EFF 敦促 FTC 撤回拟议的 AI 准确性政策

尽管 FTC 将其描述为消费者保护措施，电子前沿基金会已直接质疑该机构拟议的 AI 政策。

这场争议最初以另一则关于人工智能的 google news 标题出现，但其实际影响要大得多。该提案可能重塑联邦官员评判模型准确性、安全控制、偏见缓解措施以及是否遵守州法律的方式。

联邦贸易委员会表示，企业若暗中将 AI 输出引向意识形态目标，可能会欺骗消费者。EFF 及其盟友则认为，该提案将一项合理担忧转化为一种危险且模糊的执法理论。

这一区别至关重要，因为每一种通用 AI 系统都会被引导。开发者会选择训练数据、评估方法、安全规则、拒答政策、系统提示词和产品目标。这些选择会影响模型说什么，以及拒绝说什么。

因此，核心冲突并非准确与不准确之争，而是消费者保护与联邦层面试图界定哪些模型目标属于正当目标之间的冲突。

FTC 在收到特朗普政府的指示后，就该提案开放征求意见。该机构还将其理论与要求企业评估或减少歧视性结果的州法律联系起来。

这一关联使科罗拉多州及其他州成为潜在目标。它也迫使 OpenAI、Anthropic、Google、xAI 和规模较小的开发者重新考虑如何描述模型行为。

该提案尚不是具有约束力的规则。不过，执法政策仍可能通过表明该机构打算调查哪些做法，进而改变企业行为。

对于开发者和企业采购方而言，这场辩论影响的不只是法律措辞。它决定了安全措施会被视为负责任的产品设计，还是被认定为企业故意压制某个所谓更准确答案的证据。

EFF 要求 FTC 放弃什么

EFF 的介入质疑的是 FTC 提案的基础，而非企业应当如实告知消费者这一基本原则。

FTC 于 2026 年 7 月 1 日发布拟议的“关于人工智能系统中压制准确性的政策声明”。公开征求意见期于 7 月 31 日结束。

随后，EFF 加入了要求该机构撤回提案的呼吁。其立场符合该组织一贯的警告：不应采取忽视具体用途、危害和技术限制的一刀切 AI 政策。

该提案适用禁止不公平或欺骗性商业行为的《FTC 法》第 5 条。根据拟议政策，消费者通常期待 AI 系统追求真实且准确的输出。

这一出发点看似常规。企业不应将不可靠的产品宣传为绝无谬误、客观中立，或与合格专业人士能力相当。

随后，FTC 采取了更具争议的一步。它表示，未披露的意识形态目标可能会使系统偏离用户所要求或合理期待的输出。

按照这一理论，如果这种引导实质性影响消费者使用或购买产品的决定，就可能构成欺骗。企业的动机不能成为免责理由。

该机构将故意引导与幻觉区分开来；幻觉指看似合理但缺乏依据的模型输出。它表示，普通技术错误并不会自动违反第 5 条。

拟议政策所关注的，是据称将其他目标置于准确性之上的设计选择。这些目标可能涉及政治、公平、安全，或遵守州级要求。

FTC 还提出，相互冲突的州法律可能会被默示排除适用。默示排除适用是指，联邦法律在国会未明确说明的情况下凌驾于州级要求之上。

科罗拉多州《人工智能法》尤其受到关注。FTC 暗示，如果某项州级要求迫使企业扭曲真实输出，就可能与联邦法律发生冲突。

这种表述引发了 EFF 呼吁中所反映的强烈反对。问题不在于隐藏操纵是否应受保护，而在于对于生成式模型而言，“准确性”“意识形态”和“消费者预期”仍缺乏明确界定。

《联邦公报》公告承认，偏见的确切界线可能难以划定。然而，这种不确定性恰恰处于拟议执法标准的核心。

委员会以 2 比 0 的投票结果批准发布该提案。该投票授权的是公开征询，而非对任何 AI 企业作出最终法律判断。

因此，读者应将 EFF 的行动视为政策形成过程中的一次介入。它不是法院胜诉、已完成的规则制定程序，也不意味着提案已被取消。

