高风险用例中FAIR与伦理的全球AI法规：一项比较性综述

# 面向高风险用例中公平与伦理的全球人工智能监管：比较综述  
来源：https://arxiv.org/html/2608.14562  
###### 摘要  

人工智能治理正从自愿伦理转向强制性、基于风险的法规，但跨司法管辖区的差异给高风险人工智能运营者带来了合规不确定性。我们提出了一个针对欧盟、美国和中国的比较矩阵，该矩阵映射了（i）风险分类触发条件、（ii）约束性义务、（iii）执法与问责机制，以及（iv）FAIR原则在实践中的实施程度。我们针对三个高影响力领域对该矩阵进行了压力测试：脑电图引导的康复机器人、未来中央银行数字货币生态系统中的人工智能驱动债务回收，以及新兴人工智能工厂基础设施中人工智能驱动的稀缺图形处理单元资源分配。通过主要法律文本和实施证据，我们识别出三个反复出现的差距：互操作性要求薄弱、跨体制义务（人工智能+行业法规+数据保护）难以实施，以及对关键数字基础设施用例的治理规定不明确。为弥合实施差距，我们概述了*知识块*，这是一种基于资源描述框架/网络本体语言、形状约束语言和起源本体的可机器检查的合规构件模式，旨在实现跨多个体制的审计就绪、设计合规。  

## I引言  
人工智能系统日益调解着基本服务的获取。在高风险场景中部署时，故障或偏见可能影响基本权利、安全或社会信任，这要求治理框架在促进创新与实施可执行保障措施之间取得平衡[1 (https://arxiv.org/html/2608.14562#bib.bib1)]。欧盟人工智能法案（法规 (EU) 2024/1689）引入了基于风险的横向框架[2 (https://arxiv.org/html/2608.14562#bib.bib2)]。美国依赖于特定行业的立法和自愿指南，并以2025年1月撤销第14110号行政命令为强化[3 (https://arxiv.org/html/2608.14562#bib.bib3),4 (https://arxiv.org/html/2608.14562#bib.bib4)]。中国则采用强制性的、以国家为中心的模式，结合算法注册和生命周期监督[5 (https://arxiv.org/html/2608.14562#bib.bib5),6 (https://arxiv.org/html/2608.14562#bib.bib6)]。尽管国际社会在负责任的人工智能方面趋于一致[7 (https://arxiv.org/html/2608.14562#bib.bib7),8 (https://arxiv.org/html/2608.14562#bib.bib8)]，但三个反复出现的挑战依然存在：（i）*分类模糊性*（针对人工智能驱动的高性能计算资源分配等系统）；（ii）*FAIR原则（可发现、可访问、可互操作、可重用）的不完全实施*，限制了可审计性；以及（iii）*执法不对称性*，扭曲了跨体制的激励。  

本文旨在解决三个研究问题。研究问题1：主要的人工智能治理体制在高风险人工智能分类方面有何不同？研究问题2：FAIR原则在多大程度上被嵌入约束性义务中？研究问题3：哪些治理差距跨领域和司法管辖区持续存在？我们的贡献包括：C1一个可复现的、司法管辖区无关的评估矩阵；C2在三个高风险用例上进行跨领域压力测试，揭示了行业孤立分析中不可见的盲点；C3通过可机器检查的合规构件（*知识块*）[9 (https://arxiv.org/html/2608.14562#bib.bib9)]，识别并部分实施了治理缺陷。  

## II背景与相关工作  
### II-A高风险人工智能与监管理念  
人工智能监管已转向基于风险的可执行框架。欧盟人工智能法案通过附件III定义高风险系统，涵盖生物识别、就业、信贷和关键基础设施[2 (https://arxiv.org/html/2608.14562#bib.bib2)]。美国和中国没有统一定义，但分别通过行业和行政机制应对高风险[10 (https://arxiv.org/html/2608.14562#bib.bib10),11 (https://arxiv.org/html/2608.14562#bib.bib11),6 (https://arxiv.org/html/2608.14562#bib.bib6)]。治理理念存在分歧：欧盟基于权利且采取预防性原则（事前）；美国市场驱动且基于行业（事后）；中国以国家为中心且强制性[12 (https://arxiv.org/html/2608.14562#bib.bib12)]。经济合作与发展组织和联合国教科文组织提供非约束性的价值观框架[8 (https://arxiv.org/html/2608.14562#bib.bib8),7 (https://arxiv.org/html/2608.14562#bib.bib7)]，而欧洲委员会的人工智能框架公约（CETS第225号，2024年）则标志着向可执行性的转变。对于高风险人工智能而言，自愿的自我监管是不够的[13 (https://arxiv.org/html/2608.14562#bib.bib13)]。  

