州级 AI 法律势头渐强，华盛顿仍难制定全国标准

Google News 在 2026 年 8 月凸显了一场尖锐冲突：纷繁复杂的州级 AI 法律拼图，可能是美国当前最可行的监管体系。这一结论挑战了华盛顿推动统一全国标准的努力，也颠覆了科技行业长期以来的抱怨——不同州的规则会令合规无从下手。

Foreign Policy 提出的这一观点，并非声称监管碎片化具有效率。五十套独立体系可能造成定义、期限和文件义务之间的冲突。更有力的主张是：在立法者尚未就 AI 的风险、补救措施和制度边界达成共识时，差异化本身具有价值。

这一取舍如今尤为重要，因为联邦优先权——即以全国性法律取代州级权力——已成为核心政策争议。白宫希望通过统一规则保障美国的竞争力。州立法者和消费者权益倡导者则认为，若联邦优先权没有配套有效的联邦替代方案，就会消除目前少数已在执行的保障措施。

问题已不再是单一规则手册看起来是否更整洁。显然如此。真正的问题是，华盛顿能否制定一套可执行、可持续，并且强于其将取代政策的全国标准。

Google News 重新带回 AI 监管辩论的是什么

这项政策转向并非一部新法，而是越来越多人接受：州际差异可以作为一种临时治理体系。

多年来，科技公司一直将州级规则的拼凑状态描述为明显的政策失败。不同的披露要求、风险定义和执法模式会增加法律成本。面向全国用户的开发者，并不总能把产品决策限定在某一个州内。

这一批评依然成立，但它忽略了替代方案。国会尚未通过一项全面的联邦 AI 法律。因此，对州级行动实施全国性禁令，实际上是通过减少规则而非协调规则来实现统一。

Google News 的报道指向另一种解读。在监管机构收集有关自动化决策、模型透明度、儿童安全、合成媒体和前沿模型风险的证据期间，州级法律可以充当政策试验。效果不佳的方法可以修订，有效的条款则可以扩散。

这一模式在美国科技政策中已有先例。当新问题跨越既有法律类别时，各州往往先于国会采取行动。隐私、生物识别、数据泄露通知和自动驾驶汽车规则，均是在州级行动与特定行业联邦权力相结合的过程中发展起来的。

AI 让这一模式更为复杂，因为一个系统可以覆盖所有州。然而，损害往往在地方层面显现。雇主使用算法筛选求职者，房东使用自动化工具评估租户，医疗服务机构部署会影响就医机会的系统。

美联社指出，截至 2025 年 12 月，Colorado、California、Utah 和 Texas 已制定针对私营部门 AI 的州级法律。这些政策包括透明度义务，以及涉及个人信息的限制措施。其他州则通过更具针对性的法律，处理选举深度伪造、未经同意的性图像和政府 AI 采购问题。

州级立法活动的规模相当可观。根据立法数据库，2025 年期间，所有州、Washington, D.C.、Puerto Rico 及美国属地都审议过 AI 立法。三十八个州通过或颁布了约 100 项措施。

这些法律并未形成一套统一、连贯的全国框架，但确实建立了可执行的起点。这一区别解释了为何“规则拼图”的论点日益获得支持。

这也说明，Google News 并不是这一底层政策议题的完美核心关键词。Google News 推送了这则标题，但真正重要的议题是联邦优先权、州级权力，以及缺乏可信的全国性替代方案。

州级 AI 法律正成为默认体系

州级监管已从一种临时应对措施，转变为美国实际的 AI 治理层。

最具影响力的州级法律并不试图监管每一个模型或所有可能的损害。它们针对明确界定的活动，尤其是可能影响就业、住房、信贷、教育、保险、医疗保健和政府服务的自动化决策。

Colorado 提供了最具影响力的早期模式之一。该州 AI 法律聚焦于参与重大决策的高风险系统。高风险系统是指会实质性影响个人获得重要机会或基本服务的 AI 应用。

