国会在公共风险加剧之际搁置联邦 AI 框架

尽管数月来不断有人警告安全、就业、儿童和数据中心相关风险，国会在 8 月休会前仍未推动联邦 AI 框架走出委员会。延误至关重要，因为各州已不再等待华盛顿行动。在联邦立法者仍就谁应监管 AI 存在分歧之际，各州正围绕现实世界的危害制定更具针对性的规则。

白宫于 2026 年 3 月向国会提交了一份国家政策蓝图，呼吁加强儿童保护、制定知识产权规则、做好劳动力准备、建立能源保障措施，并对州级监管施加广泛限制。五个月后，这些建议尚未形成一项有望在两院获得通过的综合性联邦法案。

这一缺口构成了美国 AI 政策的核心冲突。华盛顿希望实现全国统一，而各州希望在联邦保护措施出台前保留行动权。这场争议已不再只是围绕监管设计的技术分歧。它如今影响电费、招聘决策、聊天机器人安全、模型测试，以及 AI 公司的政治影响力。

国会有提案，但没有联邦 AI 框架

决定性事实并非国会缺少 AI 提案，而是没有任何提案形成了治理共识。

白宫于 3 月 20 日发布了其 AI 政策框架。该框架要求立法者建立全国性方案，但不设立新的联邦 AI 监管机构。

其建议涵盖儿童安全、AI 基础设施的地方影响、知识产权、政府对言论施压、劳动力准备以及执法。政府还希望国会以联邦法优先于州法，排除其认为会给 AI 开发带来过重负担的州级法律。

联邦优先权意味着联邦法律取代涵盖同一议题的州级规则。其范围决定各州是否仍有权处理自动化招聘、模型透明度、歧视和聊天机器人互动等问题。

这一问题一再阻碍达成协议。许多共和党人和科技公司认为，不一致的州级规则会提高合规成本并拖慢国内发展。民主党人、州政府官员和消费者权益倡导者则通常反对在国会制定可执行的联邦保护措施之前剥夺州级权力。

众议院共和党领导人欢迎白宫提案，但两党对全国标准的赞誉并未化解这一分歧。双方仍在责任、执法、安全测试以及各州应保留多少权力等问题上存在分歧。

国会也考虑过更狭窄的立法。相关法案涉及深度伪造、政府采购、儿童网络安全、研究、国家安全、劳动力培训和 AI 基础设施。这些措施显示了立法活动，但并未汇聚成一套可执行的全国性体系。

一份名为《伟大美国人工智能法案》的两党讨论草案于 6 月出现。根据 草案法案报道，其 269 页内容将联邦要求与对某些州级法律为期三年的限制结合起来。

该草案表明，立法者能够将宽泛原则转化为立法文本。但它也暴露了同样悬而未决的问题。批评者称，其联邦规则将成为上限，阻止各州应对新出现的危害。

参议员 Mark Warner 在 7 月提出了另一条路径。他的 AI 立法议程结合了模型安全、劳动力投资、基础设施规划、儿童保护和国家安全措施。

Warner 提议为最先进模型设立强制性的安全测试环境。他的方案还包括参照航空业实践的自愿安全事件报告。其他条款则聚焦于工人培训和支撑 AI 的实体基础设施。

该议程将政策讨论拓展到了州级优先权之外。然而，它并未立即开辟一条能通过多个委员会和两院的两党路线。

管辖权是另一项障碍。AI 政策涉及商业、司法、科学、劳工、国土安全、情报、能源和武装部队。每个委员会只掌握议题的一部分，议员们对可接受风险也没有统一定义。

结果是法案众多，却没有统一的立法中心。国会可以举行听证会、提出一揽子方案，同时继续推迟最艰难的选择。

Google News 搜索可能让这些活动看起来比实际更具连贯性。读者会看到源源不断的框架、听证会、行政命令和单项法案。但制度层面的结果依然简单：国会尚未颁布全面的联邦 AI 规则。

