将由合同决定的 50 州 AI 所有权之争

Google News 揭示了一场横跨 50 个州的尖锐冲突：政府可以部署人工智能，却未必真正控制合同开始后发生的一切。

这个问题听起来很简单：州政府机构开始使用 AI 系统后，谁拥有它？但“所有权”可能指向多种不同资产，包括软件、模型权重、政府数据、生成输出、审计记录、员工反馈，以及部署期间形成的改进成果。

州政府很少将这些资产作为一个可整体转让的套餐全部买下。它们通常是许可使用供应商的服务，同时保留对部分数据的权利，并接受对其他一切内容的限制。即使供应商控制着背后的技术机制，公共机构仍可能需要为相关决策负责。

这种不平衡正是核心问题。各州希望获得更快捷的服务、更低的行政负担以及更好的信息获取能力；供应商则希望保护知识产权、可复用模型和商业方法。

双方的立场都可能合理。冲突始于合同让州政府必须为一个自己无法检查、测试、转移或重建的 AI 系统负责之时。

Google News 标题指向的是合同问题

政府 AI 的所有权通常在部署前就已决定，写在几乎没有居民见过的采购条款里。

州政府可以购买服务器并拥有实体设备。大多数现代 AI 安排的运作方式却不同。政府机构通常采购云订阅、应用程序编程接口、分析平台或托管服务。

应用程序编程接口，即 API，使一个系统能够向另一个系统请求功能。政府机构发送数据或指令，而供应商负责运行底层模型和基础设施。

这种安排将实际使用与法律所有权分开。一个部门可以每天使用 AI 助手，却并不拥有其模型权重、源代码、训练流程或支撑基础设施。

模型权重是塑造模型响应的已学习数值参数，往往也是供应商保护最严密的资产之一。

政府机构仍可能拥有居民提供的信息。然而，合同必须说明供应商是否可以保留这些信息、从中创建嵌入表示，或将其用于产品开发。

嵌入表示是帮助 AI 系统比较和检索相关信息的数值表征。即使原始文档存储在其他位置，它们也能保留源材料中的有意义模式。

生成内容又增加了一层问题。AI 系统可能汇总案件档案、对福利申请排序、标记疑似欺诈，或提出检查建议。合同必须明确政府机构能否以可用形式导出这些输出。

能够访问不等于拥有。政府机构可能通过仪表板查看结果，却没有权利或技术能力获取底层记录。

合同到期时，这一区别就变得至关重要。供应商可能返还原始文档，却不提供提示词、中间计算结果、置信度评分、模型版本或人工修正记录。

没有这些记录，下一家供应商就无法复现旧系统的工作。审计人员也难以判断过去的决策为何会发生。

这些并非理论上的行政细节。Electronic Privacy Information Center 发现了 621 份 AI 合同，潜在市场规模超过 7.2 亿美元。其研究覆盖了 27 个州和哥伦比亚特区的记录。