已颁布的 Colorado 要求最初要求开发者和部署者采取合理审慎措施，防范可预见的算法歧视。它还设立了文件记录、影响评估、披露和消费者通知义务。

部署者预计需维持风险管理计划，并评估受规制系统。收到不利决定的消费者，将有机会更正不准确的数据，并在技术可行时寻求人工复核。州总检察长拥有专属执法权。

这些条款之所以重要，是因为它们在构建系统的公司与使用系统的组织之间划分了责任。模型开发者了解系统的训练和测试方式；雇主、贷款机构或医院则了解该系统影响个人的具体情境。

没有任何单一一方掌握评估损害所需的全部信息。因此，可行的问责模式必须让文件记录沿供应链流转。即使立法者日后改变 Colorado 的定义或实施时间表，这一原则仍然可以延续。

California 针对前沿模型透明度采取了不同路径。其做法聚焦大型开发者及其安全实践，而不是每一项下游自动化决策。New York 正在推进另一种模式，而 Texas 则已采纳符合其自身政治与商业优先事项的要求。

这些差异确实会造成合规摩擦。一家公司可能在 California 面临一种受规制开发者的定义，而在其他地区面对另一种高风险部署者的定义。报告期限、豁免范围、执法权力和可用抗辩理由也可能不同。

不过，差异化能够揭示哪些义务具有可操作性。它可以显示影响评估究竟能产生有用证据，还是沦为文书工作；也能检验披露是否改变公司行为、监管者能否调查违规，以及消费者能否使用申诉机制。

其结果类似于分布式测试。每个州都运行一项边界明确的政策试验，其他立法机构则观察结果。各州也会相互借鉴措辞，从而在不立即实施联邦优先权的情况下形成渐进式趋同。

这一过程已经体现在行业行为中。Axios 于 3 月报道称，OpenAI 正鼓励各州围绕逐渐形成的 California 和 New York 模式协调一致。据报道，Google 全球事务总裁 Kent Walker 称这些州的框架是可管理的。

这并不意味着科技公司偏好五十部彼此无关的法律。它意味着行业的一部分已认识到，州级行动不会消失。围绕数套经过检验的模式实现协调，比无限期等待国会行动更有可能实现。

对于采购 AI 的企业而言，州级路径也改变了对供应商的评估方式。采购团队需要保存描述模型用途、训练限制、评估方法和已知失效模式的记录。当一个组织在多个司法辖区部署同一供应商的系统时，这些记录就变得尤为重要。

通过一套通用的内部控制体系，可以减轻运营负担。公司可以将一份风险清单映射至多部法律，而不必为每个州建立完全独立的流程。国际标准和 NIST AI Risk Management Framework 可支持这项工作，不过两者都不能自动保证法律合规。

对于知识工作者而言，这转化为一个不那么抽象的问题。会议记录、求职者档案、客户记录和内部研究资料都可能进入 AI 工作流。组织需要了解哪些数据发生了流转、由哪个系统处理，以及输出结果如何影响决策。

可搜索的 AI knowledge base 能帮助团队保存文件记录和决策。它不能替代法律审查，但在要求因具体情境而异时，准确记录会变得更有价值。

单一联邦标准仍具政治吸引力

统一的联邦法律有望降低合规成本，但只有当共同标准提供实质性保护时，统一才有价值。

President Donald Trump 于 2025 年 12 月正式提出全国标准的论点。他的 Executive Order 14365 指示联邦官员识别并挑战被视为构成阻碍的州级 AI 法律。该命令还提出，可能对维持被针对规则的州扣留部分联邦资金。

Trump 从竞争角度阐述了这一问题。他认为，美国公司在与受集中式政府监管的中国企业竞争时，无法同时从五十个不同司法辖区获得批准。

这场行政命令争议将创新、州际贸易和地缘政治竞争置于一方，将消费者保护、联邦主义和地方试验置于另一方。

全国框架确实可以带来实际优势。共同定义可减少法律不确定性，一套报告流程可取代重叠的申报要求。较小的公司可以获得更清晰的合规预期，而消费者无论居住地为何，均可获得一致的权利。

