[论文解读] 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 0

一句话总结

论文开发了欧盟AI法案监管学习空间的功能模型，确定AI技术沙盒（AITSes）作为微观层面证据生成的驱动引擎，并通过自评、AI监管沙盒和被通知机构的合格评定三种情景，推动微观、 meso、宏观层面的学习。

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.

研究动机与目标

• 在微观、meso、宏观层面上使用功能模型绘制AI法案的监管学习空间。
• 识别在AI法案治理网络中执行与学习的参与者及其角色。
• 论证AI技术沙盒（AITSes）对生成微观层面证据以实现可扩展监管学习的重要性。
• 描述三种微观层面证据生成情景及其如何推动各层级学习。
• 提出使AITSes用于监管学习的基础设施与方法学要求。

提出的方法

• 采用三层级（微观、meso、宏观）治理功能模型来映射AI法案中的参与者及互动。
• 以柯尔曼的浴盆为基础，并通过引入中观层面的参与者来捕捉学习信号的中介与聚合。
• 将AI技术沙盒（AITSes）定义为核心微观层面的证据生成引擎。
• 确定三种证据生成情景（自评、AI监管沙盒参与，以及被通知机构的合格评定）。
• 分析数据流及实现可扩展、机器可读证据以支持跨层级学习的潜力。

实验结果

研究问题

• RQ1 AI法案的监管学习空间在微观、meso、宏观层面上的结构与功能是什么？
• RQ2 各层级有哪些参与者在运作？执法与学习如何连接它们？
• RQ3 AI技术沙盒（AITSes）如何作为微观层面的证据生成引擎？
• RQ4 三种已识别的微观层面证据生成情景对监管学习的数据流及其影响是什么？
• RQ5 使微观层面数据可用于中观与宏观层级学习需要哪些基础设施要求？

主要发现

• 通过三层级模型（微观、meso、宏观）及明确的执法与学习转换来理解AI法案的监管学习。
• AI技术沙盒（AITSes）作为可重复的微观证据生成器对支持可扩展学习至关重要。
• 三个情景生成微观层面证据：自评、AI监管沙盒参与，以及被通知机构的合格评定。
• 微观层面证据必须通过共同的技术框架和机读格式进行结构化，以实现更高层级的聚合与学习。
• 参与者之间存在功能性但并非严格分层的清晰性，突出需要一致的数据生成以实现可互操作的学习。