EPIC 识别出的系统涉及教育、医疗保健、警务和公共福利。在这些场景中，不完整的所有权条款可能影响个人获得基本服务的机会。

因此，合同需要一份详细的资产地图。它应区分政府机构输入、供应商材料、共同创建的配置、系统输出、日志、评估结果以及部署后的改进成果。

这份地图还应明确谁可以使用每项资产、用于何种目的以及使用多长时间。泛泛地声明“州政府拥有自己的数据”并不能回答这些问题。

各州还需要涵盖备份、衍生工件和分包商的删除条款。否则，供应商可能删除可见数据库，而相关材料仍留存在整个服务链中。

通过 Google News 传播的标题概括了一个全国性问题，但决定性的条款仍在地方层面。每个采购办公室都可能以不同方式定义所有权。

部署让各州承担责任，却没有赋予其完全控制权

公共机构不能将自己对居民的责任外包，即使每一项技术组件都属于承包商。

政府问责随公共职能而来。如果 AI 系统影响福利、就业、许可、教育、医疗保健或警务，居民将向使用该系统的政府机构提出质疑。

供应商可能设计了模型，系统集成商可能将其连接到政府机构数据库，云服务公司可能存储相关记录。但州政府仍会作出、传达或执行由此产生的决定。

这种分工造成了问责缺口。政府机构承担法律和政治后果，而关键证据可能仍留在供应商控制的系统中。

设想一家福利机构使用 AI 对申请进行优先排序以供审查。被拒绝援助的居民可能会询问：哪些数据影响了决定，又该如何纠正错误。

政府机构需要的不只是最终分数，还需要相关输入字段、适用的模型版本、处理历史、决策规则和人工复核记录。

如果合同只承诺访问当前仪表板，政府机构可能缺少申诉所需的证据。软件更新也可能在调查人员审查早先决定前改变系统。

模型版本控制记录了由哪种系统配置产生特定结果。它的作用类似于保存传统决策中所依据的确切法规和案件档案。

州公共记录法又带来另一项复杂因素。政府文件通常受到公开、留存和保存义务的约束。涉及商业秘密的供应商主张可能限制对技术材料的访问。

商业秘密保护具有真实的商业目的。州政府不应仅因购买订阅服务，就获得对每个专有模型不受限制的公开权。

然而，保密不能成为逃避问责的笼统替代品。合同可以为审计人员、监管机构、法院和获授权研究人员设置受控访问机制，而不必向所有人公开专有代码。

这种平衡需要提前规划。政府机构应界定在调查期间和合同终止后必须持续可用的材料，也应确定这些材料的留存期限。

Colorado 的 AI consumer law 展示了对部署者日益加强的关注，即使用高风险系统的组织。其框架要求进行影响评估、风险管理、消费者通知，并为某些具有重大影响的决定提供申诉机会。