全国性法律还可以处理各州无法高效管理的问题。先进模型开发跨越州界和国界。出口管制、国家安全评估、联邦采购以及与外国政府的关系，都需要联邦权力。

白宫于 2026 年 3 月发布了立法建议。该框架寻求国会在儿童安全、社区影响、知识产权、言论自由、创新、劳动力问题和州级优先权方面采取行动。

然而，政策覆盖面广并不等于立法共识。儿童安全法案使立法者在注意义务和平台责任问题上产生分歧。版权问题则让创作者、出版商、开发者和模型公司陷入冲突。联邦机构对于现有权力应如何适用也存在分歧。

在中期选举年，国会立法路径尤为艰难。综合性立法需要经受委员会争议、党派分歧、行业游说，以及不同执法路径之间竞争的考验。

联邦优先权又带来了另一项障碍，因为立法者必须决定用什么来取代州级规则。国会可以广泛优先适用联邦法，也可以仅在存在直接冲突时优先适用，或者在各州标准低于联邦底线时介入。每一种选择都会以不同方式分配权力。

广泛的联邦优先权能为企业带来最大的规则一致性，但也可能造成监管真空。冲突优先权保留了更多州级权力，但仍会留下部分差异。联邦底线则确立全国最低权利标准，同时允许各州提供更强的保护。

最后一种模式提供了潜在的折中方案。它类似于其他政策领域的做法：联邦法律规定最低义务，而不完全排除其他监管空间。然而，行业团体往往寻求更强的统一性，而州级官员则抵制任何限制其应对能力的条款。

这一国家框架也将监管置于美国领导力的叙事之中。David Sacks认为，五十套州级制度可能会扼杀创新，并削弱美国在 AI 领域的地位。

与中国的竞争确实是严肃考量，但这并不能解决国内问责问题。无论哪个国家在模型基准测试中领先，自动化系统都可能影响个人的就业或医疗服务。战略竞争与消费者保护彼此相关，但不能相互替代。

联邦政府内部也存在同样的张力。华盛顿通过采购决策、出口限制、自愿评估和安全干预来影响模型开发。即使没有全面立法，这些行动同样会塑造 AI 的行为。

这带来了一个令人不安的结果：联邦政府一边批评州级监管碎片化，一边又形成了自身逐案处理的政策结构。企业既得不到完整的规则手册，也无法完全摆脱政府干预。

碎片化监管之所以有用，是因为无人知道最终设计

当技术、证据和政治共识仍未定型时，监管试验具有价值。

核心权衡在于当下的一致性与未来的知识积累之间。立即实现全国统一可以减少摩擦；州级试验则能产生信息，从而改进未来的全国性法律。

AI 监管仍存在基础性的制度设计分歧。立法者对于应监管模型、用途、结果还是组织存在分歧；他们也对哪些风险应获得特殊对待，以及哪些既有法律已经提供充分救济意见不一。

以模型为基础的制度会针对超过既定能力或算力阈值的系统。它可以将监管集中于资源最雄厚、影响最广泛的前沿开发者。然而，静态阈值可能很快过时，也可能漏掉在敏感场景中使用的较小系统。

以用途为基础的制度聚焦于招聘、贷款、执法或医疗决策等应用。它将义务与实际后果相联系。不过，同一通用模型可以支持数千种用途，而开发者未必能够控制下游部署。

以结果为基础的制度会在歧视、欺骗、隐私侵害或人身伤害发生后予以处罚。它可以保持技术中立。但其弱点在于，受害者可能难以发现自动化系统究竟如何影响了自己。

州级法律正在测试这些模式的组合。Colorado强调重大决策和共同责任。California则更关注透明度和前沿系统风险。其他州则优先处理聊天机器人、儿童、合成媒体或政府使用问题。