这一区别解释了当前放缓为何重要。政府并非从零开始，而是在努力协调那些以根本不同方式分配权力、责任和执法的提案。

州级法律正在填补联邦真空

联邦每拖延一个月，各州在决定美国人如何接触 AI 方面的作用就会更大。

根据一份 美国国会研究处审查报告，在 2025 年立法季，各州立法者提出了 1,000 多项包含 AI 一词的法案。至少有 48 个州和波多黎各参与其中。

这些法案并非都提出全面的模型监管。许多法案聚焦于自动化系统可能产生直接后果的具体场景。就业、教育、医疗保健、保险、选举、警务和消费者披露持续受到关注。

这种有针对性的方法在政治上具有重要意义。早期提案有时试图对开发者在多种用途中的行为施加广泛义务。州长和行业团体反对他们认为难以执行、或对小公司成本过高的措施。

较新的法案往往转而监管某项决策或互动。例如，一个州可以要求雇主使用自动化系统时发出通知；也可以限制欺骗性的合成媒体，或为与儿童交流的聊天机器人制定规则。

加州立法者考虑限制雇主完全依赖 AI 对员工进行处分或解雇。他们还寻求为涉及未成年人的聊天机器人互动增加保障措施。

康涅狄格州要求在员工或求职者与就业相关 AI 系统互动时进行披露。其他州则处理了政治深度伪造、自动化歧视和高风险决策透明度问题。

这些法律增加了合规复杂性，但也反映了不同的地方关切。面临数据中心快速建设的州可能优先关注用水和电力。另一些州则可能聚焦于生物识别隐私或自动化就业决策。

白宫将这种多样性视为碎片化的拼凑局面。其偏好的联邦 AI 框架会保留部分州级权力，同时阻止直接监管模型开发或对开发者施加广泛责任的规则。

反对者则以不同的方式看待这一顺序。他们认为，国会应先建立有意义的全国性保护措施，再限制各州。没有联邦执法的优先权会移除现有保障，同时让受影响居民获得更少的救济途径。

