大多数美国人希望监管 AI。国会会听吗？

Google News 展示了一篇《USA Today》评论文章，文章认为大多数美国人希望监管 AI，尽管国会对于有意义的联邦监管应包含哪些内容仍存在分歧。

这场冲突的重要性超过了又一份支持监管的民调。选民普遍支持保障措施，却不信任科技公司和联邦政府能够设计出这些措施。立法者也对华盛顿是否应取代州级规则、保留这些规则，或建立全国最低标准存在分歧。

国会如今面临选择：回应这一需求，还是采取以创新为核心、更为宽松的联邦框架。核心问题已不再是美国人是否希望有规则，而是国会能否在不削弱现有州级权力的前提下，将广泛支持转化为具体保护措施。

Google News 将公众需求重新推上国会议程

Google News 突出的这篇评论，反映了多项全国调查的一项一致发现：美国人希望获得可执行的 AI 保障措施。

《USA Today》的原始评论文章追问，国会是否会倾听公众的声音。研究结果支持这一框架，而且证据远不止这一篇评论文章。

一项 2025 年的 Gallup AI 调查发现，97% 的美国人支持针对 AI 安全与保障的规则和监管。54% 的受访者认为，联邦政府应为私营 AI 开发者制定规则。

只有 16% 的人希望由企业自行制定规则。这一结果直接挑战了“自愿性企业政策足以满足公众期待”的观点。

这些数据并不意味着人们在每一种监管工具上都达成一致。但它们表明，基本不受监管的市场并不符合公众主流意见。

更新的证据显示，随着 AI 使用日益普及，人们对监管的需求依然存在。约翰斯·霍普金斯大学研究人员指出，即使是每天使用 AI、且对 AI 持积极看法的人，仍然支持监管。

