国会需要一部具备真正问责机制的联邦 AI 治理法

Brookings 通过 Google News 发出了直接警告：在行政行动和州级规则默认塑造体系之前，国会需要制定一部联邦 AI 治理法。

冲突已不再只是监管与创新之间的较量。华盛顿必须决定，谁该为 AI 失误负责，哪些规则应归联邦层面管辖，以及各州保留何种权力。一个只会阻止州法律的国家标准，可以解决管辖权问题，却无法建立有意义的问责机制。

这一差别至关重要，因为白宫已经明确了偏好的方向。其 2026 年 3 月框架要求国会制定负担最小化的国家标准，并优先适用联邦规则，排除妨碍 AI 发展的州级规定。Brookings 则认为，治理还必须正视企业权力集中、监督薄弱和责任不清的问题。

因此，正在形成的较量十分具体。一方优先考虑统一性和更快部署；另一方则要求华盛顿在取代各州已建立的保护措施之前，先确立可执行的问责机制。

国会此前曾尝试第一条路径。2025 年 7 月，参议院以 99 比 1 的投票结果否决了一项拟议的州级 AI 暂停监管条款。这次失败表明，立法者原则上支持全国协调，但不信任缺乏可信替代方案的联邦优先适用。

Brookings 最新的论述并非又一次抽象地呼吁负责任的 AI。它警告说，拖延本身已成为一种政策选择。每一个没有立法的月份，都会让行政机构、法院、各州和 AI 公司获得更多自行制定规则的权力。

Brookings 的论述究竟改变了什么

Brookings 的介入将辩论从美国是否需要 AI 规则，转向一个正当的国家体系必须包含什么。

在 Google News 上流传的标题呼吁国会通过一项新的联邦 AI 治理法。这一要求出现在多年行政命令、自愿承诺、机构指导意见、州级立法以及未能成功的国会提案之后。

这些措施会影响企业行为，但并未构成一个统一且持久的法定体系。行政政策可能随政府更迭而改变。自愿承诺取决于企业合作。机构权力仍受制于许多在现代机器学习出现之前制定的法律。

Brookings 学者 Tom Wheeler 和 Bill Baer 于 2026 年 3 月指出了政府方案的核心弱点。他们的 AI 政策批评认为，联邦框架忽视了责任与问责。

他们的担忧并不局限于假设中的系统脱离人类控制。他们关注的是，关于模型行为、训练数据、部署和访问权限的决策，目前集中在少数大型公司手中。

这一重点改变了立法问题。国会不能仅仅发布共同原则，就宣称已解决监管碎片化问题。它必须决定，当 AI 系统造成可预见的伤害时，哪些组织承担法律义务。

一部有用的联邦法律还应明确谁可以调查失误。监管机构需要获取相关记录、评估结果和技术文档。没有调查权的规则，会让机构只能依赖开发者选择披露的信息。

法律需要区分开发者与部署者。构建通用模型的公司并不控制其后的每一种使用方式。然而，只要开发者的设计选择促成了可预见风险，这种区分就不能变成一概免责的理由。

国会还必须界定联邦介入的门槛。简历筛选工具、医疗决策工具、前沿模型和客户服务机器人带来的风险并不相同。对这四类工具适用同一种僵化的合规程序，将浪费资源，并鼓励形式主义的文书工作。

挑战在于，在保留行业专业知识的同时建立共同权利。就业监管机构了解招聘歧视；金融监管机构了解信贷决策；卫生机构了解临床风险和医学证据。

Brookings 此前提出过一种名为 Critical Algorithmic System Classification 的分布式模式。按照这种方法，行业监管机构将在其既有领域内获得新的权力，以调查和治理重要的自动化决策。

这项提案并非唯一可能的设计。但它说明了立法为何重要。当法定授权不明确或容易受到法院挑战时，机构无法可靠地扩大自身管辖权。

国会制定这些授权。它可以确立最低保护标准、分配义务、为执法提供资金，并界定联邦优先适用的边界。任何行政备忘录都无法提供同样的持久性。

这正是 Brookings 标题值得超越短暂新闻周期而被重视的原因。它将国会的缺位视为美国 AI 治理的决定性特征，而非行政管理上的不便。

Google News 为何此时突出联邦层面的争议

对立法的需求正变得更加紧迫，因为联邦优先适用的推进速度快于联邦问责机制。

白宫于 2026 年 3 月 20 日发布了《国家人工智能政策框架》。该文件要求国会制定联邦标准，同时阻止各州对华盛顿认定具有全国性范围的领域进行监管。

其立法框架称，各州不应监管 AI 开发。该框架将模型开发描述为一项涉及外交政策和国家安全影响的州际活动。

该框架会保留部分州级权力，包括普遍适用的消费者保护、儿童安全、欺诈执法、分区规划、采购以及州政府使用 AI 等事项。

这种划分听起来井然有序，但类别之间存在棘手问题。州级披露法既可能类似消费者保护，也可能影响模型开发。安全要求可能监管部署，同时迫使开发者改变测试做法。

政府已经为这些争议做好准备。Donald Trump 总统于 2025 年 12 月 11 日签署行政命令，指示联邦官员挑战被视为与国家 AI 政策不一致的州法律。