不过，撤回提案将带来实际后果。这将迫使 FTC 回归范围更窄的欺骗案件，依据具体营销主张、有据可查的行为和可衡量的消费者损害来执法。

FTC 为何认为 AI 准确性需要联邦保护

FTC 最有力的论点是，即使模型无法提供中立或始终正确的答案，企业仍在销售信任。

AI 开发者很少将产品营销为随机文本生成器。他们将其定位为能够回答问题、分析证据、解决问题并支持重要工作的助手。

FTC 认为，这些表述会形成合理预期。客户可能会假定，系统会在其已知的技术和资源限制内追求所请求的目标。

当企业暗中以另一个目标取代该目标时，由此产生的输出可能违背这一预期。隐藏在产品条款中的披露未必能修正整体印象。

传统欺骗法本已审查陈述、遗漏、理性消费者和重要性。重要信息是可能影响消费者选择或行为的信息。

FTC 正试图将这一熟悉框架应用于模型行为。其理论并不要求在每一项可能的执法行动之前都先制定新的联邦 AI 法律。

该机构也有挑战夸大 AI 声明的记录。过去的案件涉及自动化法律服务、人脸识别、安全筛查和 AI 支持的商业机会等相关主张。

这些案件呈现出相对清晰的模式：供应商承诺可衡量的能力，证据与承诺相矛盾，消费者遭受财务或实际损害。

拟议声明则延伸至更困难的一类问题。它追问，嵌入模型的目标本身是否会使其营销构成欺骗。

FTC 主席 Andrew Ferguson 将这一问题描述为对 AI 系统的意识形态颠覆。在该机构的准确性公告中，他请企业和消费者报告相关经历。

支持者可以举出可信的例子。一款被宣传为政治中立的模型，可能系统性偏向某一政党，而其提供商却隐瞒了为此设置的刻意指令。

一款健康助手可能因为运营方希望推进无关的政治目标，而悄然省略具有医学相关性的信息。一款研究产品可能压制与其所有者立场相矛盾的来源。

这些情况可能涉及真实的欺骗。买方无法评估一种以实质方式改变产品行为、却未被披露的目标。

FTC 还担心企业会躲在宽泛的免责声明之后。消费者法通常会评估广告、界面、文档和实际运行所共同形成的整体印象。

对于企业而言，担忧不止于单个聊天机器人回答。组织正日益将模型连接到文档检索、客户支持、软件开发和内部决策工作流程中。

隐藏目标随后可能在大量输出中传播。它可能影响从未选择原始模型或审阅其条款的员工。

因此，不能仅将该提案斥为一份文化战争文件。它确实指出了商业 AI 中一个正当的透明度问题。

其弱点在于政策所选择的划分界线。它将“意识形态”引导视为尤其可疑，却没有建立可靠方法来区分意识形态与安全、质量或合法治理。

这种模糊性给企业留下一个棘手问题：是否必须披露每一个会改变统计上可能出现的模型响应的政策目标？

答案不可能是“所有目标”。模型涉及数千项设计选择，穷尽式披露会淹没用户，却无法提升有意义的问责。

答案也不可能是“任何 FTC 日后不喜欢的目标”。这种做法会以可随政治变化的执法偏好取代消费者预期。

Google News 标题掩盖了一场关于真相的争斗

核心权衡在于：一方面惩罚隐蔽操纵，另一方面防止赋予联邦官员广泛权力，将模型保障措施贴上意识形态扭曲的标签。

生成式 AI 并非从固定数据库中提取一句唯一客观正确的句子。它依据学习到的模式、指令、上下文、采样选择和产品限制生成回答。

即使是事实性提示，也可能支持多种有用答案。简洁回应、详细解释和谨慎拒答，各自优化不同目标。

准确性也因领域而异。历史日期可以直接核查，而政治分析则取决于框架、证据选择和存在争议的定义。

因此，模型开发者会结合多个目标。他们追求有用性、事实性、安全性、法律合规、隐私保护，以及抵御有害请求的能力。

对齐是将模型行为塑造成符合这些目标的过程。它包括训练技术、评估、政策和运行时控制。

禁止未披露的意识形态对齐听起来很简单，直到监管机构开始决定哪些形式的对齐属于此类。几乎每一项安全决策都基于对可接受风险的价值判断。