其 2026 年全国调查发现，超过 70% 的受访者希望在医疗、法律、教育和政府场景中能够获得人工介入。这一偏好指向的是一种务实保障，而非抽象诉求。

人们似乎愿意使用 AI，同时抗拒 AI 成为唯一可用决策者的情形。这一区别应为立法者制定影响重大服务的规则提供指引。

公众未必是在要求国会阻止 AI 发展。选民似乎更希望对自动化系统如何影响其权利、机会、安全，以及获得人工复核的渠道设定边界。

当政策讨论被简化为监管与创新的对立时，这一区别往往被忽略。许多保障措施涉及披露、问责、申诉、测试，以及伤害发生后的救济。

对于 Google 的 AI 监管报道而言，这一区别至关重要。关于公众焦虑的文章或许能吸引关注，但焦虑本身无法产生可行的法律。

国会必须将广泛偏好转化为定义、义务、执法权力和救济措施。每一步都会引发政治冲突，而一项笼统的民调问题无法解决这些冲突。

立法者必须决定哪些系统属于高风险系统。他们还必须确定，当开发者、供应商和客户共同掌握控制权时，谁应承担责任。

他们还必须确定执法机构，并决定受到伤害的人能否提起诉讼。没有执法者或救济的规则，最终可能只是一套指导原则。

因此，《USA Today》的论点恰逢重要时刻。公众支持赋予国会采取行动的政治许可，但并未提供具体的立法条文。

当立法者不再询问 AI 是否需要监管，而开始决定哪一种监管方案将成为联邦法律时，挑战才真正开始。

美国人希望有规则，但怀疑华盛顿能否兑现

国会面临来自选民的压力：他们希望得到保护，却对联邦官员能否跟上 AI 发展的步伐缺乏信心。

一项 2026 年 Pew 研究发现，67% 的美国人对政府监管 AI 几乎没有或完全没有信心。这种怀疑跨越党派界限，尽管其政治分布已有变化。

这种看似矛盾的态度是理性的。人们可以支持某项公共职能，同时怀疑目前负责履行这一职能的机构。

美国人可能希望开展食品检查，同时批评监管机构。他们也可能支持航空安全规则，同时质疑某个机构对特定事故的应对。

AI 带来了尤其棘手的信任问题，因为技术变化速度快于常规立法周期。国会可能花数月协商措辞，而开发者每周都在更新产品。

一些拟议法律针对模型本身。另一些则监管特定用途，例如招聘筛选、保险、教育、医疗保健、执法或信贷决策。

这些路径产生不同的义务。通用模型既可用于无害任务，也可用于影响重大的任务，因此很难为其辩护单一、统一的风险类别。

政府也在很大程度上依赖可能受其监管的企业提供技术信息。这种依赖可能造成知识鸿沟，并带来监管俘获的机会。

监管俘获是指某个行业对监管其自身的规则获得过度影响力。当只有最大型企业负担得起庞大的合规团队和游说活动时，这种风险会进一步上升。

严格但设计不佳的规则可能巩固既有企业的地位。初创公司可能难以应对文档和测试要求，而大型平台则可将其视为常规运营成本。

然而，薄弱的规则也可能有利于既有企业。大型公司拥有数据、算力、分发能力和法律资源，能够消化足以摧毁小型竞争对手的失败后果。

真正的选择并非简单地增加监管或减少监管。国会必须决定，哪些义务能够减少伤害，同时不让合规成为保护最大开发者的壁垒。

公众的不信任为立法者偏向可衡量的要求提供了另一项理由。独立测试、事件报告、审计访问权和明确的申诉权，比宽泛的负责任 AI 承诺更容易评估。

仅靠透明度无法解决问题。当受影响者无法理解或质疑自动化决策时，一份冗长的模型报告几乎没有价值。

有效的披露必须触达面临决策的个人。它应说明 AI 曾被使用，识别负责的组织，并提供通往人工复核的路径。

设想一名被自动化招聘系统拒绝的求职者。知道雇主使用 AI，不如知道如何质疑不准确的数据或歧视性结果来得有用。

同一原则适用于患者、学生、租户、借款人或福利申请人。当机构必须回应一项具体投诉时，权利才具有实际意义。

这种抽象支持与机构信心之间的落差，是国会面临的第一项重大考验。立法者必须证明，联邦监管能够产生可执行的保护措施，而不是又一套自愿原则。

真正的争论是联邦保护还是州级优先权

决定性的国会冲突在于：联邦立法究竟会增加保护，还是在缺乏相当全国性保障之前抹去州级规则。

联邦优先权是一项法律规则，允许联邦法律排除州级要求。它可以建立一致的全国标准，但其效果完全取决于取代这些要求的内容。

白宫于 2026 年 3 月 20 日发布了一项 全国 AI 框架。该框架要求国会处理儿童、社区、知识产权、言论、创新和劳动力准备等议题。

该框架还认为，相互冲突的州级法律拼凑将损害美国创新。它呼吁建立统一的国家政策，并强调在全球 AI 竞赛中的竞争力。

其中若干目标回应了真实的公众关切。框架称，父母需要能够保护儿童隐私、降低剥削或自残风险的控制措施。

它还称，电力用户不应承担数据中心成本，并敦促加强联邦应对 AI 赋能诈骗的能力，同时更充分地为劳动力变化作准备。

然而，这些目标并未解决联邦优先权问题。一项联邦框架可以提及安全，却仍可能提供少于某些州法律的可执行权利。

对比国会提案时，冲突就变得清晰。《美国人工智能领导力与统一法案》提议对许多州级 AI 法律实施为期五年的限制。

