🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
你有没有想过，一份人工智能法案动辄几十页，里面可能同时写着安全测试、产业补贴、隐私保护和出口限制。过去几年，美国联邦和州一级提出了成百上千份这样的法案，欧盟和英国也在不停出新规。
麻烦在于，法案一多，比较就难。有人说某份法案“太松”，有人说“太严”，吵到最后常常是在说不同的目标：有人最看重安全，有人最看重产业竞争力，有人最看重公民权利。公共讨论很容易缩成“支持创新”还是“支持监管”两派，中间那些具体取舍反而看不见。
已有的办法各有短板。专家写的政策分析很深，但一次只能看几份；纯统计方法能处理上千份文件，却说不清一份法案到底偏向哪个目标；直接让聊天机器人打分倒是快，可换个问法、换个模型，分数就变了，而且它凭什么给这个分，外人也看不见。
这篇论文想补上的，正是这样一张给不同方案打分的评分表：把评分项目、权重和假设都摊开写清楚，让任何人都能检查、质疑，甚至换一套自己的权重。
② 研究问题（要回答什么？）
这篇论文要回答的，不是“哪份法案更好”，而是一串更基础的问题。
- 看哪些维度？一份人工智能法案可能同时涉及反垄断、安全、国家安全、公民权利和产业政策。能不能选出几个稳定、可比较的“属性”，让不同法案放在同一张表上？
- 评分表怎么定？每个属性下面该有哪些具体条目？比如“安全”是只看测试，还是也要看事件报告、第三方审计、举报人保护？
- 权重怎么给？同样是安全属性，“部署前测试”占两成半，“举报人保护”只占一成，这样的差别有依据吗？换一套权重，结论会不会翻盘？
- 大模型能代劳吗？把评分表交给商业大模型，让它读法案、逐条打分，结果靠不靠得住？和专门按评分表校准过的模型比，差在哪？
- 边界在哪？这套工具只衡量法案“在多大程度上谈到了某个目标”，不判断这个目标值不值得追求，更不判断法案好坏。这条边界能不能守得住？
换句话说，作者想造一把透明的尺子，而不是当裁判。
③ 研究方法（怎么做的？）
造这把尺子分了三步，像做菜先定菜单、再试味、最后请人盲评。
第一步，问人。研究团队访谈了 24 位人工智能政策专家，每人约半小时，全程录音并匿名。这些人里有 6 位在政府工作过，11 位在高校或智库，4 位来自企业，3 位是创业者。团队还发了一份 16 人的问卷。专家们说，直接问“这个权重该给多少”太抽象，于是改成逐条看评分细则：这条像不像你理解的那个领域？该加还是该删？
第二步，读文本。团队挑了 91 份“示范法案”，按属性分成反垄断 10 份、产业政策 28 份、国家安全 19 份、公民权利 14 份、安全 20 份，再加上 4 份欧盟文件、1 份英国文件和 1 份国际标准。每份切成长度 200 词、前后重叠 50 词的小块，一共得到 1,854 块。然后用三种由浅入深的文本分析：先看哪些词最有区分度，再看文章自然聚成哪些主题，最后用向量模型算每一块和评分细则的语义接近程度。
第三步，对表。团队把五个属性拆成 31 条评分细则，每条给一个权重，权重加起来是百分之百。再用另一批 883 份来自乔治城大学 AGORA 数据库的真实政策文件做外部检验，看这套尺子放到没见过的文件上还准不准。
最后，他们请 6 个商业大模型按同一张评分表给法案打分，再和“按评分表校准过”的模型对照。这就像让六个临时评委和一位按同一份评分手册培训过的评委同台，看谁的打分更稳。
④ 结果（发现了什么？）
结果里最反直觉的一句是：重叠不是毛病，重叠本身就是发现。
研究者原本担心，一份法案会同时踩中好几个属性。数据说，现实就是这样。20 份“安全”类示范法案，国家安全平均 54.7 分，安全平均 53.3 分；美国《国防授权法案》国家安全 60.21、安全 52.69。因为两边评分表都含“网络安全”，只是国家安全看威胁背景，安全看运行风险。