这种多样性可以让国会在全国推广之前暴露错误。负担过重的报告要求可以缩窄；薄弱的消费者告知可以加强；制造可避免漏洞的豁免条款可以删除。

联邦制并不保证良好政策。州立法机构可能照搬有缺陷的定义；游说活动可能削弱法案；监管机构可能缺乏技术人员、资金或执法经验。较小的辖区也可能在无力执行的情况下通过相关规则。

监管套利是另一项风险。企业可以将某些业务转移到要求较少的辖区。数字服务同样会使地点难以判定，尤其是在用户频繁出行或组织采用分布式劳动力的情况下。

解决方案并不是浪漫化碎片化，而是将这种拼布式监管视为一个具有明确目标的发展阶段。各州应公开发布指引、执法记录、合规成本以及有关消费者结果的证据。可比较的信息能够揭示哪些条款值得更广泛采用。

协调机构可以加速趋同。National Conference of State Legislatures可以传播示范性措辞和实施经验。州检察长可以协调调查。标准组织可以建立共享术语和文档格式。

企业也可以通过披露哪些相互冲突的条款造成了真正的工程问题来推动协调。涉及告知要求或评估方法的具体冲突，比对监管的笼统抱怨更有价值。

新兴的行业立场反映了这一现实。一些大型开发者如今似乎愿意接受州级法律，只要立法机构围绕可识别的模式趋同。这与过去要求全面联邦优先权的诉求相比，是一个显著变化。

Google News读者应谨慎解读这种转变。它并不表明行业已接受广泛监管，而是表明多年来的联邦不作为改变了可选方案。

现实中的比较已不再是一个优雅的联邦框架与五十部任意法律之间的对比，而是一个正在发展的州级体系与尚未成为可执行法规的联邦承诺之间的对比。

碎片化监管论无法解决的问题

州级试验可以填补真空，但无法解决所有国家安全、市场或问责问题。

最有力的批评集中在规模问题上。一家初创公司可以为全国用户构建一项服务。聘请不同律师、修订告知内容、维护司法辖区逻辑以及跟踪立法修正，都会带来成本，而成熟企业更容易承担这些成本。

这种负担可能反而强化最大的 AI 开发者。它们早已拥有政策团队、合规部门和政府关系。规模较小的竞争者则必须将工程和法律资源从产品开发中抽离。

因此，即使每条规则本身都有合理目的，碎片化也可能损害竞争。未来的全国性框架应保留有价值的保障措施，同时减少重复义务。

相互冲突的要求还会造成产品不确定性。一个州可能要求披露系统局限性；另一个州可能将某些安全细节视为敏感信息；第三个州则可能以不同方式定义相关系统或部署者。

象征性监管同样存在风险。一部法律可以要求影响评估，却不要求有实质意义的测试。企业可能制作精美文件，但监管机构和受影响的消费者都无法核实其中内容。

执法能力决定州级法律能否改变行为。检察长除 AI 外还承担许多职责。技术调查可能需要获取模型、日志、数据集、评估材料和专家分析。

National Conference of State Legislatures以异常直接的措辞为地方权力辩护。其领导层在一份联合声明中表示，合作而非联邦优先权才是最佳路径。他们还提到了参议院否决一项拟议中的州法律暂停令。

这一立场代表州级机构利益，因此不应被视为中立证据。州立法者有理由保护自身管辖权。不过，他们的论点仍揭示了华盛顿做法的主要弱点：如果国会仅提供有限保护，联邦优先权将很难逆转。

联邦政府更适合监督国家安全威胁、先进模型能力和国际竞争。各州无法控制模型出口，也无法与外国政府协商共同评估实践。

相反，联邦机构可能对地方伤害的反应较不敏捷。州检察长可以调查影响本州居民的欺骗性做法；劳工机构可以观察雇主如何使用自动化管理；地方经验可以揭示前沿模型评估所忽略的问题。