设想一个要求模型根据人口统计信息推断申请人适合程度的请求。阻止该请求可能保护隐私并减少歧视。

批评者可能会称这种拒答具有意识形态色彩，因为它阻止了不受约束的回答。开发者则可能称其为必要的风险控制。

再考虑一项要求高风险自动化系统进行影响评估的州法律。企业在发现结果不平等后，可能会调整模型或下游流程。

FTC 的提案提出，这种调整可能压制准确性。这一论点假定，未经修改的模型输出提供了恰当的事实基准。

机器学习系统并不会自动证明这一假定成立。历史数据可能编码了不平等执法、有限获取、测量缺口和制度性歧视。

将模型优化为复现历史标签，可能提高基准准确率，却会让那些在数据集中被遗漏或被错误呈现的人面临更糟糕的决策。

EFF 此前曾主张，AI 政策应审视特定情境中的具体伤害。其 AI 政策框架拒绝不加质疑的采纳，也反对一刀切的限制。

这一方法形成了重要对比。FTC 的提案从消费者预期这一宽泛概念出发，再用它评估多种不同系统。

EFF 则从一种用途、一个行为主体、一个受影响的人以及已被证明的伤害出发。随后，它会追问何种法律或技术回应适合该情境。

这种差异既是程序上的，也是理念上的。针对具体情境的案件要求政府记录发生了什么，以及为何它会伤害消费者。

宽泛的政策声明会向企业发出预先警示，但也会增加不确定性。当机构领导层更迭时，执法重点可能随之转变。

政治背景让这一风险更加明显。该提案是在一项总统指令之后提出的，该指令涉及据称会改变 AI 模型“真实输出”的州法律。

政府还抨击了其所谓的“woke AI”。这一说法将偏见缓解、安全设计、历史诠释和党派偏好压缩为一个政治类别。

围绕类似概念建立的执法政策，会招致基于观点的压力。企业可能为了避免被视为带有意识形态动机，而削弱正当的安全保障措施。

它们也可能在不提升产品透明度的情况下重写公开文档。法务团队可以用几乎不透露信息的笼统措辞，取代清晰的解释。

这将削弱提案所宣称的目的。消费者需要的是关于重要产品行为的可理解披露，而不是模型追求真相的抽象保证。

Google News 的叙事框架让这一事件看起来像是倡议团体与联邦机构之间的又一场争端。更深层的问题是谁有权定义默认答案。

任何模型都不可能没有默认设置。政策问题在于，这些默认设置是否得到披露、测试，并与消费者伤害的证据相联系。

AI 公司面对的是相互冲突的规则，而非中立性测试

该提案给 AI 提供商带来压力，因为联邦执法、州监管、产品安全和用户需求可能指向不同方向。

OpenAI、Anthropic、Google、Meta 和 xAI 都会塑造模型行为。它们的方法各不相同，但没有一家能提供通往客观真相的未经筛选的窗口。

提供商会选择数据、移除部分内容、创建评测集，并编写可接受使用政策。当测试揭示有害或不可靠的模式时，它们也会更新模型。

一些控制措施防止明显滥用，包括生成恶意软件或泄露个人信息。另一些则管理政治劝说或医疗建议等存在争议的领域。

FTC 的提案并未禁止这些控制措施。它表示，当未披露的目标压倒消费者的合理预期时，企业可能面临欺骗风险。

然而，不同产品和用户的消费者预期各不相同。青少年、医生、软件工程师和政治竞选团队，可能会对同一模型期待不同的边界。

企业客户还会增加合同要求。它们可能要求隐私控制、区域合规、审计记录，以及对特定数据来源的限制。

州政府又构成了一层监管。科罗拉多州的法律聚焦于用于重大决策的高风险系统，并寻求防范算法歧视。

其他司法辖区则强调隐私、生物识别数据、就业决策或透明度。开发者通常会采取可同时满足多项义务的共用控制措施。

FTC 的联邦优先权措辞可能会让合规变成陷阱。企业可能一方面面临州层面减少歧视性结果的压力，另一方面又因改变输出而受到联邦审查。

