当前位置: 首页 > news >正文

OpenAI转变立场,呼吁加州加强AI安全法案

据TechCrunch报道,人工智能领域的领军企业OpenAI日前作出了一次引人注目的态度转变。该公司此前一直公开反对加州SB 53法案,如今却向加州立法机构致信,呼吁对该法案进行强化,而不是简单地反对或要求否决。这一变化被业内视为科技巨头面对监管态度的一个风向标。

SB 53法案到底要什么?

SB 53是加州参议院提出的一项人工智能安全法案,旨在为高能力AI模型的开发与部署建立可执行的安全框架。该提案要求开发者在训练某些超过算力门槛的模型前,必须向州政府提交安全评估报告,并对可预见的灾难性风险进行缓解。它还涉及设置“紧急刹车”机制,以便在极端情况下暂停模型运行。

“我们并不认为人工智能监管应该被搁置,但必须确保规则设计得当,能够真正降低风险,同时不让创业公司和开源社区失去发展空间。”——OpenAI此前在游说文件中的立场。

此前,OpenAI与包括谷歌、Meta在内的多家科技公司一道,对该法案表示强烈反对,认为其“将对加州的创新生态造成难以估量的伤害”。这些反对意见主要集中在法案定义模糊、算力门槛武断,以及赋予了州政府过于宽泛的行政裁量权。

180度转弯:OpenAI想强化什么?

在新的信中,OpenAI没有撤回对法案核心框架的批评,但大幅调整了行动方向。该公司呼吁加州立法者进一步强化SB 53,并提出了几条具体的修订方向。

根据TechCrunch披露的信息,OpenAI首先希望法案引入一个真正“独立”的第三方评估机构,而不是让开发者自行提交“自我评估”。OpenAI认为,目前许多安全测试都可以被轻易绕过,外部审查将有助于提高结果的可信度。其次,OpenAI希望法案覆盖更多的模型类型,包括那些通过微调或组合多个模型而形成的高风险系统,而不仅仅是参数规模最大的基础模型。

此外,OpenAI要求明确“开发者责任”的法律边界,例如在模型被用于有害目的时,平台方、应用层和基础模型开发者之间如何分配责任。OpenAI还提出,应建立一个透明的年度审查机制,由学术界和产业界共同参与评估法案实施效果,并定期向公众发布报告。

“如果监管无法跟上技术演变的脚步,那么它要么浪费,要么过时。一个强化的、设计良好的法案,好过一个模糊的、难以执行的法案。”一位接近OpenAI的消息人士如此解释公司的立场。
为何突然转向?

OpenAI的态度反转在科技圈引发了不小的波澜。一种解读是,该公司已经预见到加州在2026年将不可避免地通过某项AI监管法案。与其继续对抗,不如主动参与规则制定,将法案塑造得更符合自身商业利益。另一个原因是,OpenAI的竞争对手Anthropic一直公开支持更严格的安全监管,而OpenAI需要避免在“安全承诺”上落后。

值得注意的是,OpenAI本轮呼吁的“强化”并非无差别加码,而是更精准地聚焦于第三方审计、模型覆盖范围和责任分配。业内分析人士认为,这实际上是在为大型AI公司设置“监管护城河”——因为对中小创业者和开源模型开发者来说,独立评估和审计将带来高昂的成本,而大型平台更容易承担这些合规成本。

利弊之争:安全与创新如何平衡?

参与SB 53谈判的多方人士对OpenAI的新立场持谨慎欢迎态度。加州参议院的一个助手对TechCrunch表示,变化“至少表明我们正在朝着对话的方向前进”。但也有反对者指出,OpenAI的建议可能进一步抬高进入门槛,抑制真正的开源创新。

在硅谷,许多AI创业公司对SB 53的担忧依然没有消减。一位不愿透露姓名的初创公司创始人对TechCrunch说:“他们看到的是成本可以转嫁给生态中的其他人。而小公司如果被审计费用和法律责任压垮,那这个法案就变成了一场大厂商的排他秀。”

编者按:监管博弈进入新阶段

从“反对”到“呼吁强化”,OpenAI的战略姿态发生了戏剧性变化。这或许标志着AI监管博弈进入了一个新阶段:企业不再简单地拒绝监管,而是试图在监管框架中争夺定义权。毕竟,谁掌握了“安全标准”的定义,谁就掌握了未来的竞争规则。

然而,我们也应该警惕:当一家行业巨头开始主动要求“加强监管”时,未必完全是出于公益考量。对于政策制定者而言,关键不是迎合哪一方,而是找到真正能让公众受益的安全底线。对广大开发者而言,这场博弈的结果,将直接影响AI技术未来的开放度和创新活力。无论SB 53最终以何种形式通过,它都会成为全球AI治理的一个重要样本。

本文编译自TechCrunch

本文首发于赢政天下(https://www.winzheng.com),获取更多深度技术内容与资源,欢迎访问官网。

http://www.cnnetsun.cn/news/4188532.html

相关文章:

  • DBC文件详解:从CAN总线通信到信号解析的完整指南
  • 2024年Java面试新趋势与核心知识域解析
  • Python爬虫实战:突破浏览器指纹反爬的Selenium伪装技术
  • Java大厂面试趋势:Spring Boot与AI技能全解析
  • Python面试核心:从GIL到装饰器,系统梳理高频考点与实战策略
  • Java面试高频技术栈:消息队列、缓存与Redis实战解析
  • AI编码代理工具接口设计:从Bash到SDK的架构演进与实践
  • 从过早抽象到性能飞跃:编译器IR优化与SSA/CFG原理详解
  • ClickHouse物化视图实战:从原理到实时PV/UV统计实现
  • CentOS 7.9 部署 OpenGauss 数据库全流程与避坑指南
  • UVM验证工程师面试核心问题与实战技巧
  • AI面试核心考察点与工程实践解析
  • Kitsu:动画与特效制作协作平台完整指南,三步跑通你的第一个项目
  • Android Framework面试核心:Binder与Handler机制深度解析
  • 华为光学工程师岗位核心能力与面试解析
  • 目标跟踪算法全解析:从传统方法到深度学习实战指南
  • 从SpaceXAI招聘看AI工程化:从模型到服务的实战路径
  • yuzu Switch 模拟器完全指南:如何免费在电脑上玩 Switch 游戏
  • Go语言实现安全WebSocket实时聊天:JWT身份验证与并发管理实战
  • 零经验功能测试面试100题解析与实战指南
  • AI应用架构师面试指南:技术架构与人才发展实战
  • 基于Node.js+Vue的兼职招聘评价系统设计与实现
  • GPTFast 快速上手:3 步给 Hugging Face 模型提速 7.6-9 倍
  • 3行代码让相机自动贴合任意3D模型:camera-controls fitToSphere 自适应视口全解
  • SQL Server偏移量读取错误:I/O故障诊断与三层定位法
  • Java面试题设计:技术深度与工程实践
  • 基于SSM框架的火车票预订系统:Java Web毕业设计与实战指南
  • 开源磁盘清理工具MangoDisk:可视化分析与深度清理实战指南
  • Oracle 19c单机补丁升级实战:从19.3到19.21的完整流程与避坑指南
  • Java工程师面试全攻略:从JVM到分布式架构