这类义务提升了文档记录的重要性。如果开发者不提供性能数据或系统限制，部署者就无法进行有意义的评估。

当政府机构发现歧视性结果时，同样的问题也会出现。它需要有权测试系统、获取相关记录并要求采取纠正措施。

供应商的标准服务协议可能限制逆向工程、基准测试或测试结果的发布。这些限制可能与政府的监督职责相冲突。

各州必须在部署前协商测试权。相关权利应涵盖独立评估、不同人口群体的性能分析、安全审查，以及由居民投诉触发的调查。

合同还应说明测试发现损害时将如何处理。可选措施包括规定纠正期限、暂停使用、增加人工复核、赔偿，以及无需承担惩罚性退出成本即可终止合同。

人工监督无法解决所有问题。如果工作人员没有足够背景来质疑 AI 建议，就无法进行有意义的审查。

一个只显示分数和“批准”按钮的界面，可能让人工审查沦为形式。政府机构需要解释、不确定性指标，以及拒绝自动化建议的权限。

因此，无论软件归谁所有，州政府都拥有公共责任。这一现实应塑造其提出的每一项技术和合同权利。

真正的对手是公共控制权与供应商依赖

核心较量并非一个州与另一个州之间的竞争，而是公共控制权与对政府机构无法迁移或检查的系统的依赖之间的冲突。

供应商需要可复用的产品来服务众多客户。若为每个州单独构建模型、基础设施栈和运营流程，将提高成本并拖慢部署。

各州同样能从共享的商业平台中受益。一家成熟供应商可以提供安全团队、频繁更新、专业工程师和经过验证的集成方案，这些并非单个政府机构能够独自维护。

危险并不在于私人参与本身，而在于供应商锁定：当更换供应商在技术、法律或财务上变得不切实际时，就会出现这种情况。

AI 会加深这种锁定，因为系统会在使用中不断变化。政府机构会添加提示词、政策文档、工作流、标签、修正内容和评估结果。

这些新增内容可能成为已部署服务的一部分。若无法导出，州政府离开时便会失去积累的运营知识。

传统数据库迁移通常聚焦于表、文件和模式。AI 迁移还可能需要嵌入表示、检索设置、安全规则、提示词模板、评估集和特定于模型的集成。

检索系统会在模型生成答案前搜索已批准的信息。其效用取决于文档处理、访问控制、排序设置以及长期收集的反馈。

所有权条款必须分别覆盖这些组件。否则，供应商可以返还原始文档，却保留使其真正有用的配置。

这一挑战类似于拥有书籍与拥有一套可用目录之间的差异。内容在技术上仍可获得，但当组织系统消失时，实际访问能力便会崩塌。

已经管理大型文档集合的团队理解这种区别。一个可搜索的知识库依赖于结构、权限和检索质量，而不只是拥有文件。

联邦政府已开始处理同一采购问题。2026 年 4 月的一份 GAO review 审查了多个大型机构的 AI 采购情况。

五个入选机构的官员均将数据所有权和知识产权列为挑战。GAO 强调了可移植性、清晰的许可条款、定价透明度以及防范供应商锁定的重要性。

可移植性不仅仅意味着下载一份电子表格。相关状态数据需要采用有文档说明的格式，并包含重新利用所需的关联关系与元数据。

模型可移植性更难实现。专有模型可能无法迁移到另一家云服务商或供应商。在这种情况下，合同应保留围绕该模型创建的状态层。

这些层可能包括提示词、评估案例、业务规则、系统指令、工作流定义和性能历史。保留它们可以降低替换核心模型的成本。

各州也不应将每一项改进都视为供应商的财产。某个政府机构的员工可能花费数月时间纠正输出结果，并开发专门指令。

公平的合同可以区分供应商通用产品的改进与为该机构创建的配置。它还可以将双方共同开发的成果许可给双方使用。

数据使用同样需要精确界定。用于运营服务的政府信息不应自动成为供应商通用模型的训练材料。

禁止训练的条款必须以足够宽泛的方式界定“训练”，才会真正发挥作用。它应涵盖微调、评估、产品分析、合成数据创建和人工审查。

微调是指利用额外示例来调整模型。即使供应商不重新训练基础模型，仍可能从政府机构的交互中获得商业价值。

合同应明确列出获准用途，而不能只依赖模糊的限制。它应具体说明数据是否可用于安全保障、服务改进、滥用检测或新产品开发。

分包商也需要遵守相同的边界。一州的主要供应商可能依赖云托管商、模型开发商、监控公司和人工审查服务。

每个参与方都可能创建另一份副本、日志或衍生制品。如果所有权保护仅适用于封面页上列出的供应商，其效力就会被削弱。

各州可以通过标准条款和合作采购作出应对。共享措辞可降低谈判成本，并避免各机构各自独立解决同一问题。

不过，标准化应设定最低标准，而不是抹除不同使用场景之间的差异。用于公共沟通的写作助手，与影响 Medicaid 资格认定的系统，面临的风险并不相同。

所有权问题应与后果相匹配。风险更高的部署需要更强的审计访问权、更长的留存期限、更清晰的申诉记录以及更迅速的暂停权。

五十个州正以不同速度建立规则

这种州与州之间的拼凑格局，反映的是不同的制度、预算、法律和风险容忍度，而不是 50 套完整的所有权框架。

“50 个州，50 种做法”这一说法，可能让人以为每个州都已确定自身路径。现有证据呈现的情况并没有如此有序。

一些州已制定集中化的 AI 政策，或指定了监督官员。另一些州则依赖既有的隐私、网络安全、采购和公共记录规则。

许多州仍在制定合同措辞。全美州议会会议（National Conference of State Legislatures）报告称，2024 年的一项调查发现，只有 9% 的受访者拥有首选的 AI 采购条款。