参议院在 2025 年直面了这一担忧。一项拟议的、为期十年的州级 AI 监管限制被以 99 比 1 的投票结果从一项重大预算法案中删除。

这一结果并未永久解决政策问题。但它表明，对广泛联邦优先权的反对跨越了党派界限，也超出了传统科技批评者的范围。

此后，州总检察长和立法者持续敦促国会保留地方权力。他们的论点部分基于制度时机：在国会讨论未来体系之际，各州已在调查危害并通过规则。

政府试图通过行政行动影响这一平衡。2025 年 12 月的一项命令指示联邦机构识别并挑战被视为阻碍国家 AI 政策的州级法律。

行政权力难以轻易替代立法。机构可以提起诉讼、为符合条件的资金附加条件，并影响采购；但它们无法建立与国会能够立法确立的、同样持久的全国性责任和执法结构。

法律挑战还将迫使法院审查联邦政府的法定权力。这会为公司、州政府官员以及受自动化系统影响的人带来另一段不确定时期。

对企业而言，逐州推进的方式带来真实的运营成本。团队必须识别哪些系统受每项法律约束，记录决策流程，更新通知，并管理不同的生效日期。

这些成本并不能证明联邦优先权就是正确答案。它们说明，即使监管机构尚未提起案件，缺乏联邦立法也已产生后果。

对个人而言，实际问题更简单：如果 AI 系统拒绝一项申请、推高水电费，或让儿童接触有害内容，哪个政府既拥有管辖权，又能提供可行的救济？

国会尚未在全国层面回答这个问题。各州正在零散地作出回答。

AI 风险的推进速度快于立法日程

国会正在讨论制度性权力，而 AI 风险已在日常工作、基础设施和消费者服务中变得可见。

儿童安全已成为少数获得广泛口头共识的领域之一。两党立法者都表示，对话系统不应操纵未成年人或提供危险指引。

对目标的共识并未转化为对实施方式的共识。立法者仍在年龄验证、平台责任、家长控制、隐私以及 AI 专项规则与更广泛网络安全法案之间的关系上存在分歧。

就业领域也面临类似问题。公司可以使用 AI 筛选申请、监控表现、推荐排班，或辅助纪律处分决策。每种用途涉及不同程度的人工监督，也会给员工带来不同后果。

披露规则只会告诉个人自动化正在介入。它并不一定解释所使用的数据、得出结果的原因，或可用的申诉程序。

因此，联邦立法者必须决定，仅有透明度是否足够。他们还必须确定，组织何时需要测试、文档记录、人工审查或法律责任。

模型安全带来了更艰巨的挑战。前沿模型是在大规模基础上训练的通用系统，能够支持众多下游应用。监管者无法在部署前预测每一种用途。

Warner 的提案通过安全测试和事件报告来应对这种不确定性。受控测试环境可以帮助在广泛发布前审查网络安全或国家安全风险。

然而，测试并不能提供完整保证。模型在部署后会因更新、集成、工具和用户行为而发生变化。一项基准测试结果无法代表系统将运行的每一种环境。

强制性事故报告可以帮助监管机构发现反复出现的故障。其价值取决于明确的门槛、保密保护、执法力度，以及政府分析报告的能力。

白宫倾向于采取更轻量的联邦框架，重点支持创新并依托现有监管机构。其认为，过度的责任追究可能抑制投资并削弱美国的竞争力。

这种对竞争力的担忧具有政治分量。美国希望本土企业在先进模型、芯片、云基础设施和 AI 应用领域保持领先。立法者也将 AI 能力视为国家安全资产。

然而，全球竞争并不会消除国内风险，而是改变了其中的权衡。国会必须决定，哪些保障措施能够减少可预防的伤害，同时又不会制定只有最大型企业才负担得起的规则。

一个完全以自愿承诺为中心的框架会留下执法缺口。一套僵化的许可制度则可能通过施加小型开发者无法承担的成本，巩固既有企业的地位。

因此，立法延误不能被简单归结为漠不关心。政策选择涉及速度、问责、竞争、联邦主义和技术不确定性之间真实存在的冲突。

尽管如此，复杂性并不能免除责任。国会一贯对技术不断变化、信息不完整的行业进行监管。它可以更新标准、将技术工作授权给相关机构，并要求机构审查规则。

随着 AI 系统获得对工具和敏感信息的访问权限，延误的影响变得更加重大。起草文本的助手构成一类风险；发起交易或更改业务记录的系统则构成另一类风险。

由于联邦法律对 AI 的专门指引有限，各组织已经在制定内部控制措施。它们维护模型清单、审批记录、事故日志和人工审查程序。

