レバレッジの大きい順に見る対応の選択肢

インフラ層のレバレッジ

• 計算資源と展開の統制。 最先端モデルの学習は集中した半導体・クラウド・エネルギーのサプライチェーンに依存する一方、コピーされたモデルの重みや分散推論は統制がはるかに難しい。政策はこれらの段階を区別しなければならない。
• 可逆的な展開。 組織は、あいまいに定義された一つの「キルスイッチ」に頼るのではなく、権限の取り消し、認証情報のローテーション、ネットワークの分離、ロールバック、モデルの撤回、そして人間へのエスカレーションを実際にテストしておくべきである。
• 劣化運転モード。 安全性と工学的な制約が許す範囲で、電力、水道、通信、決済といった基幹サービスは、AIの構成要素やプロバイダーが利用できなくなった場合にどう運用を継続するかをテストしておくべきである。

制度的・法的なレバレッジ

• AIラボ内の従業員や契約社員のための内部告発者保護を支持する。内部の人間は深刻な問題を早期に察知しうるため、機密性の高い外部への通報経路と、報復からの保護を必要とする。
• 証拠に基づく競争政策と集中度の審査を後押しする。独立したプロバイダーが増えれば依存と私的権力を減らせる一方、競争が速まることは、リスクが十分に理解される前に展開してしまう圧力を悪化させることもある。

情報層における防御

AIは説得的なコンテンツを安価かつ個人に合わせたものにしうるが、人口規模 での影響はなお不確実である。実践的な対策としては、出典を確認できない、 感情に訴えるよう最適化されたコンテンツにはまず懐疑的であること、 C2PA Content Credentials や暗号署名といった、ファイルの出所や編集履歴の一部を記録できる証明標準 を支持すること、そして多数意見を示すとされる信号は、独立に確認される までは未検証として扱うことが挙げられる。証明情報は取り除かれうるもので あり、その主張が真実であることを証明するものではない。