法律分析人士指出，该提案留下了许多重大未决问题。其中包括准确性如何适用于非确定性系统，以及哪些披露足以解释引导机制。

非确定性系统可能会对同一提示产生不同回应。这种可变性使得任何声称某个答案代表模型未经改变的真相的说法都更加复杂。

FTC 可能会回应称，其针对的是目标而非单个输出。然而，要证明某个目标，需要关于内部政策、测试和高管决策的证据。

这种调查可能暴露专有方法，却无法提供可靠的中立性衡量标准。它也可能偏袒拥有庞大合规团队的大型企业。

规模较小的开发者可能会采取最保守的可用政策。它们无法为围绕某项安全规则是否暗含意识形态的长期争议提供资金。

这种结果未必会催生限制更少的模型。反而可能巩固既有供应商的地位，因为它们能够承受调查并与监管机构谈判。

企业采购方也面临自身挑战。它们不能依赖模型“准确”“安全”或“无偏见”之类的笼统说法。

它们需要基于实际任务的测试。客户支持模型所需的证据，与用于总结临床文献的系统截然不同。

采购团队应记录模型版本、指令、数据来源、评估标准和已知失效模式。它们还应记录为何加入控制措施。

这些文档既支持问责，也支持运营记忆。一个可检索的知识库可以在法务、产品和工程团队之间保存决策。

目标并非为文书工作而文书工作，而是识别系统服务于何种目标，以及当其失效时由谁承担成本。

企业也应将营销与评估分开。“客观”“准确”或“专家级”等宣称，需要与明确任务相关联的证据。

模型可能在一项基准测试上表现良好，却在企业工作流中失败。基准测试是受控测试，而部署环境包含不断变化的数据和不可预测的用户。

无论 FTC 提案最终命运如何，清晰的产品限制仍然有用。EFF 的反对并不赋予企业隐瞒重大引导机制或夸大可靠性的许可。

相反，它警告不要建立一种联邦中立性测试，将政治标签当作技术和消费者证据的替代品。

FTC 提案仍未证明什么

该提案提出了一种可能的欺骗理论，但并未证明现行法律支持其关于州监管的最宽泛主张。

政策声明解释的是机构的执法立场。它们不能创造国会未授予的法定权限，法院也不会自动接受其法律结论。

FTC 法案显然适用于欺骗性商业行为。困难的问题在于，州法律要求的模型对齐是否构成此类行为。

该机构认为，遵守州要求并不能成为欺骗消费者的借口。当企业确实误导消费者时，这一普遍原则是合理的。

该提案进一步暗示，州要求与联邦监管体系之间存在冲突。这一联邦优先权理论仍可能受到挑战。

FTC 法案并未明确建立关于 AI 输出的全面全国框架。国会并未赋予委员会对模型准确性的专属控制权。

各州历来在消费者保护、就业、保险和民权领域行使权力。许多 AI 法律都在这些既有领域内运作。

法院很可能会审查具体州条款及其与联邦法律的互动。政策声明无法预先解决每一项未来冲突。

该提案的事实假设同样值得审视。它经常将准确性视为一种独立于安全或公平控制措施之外的目标。

对于狭义的事实性任务，这可能成立。但对于排序、推荐、风险评分和开放式对话，这一观点就不那么有说服力。

在这些系统中，开发者会在衡量性能之前定义目标。改变目标，也可能改变“准确”的含义。

一个经过训练以预测过去录用选择的招聘模型，可能会准确再现以往的招聘模式。但这并不能证明该模式公平地衡量了工作表现。

审核模型只有在有人定义了禁止类别之后，才能准确识别这些类别。该定义反映了法律、商业和社区层面的选择。

因此，FTC 需要的不仅是政治上有争议的输出案例。它需要证据证明消费者收到过重大承诺，以及未披露的行为与这些承诺相矛盾。

它还必须区分蓄意操纵与正常的模型变异。否则，只要公开回应在政治上变得不受欢迎，企业就可能面临审查。

EFF 的立场本身也带有不确定性。撤回将移除这项提案，但不会回答监管机构应如何处理被隐瞒的引导机制。