欧盟提供了有价值的比较，但并非美国可以简单照搬的模板。EU AI Act在成员国之间建立了单一的风险导向框架。它提供了更高程度的形式一致性，但实施仍取决于技术标准、国家主管机构和分阶段义务。

美国拥有不同的宪政结构和政治经济。其分散的行业监管机构已分别监管医疗、金融、就业、消费者保护和通信。任何综合性法律都必须与这些机构相适应。

持怀疑态度的结论很直接：作为过渡性的学习体系，拼布式监管是可以辩护的；但如果各州无法协调、公开证据或消除重复负担，其合理性就更难成立。

支持者也应避免声称试验会自动保护人们。监管必须产生易懂的告知、可用的申诉渠道、更安全的部署方式或可执行的问责机制。否则，差异化只会变成没有学习成果的官僚程序。

三个信号将显示碎片化监管是否奏效

下一阶段取决于趋同、执法证据，以及任何联邦优先权法案的具体内容。

第一个信号是，各州是否围绕共同定义和文档要求趋同。California、Colorado、New York、Texas及其他活跃州不必拥有完全相同的法律，但它们确实需要为开发者、部署者、高风险用途、评估、告知和事件报告建立可互操作的概念。

如果一个内部风险流程能够满足多个州的制度，行业接受度将会上升；如果细微的措辞差异要求建立独立技术系统，接受度就会下降。示范立法和协调一致的机构指引将增强碎片化监管的合理性。

第二个信号是执法。监管机构必须说明哪些行为违反规则、企业必须保存哪些证据，以及受影响的人能够获得哪些救济。公开执法记录将揭示，这些法律是在针对实际伤害，还是仅仅制造申报义务。

一次成功的调查所能澄清的问题，可能超过数部宽泛法规。它可以证明自动化决策如何造成伤害、哪个组织控制相关证据，以及现有消费者法律是否足够。

若持续出现执法乏力的情况，将削弱碎片化监管论。这表明各州可以通过法案，却无法执行技术复杂的义务。若形成聚焦明确的调查模式，则会强化以州级经验为基础建立未来联邦底线的理由。

第三个信号是，若国会推进全国性立法，其使用的措辞为何。决定性问题不在于法案是否包含联邦优先权，而在于有多少权力被取消、由哪些全国性义务取代，以及谁可以执行这些义务。

拥有明确权利、机构资源以及为更强地方保护留出空间的联邦底线，将把试验转化为国家政策。广泛的联邦优先权若与自愿性指引相结合，则会通过降低问责来实现一致性。

企业应为两种结果做好准备。它们可以维护 AI 系统清单、记录预期用途、记录评估局限、在供应商和部署者之间明确责任分配，并为重大决策保留人工审查。

即使法律条文发生变化，这些做法依然有帮助。它们为采购、法务、安全和产品团队提供了共同的记录。一套结构化的知识工作流也能帮助团队跟踪监管变化，避免决策分散在消息和文档之中。

通过 Google News 持续关注这一议题的读者，不应只看每一项新法案的标题。更值得关注的问题在于协调、执法与替代：各州是否在相互借鉴？监管机构是否在形成证据？国会是在建立底线，还是在清空监管空间？

最恰当的理解是，拼凑式做法是一座桥梁，而非最终目的地。它让部分监督机制得以延续，同时让各类机构检验定义与责任。它也避免联邦层面的不作为演变为全国范围内禁止行动。

这座桥梁仍需要一个终点。华盛顿最终应将经验证有效的州级理念转化为适用于跨州系统的明确全国性保护措施。在国会能够提供这些保护之前，废除州法律只会通过重新打开问责缺口来解决文书问题。

当前实际的任务，是密切观察这些试验。追踪哪些要求正在趋同，哪些执法案件揭示了真实伤害，以及联邦立法是否保留了行之有效的做法。Google News 呈现了这场争论，但政策制定者、企业和用户将决定，这种拼凑式格局会成为有用的证据，还是永久的混乱。