共同盲区：AI 治理为什么越改革越失败

过去几年，全球范围内出现了一种看似矛盾的现象。一方面，人工智能治理正在快速扩张。欧盟推出了《人工智能法案》，美国发布 AI 风险管理框架，英国、新加坡以及多个国际组织也不断提出新的治理方案。不同地区的治理风格不同，有的强调风险分类，有的强调透明度，有的强调伦理原则，有的强调实验性监管。

但另一方面，这些治理方案却不断遭遇相似的问题。监管者发现，原本用于分类 AI 系统风险等级的方法，很快就跟不上模型能力变化；强调伦理原则，却很难转化成具体操作标准；监管沙盒试图通过实验学习如何治理 AI，但实验完成时，被测试的技术环境可能已经发生变化。为什么不同国家、不同理念、不同工具的 AI 治理，会反复遇到类似问题？

Sihyun Kim 在其最近发表的一篇论文中提出，这背后是因为当前治理改革不断调整监管工具，却很少重新审视这些工具能够运行所依赖的基础前提。要理解这个观点，需要先看现代监管体系到底依赖什么？