我们构建了一个免费的AI风险计算器，几分钟内即可运行，采用费米估算与诚实的置信区间

近几个月来，我们内部一直在争论如何在不假装数字精确的情况下，快速估算人们的AI风险暴露。大多数风险评分工具返回单一值，隐藏了不确定性所在。我们想构建一个结构清晰、展示计算过程且承认未知因素的工具。你填写一份简短表格，涵盖部署类型、管辖区域、公司规模、自动化水平和数据敏感性。这大约需要三分钟，之后一个代理（底层为GPT-5.5）会再运行几分钟，在计算估算时流式传输进度。输出结果是一个预期年损失及90%置信区间，分为五个类别：技术、运营、法律与合规、伦理与声誉、及治理。每个类别都揭示其驱动因素、假设和缓解措施，你还可以获得一份可下载的PDF。该方法为费米估算。对于每个风险，我们估算事件发生频率以及事件发生时的财务影响，影响分为罚款、法律成本、补救措施以及品牌损害等间接损失。基准率来自行业先例，并根据你的上下文进行调整，因此管辖区域影响显著。例如，欧盟AI法案对禁止行为罚款可达全球营业额的7%。我希望从这个子论坛获得反馈，因为风险量化很困难，诚实的人会对先验概率产生分歧。以下是我预计可能错误或存在争议的几个方面。1. AI特定事件的基准率噪音很大，我们基于薄弱的先例进行外推，两年后这些先例会显得更可靠。2. 单一年度视野忽略了复合效应，但作为筛选工具这是有意的选择，不过是一个值得指出的真实局限性。3. 治理风险最难货币化，我们试图解决它；请指出我们的估算哪里不准确。4. 90%置信区间很宽，人们讨厌这一点，但我们认为窄区间是不诚实的，这种权衡值得讨论。该工具无需登录，查看结果不需要邮箱，但PDF下载会要求提供邮箱。我特别看重三种反馈。* 针对你熟悉的系统运行它，并告诉我数字是否通过你的直觉测试。* 告诉我你会首先更改哪个假设。* 告诉我五个类别中我们哪个最不准确。\[声明：我在Modulos工作，该公司开发AI治理软件，这个计算器是我们完整平台功能的免费轻量版本。\]