知识工作者面临相关挑战。他们需要区分模型输出与可信证据，并保留重大决策背后的语境。一个可搜索的AI 知识库可以支持这种规范，但软件无法取代可执行的权利。

监管问题关乎内部控制失效时由谁承担责任。国会尚未在各行业或应用场景中确立一致答案。

这使得监管机构只能在可能的情况下适用较旧的法规。即使国会尚未颁布 AI 法案，消费者保护、民权、劳动、金融、健康和版权法律仍然适用。

现有法律可以应对欺骗或歧视问题，但未必能施加在伤害发生前识别问题所需的文件记录、测试和报告义务。

因此，部署速度与立法速度日益扩大的错配构成核心风险。AI 的采用通过产品发布和企业合同推进；国会则通过委员会、谈判和选举周期推进。

数据中心将 AI 政策变成一场地方成本之争

当 AI 的实体基础设施开始影响土地、水资源、电力系统和家庭公用事业成本时，联邦层面的辩论发生了变化。

AI 常被视为软件，但先进模型依赖于装满处理器、网络设备、存储设备和冷却系统的数据中心。这些设施需要大量电力和实体基础设施。

社区通过分区申请、输电项目、水资源规划、税收优惠、施工交通以及电力需求可能发生的变化，切身感受到这种扩张。

跨越政治立场的地方反对声音正在增长。一些居民反对用水或工业开发；另一些人则质疑，税收优惠和承诺提供的就业岗位是否足以证明基础设施成本的合理性。

这些担忧削弱了“单一全国性规则能够解决所有 AI 争议”的观点。模型安全可能需要联邦层面的专业知识，而土地利用和公用事业规划传统上涉及州和地方权力。

白宫框架承认了电费用户问题。它呼吁出台政策，防止家庭承担由大型 AI 设施造成的电力基础设施成本。

多家大型科技公司作出自愿承诺，承担与其数据中心电力需求相关的成本。要将此类原则写入法律，需要针对发电、输电、并网和公用事业核算制定细致规则。

承诺比执行更容易宣布。成本可能通过多种渠道出现，包括新建变电站、电网升级、备用容量和长期购电合同。

监管机构必须确定哪些投资服务于单一客户，哪些投资惠及更广泛的电网。这种计算因公用事业辖区和州监管体系而异。

国会议员已提出涉及数据中心信息披露、联邦土地、能源需求和地方影响的法案。一些立法者希望加快审批，因为他们将基础设施能力视为国家 AI 领导地位的关键。

另一些人则希望暂停。参议员伯尼·桑德斯和众议员亚历山德里娅·奥卡西奥-科尔特斯提出了一项AI 数据中心法案，将在国家层面的保障措施到位前暂停某些建设项目。

该提案将基础设施直接与更广泛的 AI 治理相联系。其支持者援引了电力、水资源、劳工、隐私、社区参与和经济分配等问题。

全国性暂停令在政治上面临很大阻力。不过，它揭示了这场辩论已远远超出抽象模型规则的程度。

如今的主要对立在于：缺乏可执行保护措施的全国统一性，与针对即时成本作出回应的州和地方行动之间的冲突。数据中心让这种矛盾变得可见，因为社区无法无限期推迟基础设施决策。

一个县必须决定是否批准项目。公用事业公司必须规划需求。州监管机构必须决定由谁为升级改造买单。

国会可以拖延一项全面法案，而不冻结这些决定。这种不对称性使州和地方政府对 AI 增长条件的影响力不断增强。

科技公司也面临战略压力。如果它们在联邦立法仍陷入停滞时反对地方限制，就可能被视为试图摆脱两个层级的监管。

当州规则开始趋同时，一些公司已缓和对其的抵制。一致的州级要求最终可能类似于事实上的国家标准，即便没有国会法案也是如此。

这种结果的效率会低于联邦立法，但在制度上具有可行性。隐私政策曾遵循类似模式，由各州填补国会留下的空白。

数据中心争议可能加速这一进程。与假设中的未来模型风险不同，电费账单和土地利用冲突会形成有组织的地方选民群体。

这些群体并不完全契合全国政党的类别。保守派可能反对其社区附近的工业项目；进步派可能反对环境成本和企业集中化。

2026 年选举周期加大了压力。候选人可以从不同意识形态立场批评 AI 公司，同时提出彼此不相容的政策方案。

Google News 的报道反映了这种碎片化：一则标题强调安全事故，另一则聚焦就业，还有一则追踪地方对数据中心的反对。国会最终必须在一个可行的法律框架内将这些担忧联系起来。