### II-B FAIR原则与可机器检查的合规性  
FAIR原则（可发现、可访问、可互操作、可重用）[14 (https://arxiv.org/html/2608.14562#bib.bib14)]因其对透明度和可审计性的要求，对人工智能治理日益重要。在高风险人工智能中，合规性依赖于可追溯的数据、可访问的文档和可转移的合规证据。即使存在文档义务，合规构件也很少是可机器检查的，这削弱了跨境可审计性，尤其是在可互操作性方面[13 (https://arxiv.org/html/2608.14562#bib.bib13)]。*知识块*解决了这个问题：采用资源描述框架/网络本体语言进行表示，形状约束语言进行验证，起源本体进行溯源，从而实现自动化的一致性检查和证据图[9 (https://arxiv.org/html/2608.14562#bib.bib9)]。特定领域的挑战包括：医疗人工智能的多层次义务（安全+数据保护+人工智能法案）[15 (https://arxiv.org/html/2608.14562#bib.bib15),16 (https://arxiv.org/html/2608.14562#bib.bib16)]；金融人工智能和央行数字货币中的公平与正当程序风险[17 (https://arxiv.org/html/2608.14562#bib.bib17),18 (https://arxiv.org/html/2608.14562#bib.bib18)]；以及尽管高风险公平效应显著，但高性能计算资源分配领域仍缺乏特定的人工智能治理。  

## III方法论  
我们采用结构化比较设计，考察欧盟、美国和中国三个高风险用例，并以欧盟人工智能法案作为一致的分类参考。选择用例的标准是：（i）在欧盟人工智能法案下具有明确的高风险特征，以及（ii）跨司法管辖区具有功能相关性：用例1：脑电图引导的康复机器人（医疗保健）；用例2：央行数字货币系统中的人工智能驱动债务回收（金融）；用例3：人工智能工厂中的人工智能驱动资源分配（高性能计算基础设施）[19 (https://arxiv.org/html/2608.14562#bib.bib19)]。分析单位是*约束性监管义务*。对于每个用例和司法管辖区，义务按四个维度进行编码：（1）风险分类触发因素、（2）强制性生命周期控制、（3）执法与问责机制，以及（4）可操作的FAIR支持。为每个用例构建比较矩阵，以识别分类模糊性、实施差距和执法不对称性。分析基于主要法律文件，并辅以二手法律和技术分析。  

## IV用例分析  
### IV-A 用例1：脑电图引导的机器人神经康复（医疗保健）  
用例1考虑了一种结合可穿戴外骨骼与脑电图以推断运动意图的神经康复机器人臂。机器学习组件在人在环路的工作流程中，将脑电图模式映射到执行器指令。脑电图数据构成健康和生物识别信息，因此治理关键在于医疗器械分类和特殊类别数据处理[20 (https://arxiv.org/html/2608.14562#bib.bib20),21 (https://arxiv.org/html/2608.14562#bib.bib21)]。  

欧盟：用例1根据人工智能法案第6(1)条属于高风险，触发了关于风险管理、数据治理、技术文档、透明度、人类监督和稳健性的强制性要求[2 (https://arxiv.org/html/2608.14562#bib.bib2)]。这些义务同时适用于医疗器械法规[22 (https://arxiv.org/html/2608.14562#bib.bib22)]和通用数据保护条例[21 (https://arxiv.org/html/2608.14562#bib.bib21)]。相关标准包括IEC 60601、IEC 80601-2-78、IEC 62304、ISO 14971和ISO/IEC 42001（参见https://www.iso.org/和https://webstore.iec.ch/）。  

美国：通过美国食品药品监督管理局的医疗器械审批途径进行监管；针对人工智能的指导方针大多无约束力。《健康保险可携性和责任法案》处理承保实体环境下的健康数据。公平性和生命周期控制依赖于自愿框架。  

中国：结合国家药品监督管理局的医疗器械监管与算法治理。《个人信息保护法》[23 (https://arxiv.org/html/2608.14562#bib.bib23)]将脑电图数据视为敏感个人信息，对其处理和跨境传输有严格限制。  

所有司法管辖区的一个共同局限是缺乏用于文档、数据溯源和人类监督验证的可机器检查的合规构件。表I (https://arxiv.org/html/2608.14562#S4.T1)总结了对比情况。  

表I：监管对比：脑电图引导的机器人神经康复（用例1）  

### IV-B 用例2：央行数字货币系统中的人工智能驱动债务回收（金融）  
用例2考察了前瞻性央行数字货币生态系统中的人工智能驱动债务回收，其中可编程货币和实时结算支持自动化执行。当人工智能影响信用评级、支付限制或执行优先级时，会产生高风险特征，从而放大歧视风险并引发正当程序问题[17 (https://arxiv.org/html/2608.14562#bib.bib17),24 (https://arxiv.org/html/2608.14562#bib.bib24),18 (https://arxiv.org/html/2608.14562#bib.bib18)]。  

欧盟：用例2涉及欧盟人工智能法案、数字欧元立法包[25 (https://arxiv.org/html/2608.14562#bib.bib25)]、通用数据保护条例和支付监管[21 (https://arxiv.org/html/2608.14562#bib.bib21),24 (https://arxiv.org/html/2608.14562#bib.bib24)]。当人工智能驱动的债务回收影响基本服务获取时，可能触发高风险分类。关键的合规挑战是*体制耦合*：人工智能法、支付服务法和数据保护法的义务必须在运行时协调一致地实施。  