这项行政命令要求司法部设立 AI Litigation Task Force，并指示官员识别被视为负担过重的州级规则。

该命令承认了一个真实的经济问题。当各州采用不同定义、报告格式和合规时间表时，在全国运营的公司将面临不断上升的成本。相比拥有庞大法务团队的成熟平台，小型企业可能更难应对。

然而，统一性并不决定规则的实质内容。五十项薄弱标准会造成碎片化；一项薄弱的联邦标准则会保持一致，却依然会让用户暴露于风险之中。

这正是 Google News 报道背后的核心冲突。华盛顿将全国一致性视为紧迫目标，而对领先 AI 开发者施加何种义务仍存在争议。

这一时机也反映出 AI 在重要场景中的使用正在加速。雇主使用自动化工具对求职者排序并监控员工。金融机构在欺诈检测、承保和客户服务中使用模型。

学校部署用于评估写作或推荐学习材料的系统。政府机构使用算法分配资源、发现异常并辅助行政决策。

这些例子不需要对通用人工智能进行推测。它们涉及现有系统，这些系统正在作出或影响与收入、机会、教育、健康和公共服务获取有关的决策。

现有法律适用于许多结果。雇主不能仅因软件参与了决定，就逃避歧视法约束。然而，当外部人员无法检查数据或模型过程时，执行这些保护措施可能会更加困难。

联邦层面的争论发生在部署之后，而不是之前。这使得一部既能治理当前用途、又能适应新能力的法律显得更为迫切。

国会还面临国际比较。欧盟选择了一部广泛的风险导向型法规。美国则更多依赖行业规则、行政行动、技术标准和州级试验。

美国不必照搬欧洲模式。但它确实需要对同一个制度性问题作出持久回答：谁必须记录风险，谁核查证据，以及失误发生后谁采取行动？

统一的国家规则与可执行的问责机制

核心权衡并非联邦控制与州级控制之争，而是缺乏问责的统一性与由可执行义务支撑的统一性之间的选择。

支持联邦优先适用者的论点值得认真对待。AI 产品会即时跨越州界，模型开发也需要全国性的基础设施、资本、数据和技术人才。

OpenAI CEO Sam Altman 在 2025 年暂停监管辩论期间概括了合规担忧。他告诉立法者，很难想象要如何同时遵守 50 套不同的监管体系。

开发者也担心，相互冲突的技术规则会迫使全国性产品围绕最严格的司法辖区设计。一个州采用的要求，实际上可能成为全国性的产品规则。

这些担忧支持联邦协调。但它们并不能证明，在国会制定有效替代方案之前，各州就应放弃权力。

参议院在 2025 年面对过这一顺序问题。立法者曾考虑在十年内禁止州和地方政府实施 AI 监管，随后在谈判中缩短了拟议期限。

最终，参议院以 99 比 1 的投票结果删除了该条款。这次暂停监管投票团结了在科技政策许多其他方面存在分歧的官员。

反对者包括民主党立法者、共和党州长、州议员、安全倡导者以及受网络伤害影响的家庭。他们共同反对的是，暂停监管将造成监管真空。

这一事件仍是当前辩论最清晰的历史参照。国会可以反对州级监管碎片化，同时仍拒绝在没有联邦保护措施的情况下抹除地方规则。

可行的妥协方案始于底线与上限。联邦底线确立每个人都能获得的权利。联邦上限则防止各州在国家一致性至关重要的、经过谨慎界定的领域增加要求。

国会必须明确识别每一个类别。涵盖任何与 AI 有关事项的宽泛表述，将引发诉讼，并可能无意中削弱保护措施。

法律还应将模型开发规则与具体使用规则分开。前沿模型开发者可承担安全测试、事件报告和文档记录方面的义务。部署者可承担告知、人工审查和影响评估方面的义务。

有些义务应当共同承担。部署方若没有开发方提供的信息，就无法妥善评估系统。开发方则无法控制客户的工作流程或每一项下游决策。

责任应与控制权、知情程度以及防止损害的能力相匹配。这一原则可以避免将所有负担都压在模型制造商或最终用户中的任何一方身上。

联邦监管机构需要与这些职责相匹配的权限。Brookings 曾主张，相关机构应获得在既有监管领域内获取技术记录、调查自动化系统的工具。

这种权限并不需要设立一个新的超级监管机构。现有机构可以利用其已有的专业能力，实施共同的联邦保护措施。

国会仍需建立协调机制。企业不应因同一模型的文档或事故问题，收到多个机构相互矛盾的指示。

一个中央技术办公室可以在不取代监管机构的前提下为其提供支持。共享定义、报告格式和评估方法将减少重复工作。