没有护栏的优先适用是核心权衡

联邦标准可以减少监管冲突，但如果它在替代州级保护之前就将其移除，便会变得危险。

支持联邦优先适用的人提出了严肃论点。面向全国客户提供服务的模型供应商，无法为数十项相互冲突的技术标准重新设计其核心系统。

碎片化也可能损害较小的公司。大型平台可以雇用合规团队、在每个州聘请法律顾问，并建立独立的报告系统。初创企业拥有的资源更少。

统一规则在建立清晰基线时可以提升问责性。联邦法律可以界定高风险用途、确立测试义务、指定监管机构权限，并提供一致的救济措施。

问题在于顺序。国会一再讨论阻止州法律，却未先就联邦底线达成一致。

监管底线设定最低保护要求，同时允许各州采取更严格行动。监管上限则阻止各州进一步加码。当前许多争议都关乎联邦立法应处于这两种模式之间的什么位置。

白宫的做法倾向于高度统一性，并限制开发者的责任。批评者称，这将保护企业免受州级执法，同时将过多责任置于下游用户身上。

开发者责任之所以棘手，是因为通用模型支持不可预测的应用。让开发者为每一种滥用负责并不可行。

但完全免除开发者责任也会产生薄弱的激励。开发者控制训练、评估、发布决策、安全功能，以及用户无法获得的技术证据。

可信的联邦 AI 框架需要在每一层分配责任。开发者应处理其能够合理测试的风险。部署者应评估语境、数据和人工监督。用户仍应为故意滥用负责。

国会还必须选择执法模式。现有机构拥有行业专业知识，但没有任何单一机构能够看到整个市场。

新监管机构可以集中技术知识，但也可能造成管辖权冲突、延误部署，并容易受到政治俘获。

白宫反对设立新的 AI 机构。这使国会面临不同监管机构之间的协调问题，它们的权力和资源各不相同。

NIST 通过其 AI 风险管理框架提供自愿性技术指引。该框架帮助组织识别和管理风险，但其本身并不产生法律义务。

当买方、保险公司、法院或监管机构为采用标准创造激励时，自愿性标准效果最佳。当造成风险的组织不承担全部成本时，它们的效力较弱。

同样的问题也适用于自愿性事故报告。当保密和法律保护明确时，公司可能会报告事件；当披露带来声誉或诉讼风险时，它们可能保持沉默。

国会可以设计安全港条款，在不宽恕疏忽的前提下鼓励报告。航空业提供了有用参考，但软件事故不同于交通事故。

AI 系统分布广泛、频繁更新，并嵌入由不同公司运营的产品中。确定何时一项事件构成应报告事故，需要技术上的精确界定。

批评者还警告，联邦立法可能将当下的假设固化为法律。AI 能力和商业模式持续变化，因此定义可能很快过时。

这种风险支持采用可调整的标准和定期审查，但并不能为无限期不作为提供正当理由。

国会可以要求机构更新技术标准，同时保留明确的法定权利。它还可以对试验性条款采用日落条款。

最夸大的说法是，任何单一框架都能让 AI 变得安全。监管可以改善激励机制、透明度、证据要求和救济途径，但无法消除不确定性或恶意行为。

相反的夸大说法是，监管必然会扼杀创新。安全测试、文档记录和事件报告，早已是其他重要行业的标准做法。

真正有意义的问题是，哪些义务与哪些风险相匹配。提供娱乐服务的聊天机器人，不应与影响医疗护理或关键基础设施的系统受到同等管控。

基于风险的监管听起来很直接，但分类本身会引发争议。公司可能会辩称，某款产品不属于高风险类别。监管机构需要获取证据，才能评估这一说法。

这让争论回到了可执行性。宽泛原则容易获得两党表态支持。具有约束力的定义、审计、责任与救济，决定了一项法律能否改变行为。

国会依然进展缓慢，因为这些细节涉及权力与成本的分配。联邦 AI 框架之争，归根结底是关于谁必须在伤害发生前采取行动，以及事后由谁承担代价。

三个信号将显示国会能否推进

