当规则追赶技术狂奔，谁在定义AI的“安全”？

治理的边界：当规则追赶技术，谁在定义AI的“安全”？

AI的治理，正从散兵游勇式的行业自律，走向国家层面的系统性框架。2026年，两条并行的治理主线清晰浮现：美国国会发布《2026年伟大美国AI法案》讨论草案，拟建立联邦AI监管框架，涵盖设立AI安全中心、制定自愿指南并每年拨款1亿美元；而中国则推出AI安全治理框架2.0版，将风险覆盖范围扩展至劳动力影响、CBRN武器滥用等更精细的领域。这并非简单的“宽松”与“严格”之争，而是两种治理哲学对“安全”这一核心概念的差异化定义。

美国的法案草案看似激进，实则延续了其“轻触监管、重投资”的传统。每年1亿美元用于AI安全，对比同期PitchBook数据显示的近6000亿美元AI基础设施支出，安全投入占比微乎其微。这揭示了一个残酷的现实：治理框架的构建速度，远落后于资本和技术的狂奔。全球五大科技公司并购活动从2017年的33起锐减至2026年的12起，它们更倾向于内部建设而非收购初创公司——这种“圈地自萌”的模式，虽减少了外部风险，却也使得监管更难穿透其技术黑箱。当巨头们自己定义“安全”，是否会出现“我即标准”的傲慢？

中国框架2.0版的独特之处在于其“非强制性”与“风险精细度”的结合。它不急于用法律条文束缚创新，而是通过扩展风险场景（如劳动力替代、生物武器滥用）来建立一种“认知先导”的治理路径。这种做法的潜台词是：先让所有人看见深渊，再讨论如何绕行。 然而，Gary Marcus的尖锐批评提醒我们，AI的底层可靠性问题——如KPMG报告中编造的AI成功案例——依然普遍存在。当幻觉成为常态，任何风险分级的前提假设都可能崩塌。 治理框架的有效性，终究取决于它对技术真实能力而非宣传话术的洞察。

真正的治理边界，或许不在法律文本或风险清单里，而在人机协作的日常实践中。LTIMindtree启动的“AI 1000”培训计划，采用“识别-赋能-部署-治理”四阶段框架，试图将治理内化为组织能力。这给出了一条更具操作性的路径：与其等待全球统一标准，不如让每一个使用AI的个体和组织成为治理的最小单元。未来的治理胜负手，可能不在于谁的法案更完善，而在于谁能更快地培养出足够多的、能识别AI幻觉并做出负责任决策的“治理型人才”。

展望2026年下半年，一个重要观察点是：美国法案的讨论稿能否在国会形成实质进展，以及中国框架2.0会否催生具体的行业标准或认证。一个可能的分化是：若美国法案因党派分歧而搁浅，欧洲的《AI法案》将事实上成为全球基准；若中国框架被跨国企业广泛采用，则可能形成一种“软标准”的扩散效应。 治理的边界，最终将由执行力而非文本的完美度来划定。