另有 62% 正在制定此类措辞，29% 尚未开始。这些数字说明的是一个过渡阶段，而非成熟的全国性体系。

NCSL 的政府 AI 概览还记录了各方对清单、评估、员工指引和采购标准日益增加的关注。

清单回答了一个基本问题：AI 正在哪里被使用？政府无法控制尚未识别出的系统。

即使有强有力的中央政策，也可能遗漏由各个机构单独采购的工具。AI 功能也可能通过常规软件更新引入，而无需启动新的采购流程。

客户服务平台可能新增自动摘要功能。人力资源系统可能引入候选人排序。案件管理产品可能加入预测性建议。

州政府可能从未发布一份标为“人工智能”的招标公告。因此，当 AI 通过升级、分包商或嵌入式功能进入系统时，所有权和监督条款也必须适用。

合同应要求供应商在启用实质性 AI 功能前发出通知。随后，各机构需要有权对其进行评估、予以拒绝，或就额外保障措施进行谈判。

实质性功能是指会改变数据使用、决策影响、风险或运营成本的功能。小幅界面改进则无需接受同等程度的审查。

州政府的组织结构也会影响由谁施加这些条款。集中的技术办公室可以在各机构之间建立共享要求。权力分散的州则可能依赖单个部门和采购官员。

预算能力同样重要。大州可以聘请专业律师、安全专家和数据科学家。较小的辖区可能更依赖供应商文档。

这种差距强化了共享公共资源的必要性。示范条款、评估模板和事件定义可以提供帮助，而不必强迫每个州采用完全相同的政策。

全美州采购官员协会表示，成功采购需要采购、技术、法律、隐私和业务团队之间的协作。其采购指南还强调了中标后的持续监控。

这种跨职能方法至关重要，因为没有任何单一办公室能够看清全部风险。采购人员了解合同杠杆，而业务人员了解系统所支持的决策。

技术团队评估架构和可移植性。隐私官员审查数据使用。民权专家评估系统是否可能产生不平等结果。

州政府律师解释记录法和正当程序要求。安全团队判断日志、集成和模型访问是否会形成新的攻击路径。

当每个问题都在后期才出现时，流程就会变慢。当机构在供应商提交提案前确立所有权要求时，流程则会更快。

明确的要求也能帮助供应商。企业可以准确地为所要求的权利定价，避免数月不确定的谈判。

因此，当前这种拼凑格局既是风险，也是试验场。各州正通过试点、争议、审计和合同续签，摸索哪些条款有效。

然而，当居民承担后果时，试验是有边界的。失效的聊天机器人只是带来不便；不透明的资格认定系统却可能拒绝提供食品、医疗支持或住房援助。

各州需要为具有重大影响的用途设定共同底线。这一底线应包括可追溯的输出、审计访问权、数据可移植性、事件报告和可执行的退出权。

在这一底线之上，各州可以根据本地法律和制度调整治理方式。统一性不如确保任何部署都不会让问责失去证据支撑来得重要。

所有权条款仍然无法保证什么

强有力的合同能够创造谈判筹码，但不能让 AI 系统自动变得准确、公平、安全或易于理解。

一个州即使拥有每一份生成记录，仍可能部署糟糕的系统。它也可能获得源代码，却没有能够评估这些代码的员工。

技术能力仍是重大制约因素。GAO 发现，联邦采购团队难以获得数据科学家和网络安全专家。州和地方机构往往面临更紧张的人员配置限制。

供应商文档可以提供帮助，但它不是独立证据。性能主张应使用该机构所服务的人群、数据质量、工作流和运营条件进行测试。

模型在实验室中表现良好，部署后仍可能失效。政策会变化，居民行为会转变，源数据会恶化，供应商也会更新底层模型。

这一过程通常被称为模型漂移。它描述了随着数据与现实世界结果之间的关系演变，性能出现下降或变化的情况。

生成式系统还会带来另一种变化形式。供应商可以在保持相同产品名称和界面的情况下更换基础模型。

新模型可能对相同提示词作出不同回应。如果没有版本记录和变更通知，机构就无法将行为变化与更新关联起来。

合同应要求对重大变更提前通知。它们还应给予机构在高风险生产使用前测试更新的时间。

但测试也有局限。罕见故障可能逃过基准测试，而社会危害可能不会出现在总体准确率分数中。

总体准确率可能掩盖不同人口群体之间的巨大差异。它也可能遮蔽这样一个事实：错误是否主要落在本就面临障碍的人群身上。