下一阶段将取决于委员会行动、州级执法，以及联邦政府对模型或基础设施事件作出的具体回应。

第一个信号是，综合性提案是否会进入委员会审议。审议是立法者就法案文本进行辩论、修正和表决的正式会议。

任何全国性框架都无法仅靠表态推进。委员会采取行动，意味着领导层已解决足够多的管辖权和党派分歧，能够开始检验具体条款。

最重要的细节包括优先适用权、开发者责任、监管机构权限和个人救济。一项回避这些问题的法案，无法解决当前的冲突。

两党共同发起将强化取得进展的可能性，但并不保证法案能够通过。参议院否决广泛限制各州立法的提案表明，优先适用权议题可能使立法者偏离其通常所属的政治联盟。

如果一项框架在限制各州之前，先推进可执行的联邦保护措施，那么达成持久妥协的前景将有所改善。如果优先适用权先行，而保障措施仍然模糊，反对意见很可能会进一步强化。

第二个信号是州法律在实践中的运行情况。执法行动、合规指引和法庭挑战，将产生国会目前缺乏的证据。

如果州级规则被证明彼此兼容，并逐渐围绕共同义务趋同，那么“碎片化难以管理”的论点就会变弱。各州可以通过反复实践建立一个可行的基线。

如果相互冲突的定义或技术要求造成重大运营问题，那么联邦统一规则的理由就会更强。届时，国会将面对需要解决的具体冲突，而非假设性问题。

针对政府行政战略的法律挑战同样重要。法院可能会澄清，在没有新立法的情况下，联邦机构能够推进到何种程度。

联邦政府若成功挑战一项州法律，将增强行政部门的影响力。司法否决则会进一步凸显国会直接行动的必要性。

第三个信号是政府对重大 AI 事件或基础设施冲突的回应。当抽象风险变成有明确受害者的可见事件时，华盛顿往往会采取行动。

这类事件可能涉及儿童安全、网络安全、自动化歧视、关键基础设施，或数据中心成本争议。具体类别的重要性，不及国会的制度性回应。

听证会和函件可以收集事实，但无法建立持续性的报告、检查或救济机制。

严肃的回应会将事件与持久立法及机构能力建设联系起来。象征性的回应则会推出措辞狭窄的法案，却无法解决底层框架问题。

开发者和企业买家应密切关注这些信号。联邦要求可能改变模型评估、文档记录、采购、事件管理和合同条款。

州级行动已经影响这些做法。组织不应假定未来的联邦法律会消除所有地方义务。

团队需要保留记录，说明其使用了哪些模型、哪些数据被输入模型、由谁批准高风险用途，以及人们如何能够挑战具有重大影响的结果。这些记录有助于合规，也能改善内部决策。

劳动者和消费者应关注救济问题。如果个人无法更正数据、请求人工审查或质疑有害决定，透明度的价值就十分有限。

围绕 AI 的政治语言将在中期选举前进一步升温。一些候选人会将监管描述为防范企业权力集中的保护措施，另一些人则会把它视为对美国竞争力的威胁。

这种修辞可能掩盖共识领域。立法者普遍认识到对儿童、基础设施、国家安全和劳动者的风险，但他们在执法与联邦主义问题上存在分歧。

下一个有实质意义的发展，不会是又一份支持负责任创新的笼统声明，而会是明确分配义务、并通过委员会表决的立法文本。

在此之前，州政府将继续制定实际规则，机构将继续扩展现有权限，公司则将应对不一致的义务。各地社区也将继续在缺乏明确国家政策的情况下作出基础设施决策。

通过 Google News 关注这一议题的读者，应当将公告与制度性进展区分开来。新的框架、演讲或听证会会改变讨论；只有正式颁布的规则才会改变全国法律基线。

国会面临的问题不再是 AI 是否值得关注，而是立法者能否接受治理它所需的取舍。

关注委员会，而不是口号。追踪联邦保护措施是否会在州权被削弱之前落地。随后再审视，最终形成的制度是否会在 AI 影响人们的工作、家庭、信息和社区时，赋予他们可实际行使的权利。