其立法文本将阻止各州执行许多涉及 AI 模型、自动化决策系统，以及进入州际商业体系系统的要求。该提案包含例外情形，但其默认方向是通过限制来追求统一。

其他立法者则采取相反路径。《AI 问责与个人数据保护法案》提议将联邦要求视为最低标准。

在这一模式下，更强的州级权利和救济措施可以继续存在。这一结构类似于确立底线而非上限的联邦法律。

这些并非细微的起草差异。它们决定了联邦行动是扩大问责，还是在华盛顿形成自身方案期间限制各州。

支持全国统一的人提出了一项合理担忧。一家服务全国客户的企业可能面临相互冲突的定义、报告、审计时间表和技术要求。

五十套独立制度可能增加法律不确定性。相互冲突的州级义务也可能拖慢部署，而未必带来相应的安全收益。

这一论点最有力的版本聚焦于跨多个司法辖区使用的基础模型。州级官员可能无法获得与最强大系统相关的国家安全信息。

批评者回应称，“拼凑式监管”的说法往往把已提出的法案计入其中，而非已经生效的法律。许多提案从未离开委员会，而现有州级规则通常针对具体的有害用途。

各州历来充当政策实验室。当国会缺乏足够票数或知识来通过全国性法律时，各州可以应对本地伤害。

因此，联邦优先权可能会以联邦承诺为代价，移除现有保护。当国会尚未建立相当的权利、执法或资金支持时，这种交换尤为危险。

可信的折中方案需要真正的联邦底线。国会可以设定全国性义务，同时允许各州处理本地应用或提供更强的救济。

立法者也可以仅排除直接冲突的要求。这种方法不同于在整个技术类别中广泛剥夺州级权力。

Google News 的 AI 政策讨论常会将统一性呈现为一个行政管理问题。更准确地说，它关乎当联邦保护被证明不足时，谁仍保有权力。

对开发者而言，答案会影响产品文档、测试、责任以及部署进度。对用户而言，这决定了自动化系统造成伤害后，他们可以向何处寻求帮助。

对州级官员而言，这决定了他们能否应对涉及学校、雇主、保险公司、警察部门或数据中心的本地问题。

国会不能仅仅通过一项名为 AI 法案的法律，就满足公众诉求。其优先适用条款的实质内容，可能比立法标题更重要。

监管伴随民调难以捕捉的权衡

当监管与成本、延迟、服务受限或存在争议的政治价值绑定时，广泛支持便会减弱。

受访者可以支持 AI 安全，却未必认同实现安全所需的牺牲。这并非虚伪，而是反映了期望结果与所选政策之间的距离。

要求进行大量测试的规则可能推迟产品发布。许可制度可能降低小型开发者的可及性。严格的数据限制可能约束有益的医疗或无障碍应用。

反过来，快速部署也可能将成本转嫁给劳动者、消费者、社区和公共机构。一家公司可能获得收入，而其他人却承担歧视、虚假信息、能源需求或安全失效带来的代价。

政策的任务，是有意识地分配这些成本。没有监管，市场并不会消除权衡；它只会通过合同、产品设计和企业决策来分配这些权衡。

因此，国会应当问：哪些伤害是可逆的？不便的产品延期通常可以逆转；错误逮捕、被拒绝提供医疗服务或生物识别记录泄露，可能无法逆转。

随着潜在伤害扩大、恢复愈发困难，规则应当更加严格。这种基于风险的方法避免将照片滤镜与医疗诊断系统同等对待。

它也为小型开发者提供了更清晰的路径。低风险产品不应承担为控制关键决策的系统所设计的全部合规负担。

定义仍然很困难。一个通用聊天机器人可以在同一界面中帮助起草邮件、提供健康信息，或影响脆弱儿童。

仅基于产品类别的监管可能忽略这种差异；仅基于预期用途的监管，则可能忽视可预见的滥用和广泛传播。

国会需要制定与能力、部署场景、用户接触程度和合理预期伤害相关的门槛。随着系统变化，这些门槛应当可以审查。

言论自由带来了另一项重大权衡。美国人可以支持打击欺诈、冒充和未经同意的合成媒体，同时反对政府控制合法表达。

针对 AI 生成的选举欺骗的规则，必须区分欺诈与讽刺、批评。模糊的措辞可能压制受保护的言论，或招致选择性执法。

儿童安全也面临类似的艰难选择。年龄验证可能限制未成年人的访问，但也可能要求从所有人那里收集更多敏感身份信息。

隐私规则可能与透明度冲突。研究人员可能需要访问数据以测试偏见，但更广泛的访问也会带来额外的隐私和安全风险。

知识产权政策增加了另一条分歧线。创作者希望获得控制权和补偿，而模型开发者则认为，广泛获取信息有助于训练和竞争。

国会无法用单一原则解决这些问题。每个领域都需要明确伤害、责任方、可执行义务和相称的救济措施。

对于行业反对意见，也应逐项评估。合规成本并不自动证明一项规则有害。

与此同时，公众支持也不应让一部起草不佳的法律免于审查。受欢迎程度无法修复模糊定义或无法实现的技术要求。

这正是独立技术能力变得不可或缺的地方。国会和联邦机构需要能够检验主张的工作人员，而不能完全依赖供应商或倡议团体。

他们还需要征询不止最大模型开发者的意见。劳动者、民权团体、教育工作者、研究人员、艺术家、小型公司和州级监管者面临的风险各不相同。

知识工作者应密切关注这一过程。监管可能影响雇主是否披露 AI 监控、是否保留人工审核，或是否解释自动化绩效决策。