现有的欺骗案件或许能触及明显的营销不当行为。但当提供商几乎不披露内部目标、消费者也无法检查模型时，它们可能难以应对。

透明度要求带来另一项挑战。过多的技术披露可能让用户困惑、暴露安全控制措施，或帮助攻击者绕过保障机制。

最有力的替代方案将侧重于实质行为，而非政治术语。它会要求提供关于主张、设计选择、受影响用户和可衡量伤害的清晰证据。

它还可以要求针对高风险用途进行任务特定的测试。结果应识别不同相关人群和运行条件下的局限性。

独立审计可以有所帮助，尽管审计并非天然中立。其质量取决于访问权限、方法论、基准和激励机制。

监管机构不应将单一分数视为公平或准确的证明。它们应审查错误分布以及不同失误带来的后果。

持怀疑态度的结论适用于双方。FTC 尚未证明其扩张性提案的合理性，但仅靠行业自我披露也无法保护消费者。

EFF 提出挑战后需要关注什么

三个信号将显示，这场争议会成为更狭义的消费者保护政策，还是更广泛的联邦行动，以对抗州 AI 规则。

第一个信号是 FTC 对公众意见的回应。该机构可以撤回提案、修改其措辞，或通过最终声明。

撤回将满足 EFF 的直接要求。它也会让委员会仍可追究涉及缺乏依据的 AI 宣称的常规欺骗案件。

如果修订移除意识形态术语和联邦优先权主张，就具有重要意义。对重大性和已记录消费者伤害提出更清晰的要求，将缩小执法风险。

与提案相似的最终声明将增强诉讼预期。企业、各州或受影响方可能会挑战后续执法行动。

第二个信号是 FTC 如何处理具体案件。调查将揭示该机构针对的是虚假广告，还是安全政策的实质内容。

涉及有记录的中立性承诺的案件，将支持消费者保护的逻辑。政府仍需证明该承诺影响了消费者。

在缺乏明确欺骗的情况下攻击偏见缓解措施的案件，将支持 EFF 的警告。这将表明该提案作为对模型设计的政治控制在运作。

第三个信号是联邦政府如何对待州 AI 法律。应关注诉讼、资金压力、机构指导意见以及新的联邦优先权论点。

科罗拉多州仍将是一个核心试验场，因为 FTC 的提案点名了该州的做法。其他州将考察，自己能否在不引发联邦层面冲突的情况下监管具有重大影响的用途。

法院将决定 FTC 的理论应获得多大分量。其裁决将影响各州能否要求开展影响评估、发布通知并设置反歧视保障措施。

AI 公司也会通过产品改动展现其解读。更新后的披露信息、评估报告或安全政策，可能表明它们对执法风险的担忧正在上升。

取消保障措施将是更令人不安的信号。这意味着法律不确定性正在法院审查该政策之前，就改变模型的行为。

企业客户不应等待这种结果出现。他们可以询问供应商：哪些目标在约束输出，以及这些目标如何接受测试。

他们应要求提供特定版本的证据，而非笼统的普遍声明。模型行为会随更新、系统指令、检索来源和部署设置而变化。

用户也应将聊天机器人的回答视为生成的建议，而非得到保证的事实。涉及法律、医疗、金融和政治决策时，仍有必要核查来源。

最初的 google news 标题捕捉到了一项真实进展，但没有涵盖整场对抗。EFF 正在挑战一套关于谁有权界定 AI 准确性含义的理论。

FTC 认为秘密的产品行为可能欺骗消费者，这一点是正确的。但它尚未证明，存在政治争议的保障措施应被归入一类特殊的联邦不当行为。

更合理的标准应从具体承诺、可识别的设计选择和实质性损害证据出发，然后判断公司是否误导了理性用户。

这种方法既能惩罚欺骗行为，也不会假装生成式 AI 存在一种天然、不受治理的状态。每个已部署的模型都体现了选择、约束和目标。

下一份联邦文件将显示 FTC 是否接受这一技术现实。在此之前，采购方应要求证据，开发者则应保留每一项重要控制措施背后的决策依据。

什么会改变你对一个 AI 系统的评估：一项中立性标签、一份详细评估，还是一份展示其保障措施在实践中如何发挥作用的记录？