美国：尚未部署央行数字货币；监管通过行业法规（《公平债务催收作业法》、《公平信用报告法》、《平等信用机会法》）以及联邦贸易委员会/消费者金融保护局的执法来中介[26 (https://arxiv.org/html/2608.14562#bib.bib26),27 (https://arxiv.org/html/2608.14562#bib.bib27)]。这些提供了事后问责，但对人工智能特定的事前生命周期义务规定有限。  

中国：数字人民币是中国已部署的央行数字货币，提供了最成熟的央行数字货币参考，并具有强有力的行政监督[28 (https://arxiv.org/html/2608.14562#bib.bib28),29 (https://arxiv.org/html/2608.14562#bib.bib29),30 (https://arxiv.org/html/2608.14562#bib.bib30)]。如果用例2依赖于算法画像，可能需要向国家互联网信息办公室备案，并受《个人信息保护法》和网络安全控制措施的约束[31 (https://arxiv.org/html/2608.14562#bib.bib31)]。  

跨司法管辖区悬而未决的关键问题是如何在保持可争议性、比例原则和非歧视性的同时，对可编程执行施加有效约束。表II (https://arxiv.org/html/2608.14562#S4.T2)总结了用例2。  

表II：监管对比：央行数字货币与人工智能驱动债务回收（用例2）  

### IV-C 用例3：人工智能工厂中的人工智能驱动资源分配（高性能计算）  
用例3关注人工智能工厂基础设施中稀缺GPU资源的人工智能辅助分配。基于机器学习的分配引入了不透明性和反馈循环，可能强化制度层级或对新兴研究小组不利。治理范围超越效率，涉及公平性、可争议性和问责制[32 (https://arxiv.org/html/2608.14562#bib.bib32),33 (https://arxiv.org/html/2608.14562#bib.bib33),34 (https://arxiv.org/html/2608.14562#bib.bib34)]。  

欧盟：人工智能法案附件III涵盖了关键基础设施和获取基本服务，但未明确包括高性能计算分配[35 (https://arxiv.org/html/2608.14562#bib.bib35)]。通过可预见的滥用或对获取或职业结果的系统性影响，可以合理地将其归类为高风险[2 (https://arxiv.org/html/2608.14562#bib.bib2)]。在此分类下，义务将包括数据治理、偏见监控、透明度、人类监督和争议权。  

美国：没有针对高性能计算调度的横向人工智能监管体系。治理主要是制度性的，得到内部政策和自愿框架的支持，例如美国国家标准与技术研究院的人工智能风险管理框架[36 (https://arxiv.org/html/2608.14562#bib.bib36)]。公平性取决于当地政策和审计能力。  

中国：如果系统具有公共或社会影响，算法治理可能适用，要求注册并采取反歧视措施[37 (https://arxiv.org/html/2608.14562#bib.bib37),38 (https://arxiv.org/html/2608.14562#bib.bib38)]。其在高性能计算分配上的应用仍然是间接的，并且由于依赖于工作负载特性和制度历史，偏见归因在技术上存在困难。  

主要瓶颈并非缺乏公平原则，而是缺乏针对分配决策的标准化、可机器检查的合规构件。知识块可以将输入、约束、解释和申诉痕迹编码为可审计的语义构件[9 (https://arxiv.org/html/2608.14562#bib.bib9)]。表III (https://arxiv.org/html/2608.14562#S4.T3)总结了用例3。  

表III：监管对比：人工智能驱动的高性能计算资源分配（用例3）  

## V跨领域分析  
### V-A监管理念比较  
表IV (https://arxiv.org/html/2608.14562#S5.T4)总结了主导的治理逻辑，这些逻辑决定了什么具有可执行性以及证据在多大程度上可以跨境提供。  

表IV：监管理念比较  

### V-B跨司法管辖区的FAIR支持  
在用例1至3中，FAIR支持不均衡。可发现性在中国（登记册）最强，在欧盟是有条件的，在美国则基本是自愿的。可访问性在中国是明确的，在欧盟是有条件的，在美国则是分散的。可互操作性仍然是最薄弱的维度：在任何司法管辖区，合规证据都很少可转移或可机器检查。可重用性通过文档要求在欧盟和中国相对较强，但缺乏标准化格式。  

### V-C跨领域差距  
G1：分类与范围不确定性（用例2、3）：用例3（高性能计算分配）是一个边界案例，其系统性影响支持一种高风险解释，而这种解释并未在附件III中明确涵盖。用例2反映了一个可能的高风险路径，仍有待立法解决。  

G2：实施赤字（所有用例）：义务规定了要求，但提供的实施指导有限。用例3的公平性指标未标准化，用例1中脑电图推断的可解释性仍然定义不明确，用例2缺乏针对自动化执行的具体约束。  

G3：执法异质性（所有用例）：欧盟强调...