美国国家标准与技术研究院的 AI risk framework 提供了一个自愿性基础。该框架围绕治理、映射、衡量和管理 AI 风险来组织风险工作。

国会可以纳入兼容的流程，而不必将每一项自愿建议都变成法律强制要求。法律义务应聚焦于高影响情境中的证据、结果和问责。

这条路径比宣布一项全国统一标准更具挑战性。它要求立法者解决行政文件可以回避的争议。

但它也更具正当性。当联邦法律为人们提供明确的救济，并为监管机构提供切实可行的执法路径时，联邦优先权就更容易得到辩护。

联邦 AI 法仍可能错过真正的问题

国会可以通过一部 AI 法案，却基本不触及问责缺口。

一部薄弱的法律可能会排除州级规则、认可自愿标准，并要求联邦机构开展研究。这将实现法律上的统一，却不会改变企业如何记录高风险决策或为其负责。

定义带来首要风险。企业可以重组产品，以规避对 AI 开发者、高影响系统或受监管模型的狭窄定义。

过于宽泛的定义则会产生相反的问题。普通软件功能也会被纳入原本为影响就业、信贷、医疗或关键基础设施的系统设计的合规项目。

仅以计算资源为基础的门槛也可能很快过时。训练算力提供了可衡量的边界，但并不总能预测模型在优化或集成后的行为。

仅基于使用场景的规则也存在另一项弱点。一个通用模型可以在低风险的文稿起草与高风险的医疗、金融或政府环境之间转换。

因此，国会需要结合能力、部署和影响等触发条件。监管机构还必须拥有通过公开规则制定程序更新技术门槛的权限。

执法能力构成第二项风险。机构不会仅仅因为国会赋予其许可，就能够审计复杂系统。

它们需要技术人员、安全计算环境、灵活的采购机制，以及保护商业秘密的程序。它们还需要有资源在法庭上挑战大型企业。

Brookings 多年来一直强调这一制度缺口。其分布式监管提案指出，监管机构往往缺乏技术能力、获得证据的渠道，或针对算法供应商的明确权限。

第三项风险在于过度依赖企业测试。内部评估可以揭示有价值的信息，但开发者自行选择模型、提示词、指标和发布条件。

独立评估并不意味着公开模型权重或敏感的安全细节。它意味着让合格的审查人员在受控条件下获得足够的访问权限，以检验相关主张。

法律应要求系统发生严重事故时进行报告。对事故的定义必须足够狭窄，才能产生有用信号，而不是数百万条日常投诉。

监管机构也应公布汇总结果。企业和研究人员需要了解哪些故障模式反复出现，同时不暴露个人数据或可被利用的漏洞。

第四项风险涉及救济。仅靠披露，很少能帮助那些因自动化流程而被拒绝工作、贷款、福利或服务的人。

人们需要获知 AI 是否影响了一项重大决定。在适当情况下，他们还需要一条切实可行的更正、申诉或人工复核途径。

并非每一项自动化输出都需要申诉。联邦法律应将这些权利聚焦于产生实质影响的决定。

国会还必须避免承诺绝对安全。没有任何测试机制能在部署前发现每一种故障。模型行为会随情境、工具、更新和用户交互而变化。

治理的目的不是证明 AI 系统不会出错，而是建立合理的预防措施、追溯决策、发现问题并分配责任。

这种审慎视角同样适用于 Brookings 的提案。将权限分配给各机构能够保留专业知识，但也可能导致执法不一致和协调迟缓。

行业监管机构在资源和技术成熟度方面也各不相同。有些机构会比其他机构更快落实新权限。

一部全国性法律必须直接处理这种不均衡。共享技术支持和最低程序要求可以缩小差距，同时保留针对具体领域的判断。

最后一项风险是政治耐久性。围绕某一届政府偏好术语构建的法案，可能在选举后变得过时。

国会应制定稳定的权利、义务和制度权限。技术细节则应通过由法案约束的透明程序保持可调整性。

如果国会终于行动，谁将面临压力

一部有实质意义的联邦法律将同时向 AI 开发者、部署组织、监管机构和州政府施压。

大型模型开发者将面临最显著的义务。视法律内容而定，这些义务可能包括安全评估、事故报告、文档记录，以及向合格监管机构披露信息。

作为回报，这些企业也会获得有价值的东西。一套连贯的联邦框架可以取代相互冲突的义务，并使全国范围的产品规划更具可预测性。

较小的开发者需要与其规模相称的要求。初创企业不应承担与训练最大型通用模型的企业相同的文档负担。

然而，规模本身不应决定监管覆盖范围。小型供应商仍可能提供影响数千项就业或住房决定的系统。

企业买方面临的是另一组压力。它们不能再将供应商的保证视为部署适当性的充分证据。