尺子本身站得住吗？在 91 份示范法案里，有 73 份（约 80%）得分最高的属性，正好就是它原本被归入的那一类。法案和评分细则的语义相似度大多落在 40 到 65 之间，很少贴近 0 或 100——说明真实法案本来就是“多目标拼盘”，不是非黑即白。
真正拉开差距的是大模型同台测评。以《欧盟数字市场法案》为例，校准模型给反垄断 50.31、产业政策 39.24；Gemini 3 Pro 直接给反垄断 100、产业政策 2.5。到了《国防授权法案》，校准模型的分数从 49.29 到 60.21，只差约 11 分；DeepSeek-V3.2 给国家安全 38.75，反垄断和公民权利直接清零。
Gemini 和 Grok 最爱“押注头条”，给《国防授权法案》国家安全 71.3，给科罗拉多州法案公民权利 87.5。GPT-5.2、Claude Sonnet 4.5 和 Kimi K2.5 的分摊更开，比如 GPT-5.2 在同一份国防法案上给安全 46.0，Claude 和 Kimi 都给了 43.75。
⑤ 讨论（这些发现说明什么？）
怎么解释这些差别？作者很克制：他们不说是“大模型不行”，而是说大模型和这把尺子被训练成了不同的习惯。商业模型面对一份长法案，倾向于抓住最响亮的标签——这是反垄断法，那就反垄断满分，别的靠边；至于这是训练数据、指令微调还是人类反馈造成的，本研究没法分辨。
校准模型的做法完全不同：它不重新训练语言模型，只是把法案切成小块，把 31 条评分细则也变成向量，算每一块和每条细则有多接近，再按权重加起来。它天然会“雨露均沾”，因为它逐条比对，而不是先给法案贴一个大标签。
但作者反复提醒：分数高不等于政策好。这套工具只回答“这份法案在多大程度上谈到了某个目标”，不回答“这个目标该不该追”“这条规定能不能落地”。一条只写口号、没有执法机制的条款，也可能因为用词贴近而得高分；反过来，真正有效但表述朴素的条款可能被低估。
更重要的是，工具里藏着三层价值判断：选哪五个属性、每条细则给多少权重、把重叠当优点还是缺点。作者不假装中立，而是把这些选择写进论文、公开代码和数据，请使用者自己判断“这套优先级和我的立场合不合”。他们借用“中立的胜任力”这个说法：中立不是没有价值观，而是把价值观说清楚，并且对每份法案一视同仁地用同一套标准。
⑥ 结论（最终结论 + 启示）
所以，这篇论文交出的不是一个“人工智能法案排行榜”，而是一套可以拆开、检查、重装的评分工具。它的价值在于把政策分析里那些平时藏起来的判断——看什么、怎么称重、如何呈现——摆到台面上。
对政策制定者和分析师，启示有三条。第一，想让 AI 帮忙看海量法案，最好用假设写得明明白白的专用流程，而不是直接问聊天机器人要一个总分。第二，商业大模型适合做探索、找线索、写初稿，不适合在高风险场合单独定分。第三，任何评分表都带着制表人的立场，使用者要先问“它重视什么”，再看分数。
作者也承认，这套尺子目前主要用美国的数据和视角做成，换到别的国家要重新校准；它量的是法律文本的语义相关性，不是执行效果，更不是政策优劣。下一步，他们希望把工具开放给更多人改写权重、增加属性，让比较本身变成一场公开的价值讨论，而不是一次黑箱裁决。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
人工智能治理研究在过去几年迅速膨胀，但政策分析工具面临三重错位：质性框架有深度却难以规模化；定量指标便于比较却掩盖取舍；计算文本方法能处理大语料，却停留在主题或情感的高层抽象，无法对应到专家定义的实质政策标准。与此同时，立法者面对数百份提案、相互矛盾的专家证词和碎片化的监管版图，缺少一套可复现、可比较、且对价值假设保持透明的评估流程。