维护个人知识库的人也应关注隐私和数据使用规则。这些规则可能决定工作场所记录和个人资料如何进入 AI 系统。

这里的权衡并非抽象意义上的安全与进步之争，而是一系列关于谁获得收益、谁承担风险，以及谁能要求救济的选择。

国会必须监管用途，而不只是模型开发者

一部只聚焦前沿实验室的联邦法律，会忽视普通机构部署 AI 时造成的许多伤害。

Google、OpenAI、Anthropic 和 Meta 等模型开发者会影响系统行为。然而，部署者决定这些系统在哪里运行，以及它们支持哪些决策。

雇主选择筛选工具。医院决定 AI 建议是否纳入临床工作流程。学校决定自动化监控是否影响纪律处分。

当系统出现失效时，责任可能变得模糊。客户指责供应商，而供应商则称其产品在推荐条件之外被使用。

国会应通过在供应链中分配义务，防止这种问责缺口。开发者应记录重大局限性、测试可预见风险，并报告严重事件。

部署者应评估系统是否适合其预期场景。他们应监测结果、保护数据、培训员工，并在适当情况下提供申诉程序。

受重大决策影响的人应获得清晰通知。他们不应需要技术专业知识，才能识别负责审查投诉的组织。

采购提供了即时机会。联邦机构采购和使用 AI，这让华盛顿能够要求供应商提供测试、文档、安全性和无障碍支持。

政府应先将这些标准应用于自身，再要求公众信任。内部规则也能为州级机构和私人买家提供可借鉴的范例。

独立评估是另一必要层级。测试自身系统的公司有动力以有利于自己的方式定义成功，并尽量减少公开披露。

第三方测试并不保证中立，但关于独立性、方法、利益冲突和发布的标准可以加强其可信度。监管者仍必须核实审计是否反映真实世界的部署情况。

部署后的监测同样重要，因为发布前测试无法预测每一次互动。模型会变化，用户行为会演变，与其他软件的集成会产生新的失效路径。

有用的报告系统应当记录严重事件，而不让琐碎错误淹没监管机构。门槛可以考虑规模、严重程度、受影响的权利以及伤害是否可能重演。

国会还需要区分消费者保护与前沿模型安全。同一机构未必具备两者所需的专业能力或授权。

现有监管机构已经覆盖问题的一部分。就业、金融服务、医疗保健、竞争、隐私、通信和民权等领域各自都有既定法律框架。

AI 不应成为规避既有法律的例外。无论歧视性结果由人、电子表格、统计模型还是神经网络产生，其后果依然重大。

不过，现有法律可能在测试、披露和证据获取方面留下缺口。自动化系统会让受影响者更难识别歧视是如何发生的。

这一问题支持在既有权利之上叠加有针对性的 AI 义务，但未必需要一个控制所有模型和应用的新监管机构。

Google News 的报道可能让这场辩论看起来围绕国会和大型科技公司展开。实际结果往往会在更不显眼的机构中出现。

一个学区决定如何监控学生，可能影响数千个家庭。一家使用不可靠自动化系统的福利承包商，可能造成很少成为全国性头条的延误。

地方和州级监管者往往最先发现这些伤害。除非联邦法律提供有效替代方案，这一事实强化了保留其权力的理由。

一个持久的框架应将模型层面的义务与部署层面的问责联系起来。否则，系统造成损害时，每个参与者都可以指向别处推卸责任。

Google News 辩论之后应关注什么

三个信号将表明，国会是在回应公众诉求，还是利用联邦行动缩小问责范围。

第一个信号是任何联邦优先适用条款的范围。读者应超越法案的安全措辞，审视它将使哪些州法律失效。

对直接冲突的技术规则实行狭义优先适用，将支持建立真正的全国最低标准。没有同等联邦保护的广泛暂停措施，则会削弱国会听取选民意见这一说法。

第二个信号是可执行性。一项严肃的法案应明确负责机构、提供资源、设定期限，并规定违规后果。

当每项义务都仍属自愿时，关于安全、透明度或公平性的呼吁意义不大。国会还必须决定受影响者能否寻求审查或获得赔偿。

第三个信号是立法者是否监管具有重大影响的用途。只聚焦最大模型开发者的规则，会让雇主、学校、保险公司、医院和政府承包商承担不确定的义务。

这些部署场景正是抽象模型风险转化为影响人们生活的决策之处。在这些场景中明确义务，将加强联邦政策应对日常伤害的论证。

读者还应将立法进展与政治表态区分开来。听证会、框架和已提出的法案可以揭示优先事项，但不会创造可执行的权利。

委员会投票、协商文本、机构授权、拨款和最终优先适用措辞提供了更有力的证据。法案通过后的实施期限同样重要，因为没有资金支持的授权可能长期停滞。

Google News 的评论文章提出，国会是否会倾听。民调显示，即使美国人并不认同每一个细节，立法者已经收到这一信息。

尚未回答的问题是，国会将如何处理这一信息。它可以建立将创新与可执行权利结合的联邦最低标准，也可以在限制州级行动的同时优先追求统一性。

关注文本，而非品牌包装。应当问一项提案是否保留人工审核、分配责任、为执法提供资金，并在自动化系统造成严重伤害时保护救济途径。

最重要的是，将每一项对各州的联邦限制，与替代它的保护措施进行比较。如果国会削减的权力多于它创造的权力，公众对 AI 监管的诉求仍将得不到回应。