风险分级
“风险分级”是 AI 治理最核心的工程设计问题：监管强度应随风险上升而增加，但”风险”如何界定、谁来界定、用什么单位——是三个辖区差异最大的维度。
三辖区分层方法速览
Section titled “三辖区分层方法速览”| 辖区 | 分层依据 | 层数 | 触发机制 | 代表工具 |
|---|---|---|---|---|
| 🇪🇺 欧盟 | 用途 / 场景（附件 III 清单）+ 算力（GPAI 10²⁵ FLOP） | 4 层（禁止 / 高风险 / 有限风险 / 最低风险）+ GPAI 独立通道 | 清单列举 + 算力阈值 | AI Act 第 5 / 6 / 50 / 51 条 |
| 🇨🇳 中国 | 服务类型（深度合成 / 生成式 / 算法推荐 / 拟人化）+ 算力 / 用户规模 | 事实分层（各部门规章独立） | 场景清单 + 100 万用户门槛 + 备案 | 《生成式 AI 办法》 · TC260-003 · 人工智能安全治理框架 |
| 🇺🇸 美国 | 联邦：流程化（NIST AI RMF 按 context）/ 州：后果性决策 + 算力 | 联邦无统一；州各异 | 州法独立定义 | NIST AI RMF + Colorado AI Act + California SB 53 |
EU 四级分层的理论基础
Section titled “EU 四级分层的理论基础”- Veale & Zuiderveen Borgesius (2021) “Demystifying the Draft EU Artificial Intelligence Act” （Computer Law Review International）：最早系统分析 AI Act 草案，批评附件 III 清单是 “政治妥协而非风险科学”
- Smuha, Ahmed-Rengers, Harkens et al. (2021) “How the EU Can Achieve Legally Trustworthy AI” ：从基本权利视角对 AI Act 的系统性评估
- Bradford (2020) The Brussels Effect（Oxford）：AI Act 作为”欧盟监管输出”的理论样本
- Engler (Brookings)：持续追踪 AI Act 实施过程中的漏洞与修补（对 GPAI 条款尤其细致）
- Mueller (CEPS)：对 AI Act 高风险清单的动态扩展和合规推定机制的持续评论
中国 “场景化 + 敏捷治理” 的学术解读
Section titled “中国 “场景化 + 敏捷治理” 的学术解读”- 薛澜（清华公管学院）：提出”包容审慎、敏捷有效”，是中国 AI 治理范式的官方 / 学术 通用表述
- 张凌寒（华东政法大学）：
- 提出中国治理是”场景化事前监管”——不按风险等级分，按服务形态分
- 呼吁从”政策驱动”向”法治化治理”过渡
- Matt Sheehan (Carnegie Endowment)：
- “Tracing the Roots of China’s AI Regulations” (2024) 是英语学界最系统的中国 AI 规则演进分析
- 指出中国的场景化路径早于 EU AI Act 的部分条款，存在反向影响
- Paul Triolo：政策实务追踪，对中国”分类分级监管”原则的空壳状态持续指出
- Olivia 毕业论文《中美欧 AI 治理模式比较》 (2026)：构建”结构—制度—选择”三层框架， 对中国”敏捷协同”、美国”自愿风控”、欧盟”合规前置”的划分
美国”无统一分层”的结构性解释
Section titled “美国”无统一分层”的结构性解释”- Calo (University of Washington) “Artificial Intelligence Policy: A Primer and Roadmap” (2017) ：美国 AI 治理分散主义的早期分析
- Selbst & Barocas “The Intuitive Appeal of Explainable Machines”（FAccT 社群）： 算法问责的结构性问题
- Lehr & Ohm (2017) “Playing with the Data: What Legal Scholars Should Learn About Machine Learning”
- Pasquale (2015) The Black Box Society：算法不透明作为分层监管的前置问题
- Ho & Casey (Stanford RegLab)：联邦 AI 治理的实证分析
- Engler (Brookings)：对比 EU / 美国 AI 治理的持续工作
跨辖区比较的经典与新作
Section titled “跨辖区比较的经典与新作”- Anu Bradford (2023) Digital Empires（三辖区比较的通用框架）
- Floridi et al. (2022) “CapAI: A Procedure for Conducting Conformity Assessment of AI Systems” ：实施导向的 AI Act 工具开发
- Fjeld et al. (2020) “Principled Artificial Intelligence” (Berkman Klein)：跨国 AI 原则图谱
- CAIDP (Center for AI & Digital Policy) 年度 AI and Democratic Values Index：跨国比较
四个核心争议
Section titled “四个核心争议”1. “风险” 的计量单位：能力 vs. 用途 vs. 算力