银行、医院、雇主或政府机构比模型开发者更了解自身的运营环境。它必须测试该系统是否适合相关的决策、群体和法律义务。

采购团队需要更完善的记录。合同应明确评估访问权限、更新通知、数据处理、事故协作，以及下游集成的责任。

开发者还需要提供有用的文档。关于负责任 AI 的笼统表述，无法帮助买方评估具体工作流程。

这种变化将直接影响知识工作者。使用 AI 进行摘要或起草的员工，面临的风险不同于利用 AI 评估绩效的管理者。

组织必须区分辅助性使用和决策性使用。第二类需要更强的审查、文档记录和申诉流程。

这正是内部知识实践变得相关的地方。团队需要可靠的记录，以显示哪些来源、提示词、版本和人工判断塑造了一项重要输出。

一个可搜索的 technical knowledge base 可以支持这项工作。它不能取代合规，但可以保留审计和事故审查所需的证据。

联邦机构将面临建设技术能力的压力。没有人员或基础设施的新权限，只会造成漫长的积压和不一致的执法。

州级官员将围绕保留权限进行艰难谈判。他们会反对使儿童安全、民权、消费者保护或选举规则失效的宽泛表述。

科技公司将推动明确的全国性边界。公民社会团体则将推动救济、独立评估和信息获取。

法院仍将发挥重要作用。它们将解释法定术语、审查机构规则，并解决有关联邦优先权的争议。

国会无法消除这些冲突。但它可以通过制定精确的定义，并说明联邦与州的责任如何衔接，来缩小这些冲突。

市场也会作出反应。明确的义务将创造对评估、审计、文档记录、监测和治理服务的需求。

这一市场可以改善问责，但也会引入利益冲突。由被审计企业付费的审计机构需要专业标准和监督。

用户应当关注，因为治理会影响产品设计。通知要求会塑造界面。文档义务会塑造企业功能。责任规则会影响企业发布哪些系统。

因此，联邦法律可以在不规定模型架构的情况下，改变日常 AI 使用。它会改变围绕测试、部署、记录保存和响应的激励机制。

Google News 读者接下来应关注什么

三个信号将揭示华盛顿是在构建可问责的 AI 治理，还是仅仅在为排除州级规则扫清道路。

第一个信号是实际的立法文本。只有当立法者定义受覆盖系统、义务、执法、救济和联邦优先权时，原则和建议才不再具有政治上的弹性。

一项严肃的法案会说明，联邦保护措施将取代哪些被排除的州级要求。如果它广泛排除州级规则，却只提供研究或自愿性指导，Brookings 的批评就会更有力。

第二个信号是对州级权限的处理。立法者必须明确哪些保护措施仍然有效，以及哪些领域需要由联邦独占管辖。

请关注儿童安全、就业、民权、欺诈、消费者保护、选举、基础设施和政府采购周围的边界。模糊的例外将把核心政策争论推向法庭。

经过协商的底线与上限结构，将强化达成持久妥协的理由。无限制的暂停期将重启曾击败 2025 年提案的联盟。

第三个信号是执法能力。任何法案都应明确负责机构、其调查权限、技术支持、资金以及协调流程。

一部建立大量报告要求、却不赋予监管机构分析提交材料能力的法案，只会制造合规表演。一部拥有审计访问权和有针对性权限的法律，则将代表实质性转变。

立法载体同样重要。附加在预算或国防立法中的 AI 条款可能迅速推进，但压缩的谈判可能掩盖重要的联邦优先权措辞。

独立的委员会听证会提供更多公开审查，但在分裂的国会中也面临更艰难的推进路径。

读者应将企业的反应视为其激励机制的证据，而非中立评价。开发者会强调合规的复杂性。倡导组织则会强调伤害，以及获得救济途径的问题。

两种视角都包含有用信息。国会必须将其转化为依据控制力与风险分配义务的规则。

“联邦 AI 框架”这一表述已经不够了。白宫、科技公司、各州和问责倡导者都可以支持它，同时却设想截然不同的法律。

这种模糊性解释了为何 Brookings 的警告会通过 Google News 获得关注。当前真正的问题是，国会将规制 AI 权力，还是仅仅围绕它重新划分管辖权。

关注法案文本，而非口号。核查人们是否获得可执行的权利，监管机构能否审查证据，以及各州是否会在同等保护措施建立之前失去权力。

这些细节将决定一项新法律是建立问责机制，还是仅仅带来一致性。它们也将决定 Google News 的下一条标题，标志的是实质立法、又一次失败的暂停令，还是又一个默认治理的年份。