collective view of different governance approaches around the world. Our research introduces a Harmonized GenAI Framework, "H-GenAIGF," based on the current governance approaches of six regions: European Union (EU), United States (US), China (CN), Canada (CA), United Kingdom (UK), and Singapore (SG). We have identified four constituents, fifteen processes, twenty-five sub-processes, and nine principles that aid the governance of GenAI, thus providing a comprehensive perspective on the current state of GenAI governance. In addition, we present a comparative analysis to facilitate the identification of common ground and distinctions based on the coverage of the processes by each region. The results show that risk-based approaches allow for better coverage of the processes, followed by mixed approaches. Other approaches lag behind, covering less than 50% of the processes. Most prominently, the analysis demonstrates that among the regions, only one process aligns across all approaches, highlighting the lack of consistent and executable provisions. Moreover, our case study on ChatGPT reveals process coverage deficiency, showing that harmonization of approaches is necessary to find alignment for GenAI governance.

研究动机与目标

• 分析并比较全球六大主要地区在生成式人工智能治理方面的做法。
• 识别不同地区在治理流程与原则方面的共性与差异。
• 构建一个统一框架——H-GenAIGF，将现有治理实践整合为一个协调一致的模型。
• 评估不同区域治理范式下治理流程的覆盖情况，并识别关键差距。
• 通过ChatGPT案例研究，评估当前治理模型在现实场景中的适用性。

提出的方法

• 从六个地区的现有治理框架中识别出四个构成要素、15项核心流程、25项子流程以及九项原则。
• 开展对比分析，评估不同区域治理模型在流程覆盖方面的程度。
• 通过整合各地区方法中的重叠与差异要素，构建H-GenAIGF框架。
• 将治理范式划分为基于风险、基于原则、基于规则、基于结果或混合型，按范式测量覆盖情况。
• 通过ChatGPT案例研究，评估现实世界生成式人工智能系统中治理流程的实际对齐程度。
• 采用统计方法比较不同范式下的流程覆盖情况，以评估有效性并识别缺陷。

实验结果

研究问题

• RQ1 不同区域的生成式人工智能治理范式在流程覆盖方面如何比较？
• RQ2 哪种治理方法——基于风险、混合型或基于原则——能覆盖最广泛的生成式人工智能核心治理流程？
• RQ3 各地区在核心治理流程实施方面的一致性程度如何？
• RQ4 在应用于现实世界生成式人工智能系统（如ChatGPT）时，当前治理框架存在哪些关键差距？
• RQ5 如何通过统一框架提升全球生成式人工智能治理的一致性与可信度？

主要发现

• 基于风险的治理方法覆盖了15项核心流程中的最高比例，其次为混合型方法。
• 基于原则和基于规则的治理方法覆盖的流程不足50%，表明存在显著的覆盖缺口。
• 仅有单一治理流程在全部六个区域治理范式中保持一致，凸显普遍标准的严重缺失。
• 对ChatGPT的案例研究揭示了流程覆盖存在重大缺陷，表明与全面治理期望存在明显脱节。
• 分析证实，当前治理模型缺乏连贯性与一致性，亟需通过统一框架实现有效的全球治理。
• H-GenAIGF框架提供了一个结构化、基于证据的模型，可统一并强化全球生成式人工智能治理。