Section titled “1. “风险” 的计量单位：能力 vs. 用途 vs. 算力”- EU AI Act：用途清单为主（附件 III）+ 算力为辅（GPAI 10²⁵ FLOP）
- California SB 53：算力为主（10²⁶ FLOP）
- 中国：服务类型为主（深度合成 / 生成式 / 算法推荐），算力未量化
- 学界批评：DeepSeek 2025-01 冲击 证明算力门槛不等于能力门槛—— 可以用少得多的算力达到前沿能力。这削弱了 EU 和加州基于算力的阈值设计
2. 高风险清单的动态扩展
Section titled “2. 高风险清单的动态扩展”- EU AI Act 附件 III 允许欧委会通过授权法案扩展清单
- Veale 等批评：这给了欧委会过大的立法权力，绕开了正常立法程序
- 中国的”场景化”立规本质上就是不断新增清单（2022 算法推荐 → 2023 深度合成 → 2023 生成式 → 2025 标识 → 2026 拟人化），每次新增即一部新规章
3. “禁止清单” 的政治边界
Section titled “3. “禁止清单” 的政治边界”- EU AI Act 第 5 条 8 项禁止（社会评分、预测性执法等）常被批评为意识形态驱动 （针对中国社会信用系统的回应）
- 中国无明确”禁止清单”，通过各部门规章的”不得”条款分散处理
- 美国联邦无禁止；加州 SB-1047（2024 被否决）曾拟引入
4. 合规推定 vs. 独立评估
Section titled “4. 合规推定 vs. 独立评估”- EU AI Act：符合协调标准 = 合规推定（第 40 条）—— 把判断权交给标准化机构
- 美国：NIST AI RMF 在州法中作为”合规推定”入口
- 中国：TC260-003 是事实合规标尺，通不过备案不能上线
- 争议：合规推定是否让私营标准化机构承担过多公共政策裁量（Almada 2025 欧盟评论）
行业实践视角
Section titled “行业实践视角”公司如何”对应”不同分层体系
Section titled “公司如何”对应”不同分层体系”| 公司 | EU AI Act 触发 | 加州 SB 53 触发 | 中国备案触发 | 对应策略 |
|---|---|---|---|---|
| Anthropic | ✅ GPAI + 系统性风险 | ✅ 10²⁶ FLOP 前沿 | 未入中国 | RSP v3 ASL 等级（映射多数法规） |
| OpenAI | ✅ GPAI + 系统性风险 | ✅ | 未入中国 | Preparedness Framework v2 高 / 关键阈值 |
| Google DeepMind | ✅ GPAI + 系统性风险 | ✅ | 未入中国 | FSF v3 Critical + Tracked CLs |
| Mistral | ✅ GPAI + 系统性风险 | ⚠️（Mistral Large 3 约 10²⁶） | 未入中国 | GPAI CoP 签署 + 开源透明 |
| Meta | ✅ 部分 | ✅ | 未入中国 | Frontier AI Framework v2 |
| 字节豆包 | 未入 | 未入 | ✅ 深度合成 + 生成式 | CAC 备案 + TC260-003 合规 |
| 阿里 Qwen | 开源模型下载 → 欧盟潜在义务 | 开源下载 → 加州潜在 | ✅ | 开源 + 国内备案 |
三种典型公司策略
Section titled “三种典型公司策略”策略 1：跨辖区一致化文档（Anthropic / Google DeepMind）
- 一套 RSP / FSF 文档同时映射 EU GPAI CoP、加州 SB 53、英国 AISI 测试
- 优点：成本低；缺点：需要满足最严标准
策略 2：辖区分层应对（OpenAI / Mistral）
- Preparedness Framework 为基准，各辖区补充本地合规文档
- 优点：灵活；缺点：文档冗余 + 跨辖区一致性风险
策略 3：事实合规 + 最少披露（大多数中国公司）
- 通过 CAC 备案 + TC260-003 满足中国要求
- 不发布独立安全框架文档
- 优点：合规成本低；缺点：国际扩张受限
2026 Q1 新变化
Section titled “2026 Q1 新变化”- Anthropic RSP v3（2026-02）：放弃 pause 承诺，分离”单方承诺”vs.”行业共同义务”
- OpenAI Preparedness v2（2025-04）：简化为 High / Critical 两档
- Google DeepMind FSF v3（2026-04）：新增 Tracked Capability Levels (TCLs) 提前预警 + 新增 Harmful Manipulation CCL
- California SB 53 生效（2026-01-01）：美国首部专门针对前沿 AI 的州法
- Trump EO 14365（2025-12）：试图抢占州 AI 法律 → 加州 / 科州拒绝
相关规则与公司
Section titled “相关规则与公司”- 🇪🇺 欧盟：AI Act 第 5 / 6 / 50 / 51 条、GPAI Code of Practice、Digital Omnibus Proposal
- 🇨🇳 中国：生成式 AI 办法 第 3 条、TC260-003-2024、AI 安全治理框架 1.0/2.0、拟人化互动服务办法
- 🇺🇸 美国：NIST AI RMF、Colorado AI Act、California SB 53、Texas TRAIGA、NYC LL 144
参见 公司实践 各家公司页的”安全框架”部分（Anthropic / OpenAI / Google DeepMind 分析最深）。