所有权无法解决这些衡量选择。机构必须决定哪些结果重要，以及哪些错误率可以接受。

公共透明度带来另一项权衡。居民有权获得关于影响他们的系统的有意义信息。供应商也有合理理由保护专有方法和安全敏感细节。

公开源代码并非总是必要或充分。更有用的披露可能是说明系统目的、数据类别、决策角色、已知局限、供应商和申诉程序。

机构应公布足够的信息，让受影响者理解系统所扮演的角色。独立审查者也需要在受控条件下获取更深入的技术证据。

看不到合同并不能证明存在滥用。同样，合同的存在也不能证明部署是负责任的。

EPIC 的研究对决策在缺乏充分公众参与的情况下转移到私有系统表示担忧。这一批评不应被泛化为声称每个已签约的 AI 系统都是违法或有害的。

许多工具从事的是风险较低的行政工作。它们可以总结内部文件、分派服务请求、检测重复记录，或帮助员工查找政策。

当 AI 认定事实、对人员排序、提出执法建议或塑造获取公共服务的途径时，风险就会改变。所有权保障应随这种影响力增强而提高。

核心关键词本身也需要谨慎对待。通过 Google News 看到的标题只是发现线索，而非完整的证据记录。

聚合内容可能将复杂议题压缩成一个挑衅性的问题。读者应追溯底层报道，并审查官方合同、法律、审计报告和机构政策。

搜索可见性同样不能证明存在全国共识。现有证据支持的是碎片化的采购格局，而不是字面意义上 50 套已最终确定的所有权模型。

最站得住脚的结论更为有限。州政府正在不同的法律和行政体系下部署 AI，而许多所有权规则仍未确定。

合同可以弥合其中一部分缺口，但无法取代有能力的员工、持续监督、公众告知或纠正有害决定的程序。

三个信号将显示谁真正控制州政府 AI

控制权会在模型变更、公众质疑和合同退出时显现，而不是在经过精心包装的产品演示中。

第一个信号是标准 AI 合同条款的普及。各州应发布或共享涵盖政府数据、生成输出、审计日志、训练限制、可移植性和删除的条款措辞。

标准条款将表明，所有权已从宽泛政策进入可执行的采购环节。缺少这些条款，则会让各机构一次又一次地逐份合同谈判关键权利。

第二个信号是各州如何处理供应商和模型变更。机构需要建立清单，标明嵌入式 AI 功能、已部署版本、更新情况以及责任官员。

应关注合同是否要求供应商就重大变更提前通知。还应关注机构能否在这些变更影响居民之前先行测试更新。

如果各州记录这些过渡过程，就能更有力地证明公共机构仍掌握控制权。悄然发生的变更则会削弱这一主张。

第三个信号是续约或终止时会发生什么。真正的退出测试应确定机构能否取回记录，并将关键工作流迁移到其他地方。

测试应包括提示词、配置、评估结果、日志和文档。仅导出源文件，无法重建实际运行的系统。

各州还应在迁移后核验数据删除情况。该流程必须覆盖活跃数据库、备份、衍生工件以及相关分包商。

这些信号比“州政府拥有其数据”之类的声明更重要。只有当机构能够检查、治理、转移并保存其所需内容时，所有权才具有实际意义。

居民应关注公开的 AI 清单、影响评估、合同摘要和申诉程序。记者可以将这些文件与采购记录和系统行为进行对照。

政府采购方应要求供应商在授标前展示可移植性。示例导出可以在问题变得昂贵之前，暴露缺失字段和专有依赖。

技术团队应维护由机构控制的评估集。这些评估集由具有代表性的案例组成，用于测试不同版本和供应商之间的性能。

项目负责人应明确解释个体结果所需保留的记录。法务团队随后可以将这些记录与保留、披露和申诉要求关联起来。

供应商同样拥有机会。能够提供可信审计访问和可用退出机制的公司，可以与那些围绕依赖关系构建的供应商形成差异化。

Google News 将继续推送有关各州 AI 政策、上线项目和争议的报道。决定性证据仍将存在于合同和运营记录之中。

每个机构接下来都要面对一个实际问题：它能否解释过去的输出、测试新模型，并在不丢失机构记忆的情况下离开供应商？

如果答案是否定的，那么该州并未以真正重要的方式控制这项部署。它只是获准使用该系统。

公共官员、供应商和居民应在关键系统扩大规模之前，要求得到更明确的答案。关注下一则 Google News 头条背后的合同，然后追问：谁能够审计、转移并停止该系统。