按影响力排序的应对选项

基础设施层面的影响力

• 算力与部署管控。 前沿模型的训练依赖高度集中的芯片、云计算与能源供应链,而被复制的模型权重与分布式推理则更难以管控。政策必须对这些不同阶段加以区分。
• 可逆的部署方式。 组织应当测试权限撤销、凭证轮换、网络隔离、回滚、模型下线以及升级至人工处理等机制,而不是依赖某个定义模糊的「一键关闭」开关。
• 降级运行模式。 在安全与工程条件允许的情况下,电力、供水、通信与支付等基础服务,应测试在某个 AI 组件或提供方不可用时,自身如何维持运转。

制度与法律层面的影响力

• 支持为人工智能实验室内部的员工与承包商提供举报人保护。内部人员可能较早发现严重问题,需要保密的外部渠道以及免遭报复的保护。
• 支持基于证据的竞争与集中度审查。更多独立的提供方有助于降低依赖性与私人权力的集中,但更激烈的竞争也可能加剧在风险尚未被充分理解之前就仓促部署的压力。

信息层面的防御

AI 可能会降低说服性内容的制作成本,并使其更加个性化,但其在人口层 面的实际影响仍不确定。切实可行的应对措施包括:对无法溯源、经过情绪 化优化的内容保持默认怀疑;支持诸如 C2PA 内容凭证与加密签名之类的溯源标准, 这类标准能够记录文件部分来源与编辑历史;以及在独立核实之前,将任何 所谓的「多数意见」信号视为未经证实。溯源信息可能被剥离,其存在也并 不能证明某项说法为真。