本文提出一套面向人工智能治理提案的多属性政策分析框架与配套工具，材料以美国联邦与州级法案为主，辅以少量欧盟与英国经典立法。其贡献有三：（1）以经验材料为基础构建多维 rubric，使政策取舍显性化而不替使用者裁决；（2）提出专家访谈与计算文本分析相互校验的混合方法；（3）以经 rubric 校准的领域模型为基准，系统比较多个通用商业大模型的评分行为。
作者明确不评估政策的有效性或可欲性，只测量提案在各属性上的相关性与一致性；这一点既是框架的边界，也是其规范化设计的核心。与既有计算立法研究相比，本文不以文件相似度或条款谱系为终点，而以属性层面的语义对齐与 rubric 评分为分析单元。
I. Theoretical Framework & Hypotheses（理论框架与假设）
本文不检验因果假设，而是提供一个规范性分析架构：政策被理解为可同时服务多个目标（属性）的组合，评分只刻画文本与各属性 rubric 的语义对齐程度。属性取自作者前期研究识别的十类人工智能政策议题，出于范围控制选取五类；每类由 5–10 个评分细则构成，全框架共 31 条细则，组内权重之和为 100%。
| 属性 | 评分细则与组内权重（%） | 条数 |
|---|---|---|
| 反垄断 | 市场集中与支配 30；并购审查 20；执法能力 20；互操作与开放标准 15；数据获取与强制共享 10；排他行为与平台中立 5 | 6 |
| 安全与保障 | 测试与评估 25；事件报告与透明 15；网络安全 15；人类监督与问责 15；举报人保护 10；第三方审计 10；人身与个体安全 10 | 7 |
| 国家安全 | 国防与军事应用 20；关键基础设施保护 20；出口管制与技术主权 15；外国影响与间谍 15；网络防御与韧性 15；跨部门与国际协调 15 | 6 |
| 公民与人权 | 消费者保护 20；隐私与数据权利 20；偏见与公平 20；可及性与包容 15；法律保护与正当程序 15；透明与可解释 10 | 6 |
| 产业政策（经济韧性） | 劳动力发展与就业质量 25；研发投资与激励 20；本土制造与供应链 20；基础设施与算力 15；能源与资源 10；全球竞争力 10 | 6 |
权重并非从数据机械推导，而是“观察到的立法强调程度 + 专家判断 + 主题分布校验”三者折中的结果。例如安全属性中“测试与评估”占 25%，而 BERTopic 显示测试与网络安全两类主题合计约占 30% 的主题质量，二者大致呼应；但“事件报告”主题质量仅约 0.07，最终仍给 15%，因为专家访谈强烈支持。作者以此说明：rubric 是规范化判断的产物，不是价值中立的测量。
框架的规范性体现在三层：属性选择（为何是这五类而非环境、劳工、国际合作）、权重分配（细微权重差异可能显著改变结论）、分析动作（把属性重叠视为信息、采用多维评分而非类别归属、测量法条语言而非执行结果）。作者借用 Weimer 的“中立的胜任力”概念，主张中立不等于无价值，而是价值透明加跨案例的一致应用。
M. Materials & Methods（材料与方法）
- 示范政策库：91 份政策文本，含美国国会、联邦机构与州级立法；反垄断 10、产业政策 28、国家安全 19、公民与人权 14、安全与保障 20，另含 4 份欧盟、1 份英国与 1 份国际标准。选择依据专家判断与 24 次访谈，并由专家复核。
- 外部验证集：乔治城大学 ETO 的 AGORA 数据库 883 份美国公共部门人工智能治理文件；其 78 个元数据标签中有 29 个可映射到本文属性，用于人工抽查分类效度。
- 质性设计：24 位专家半结构化访谈，每次约 30 分钟，录音匿名；6 位政府、11 位高校或智库、4 位企业、3 位创业者。另发 16 人问卷。访谈不直接索取数值权重，而逐条审议 rubric 与属性定义；据此将“公共利益”更名为“公民与人权”，将“产业政策”更名为“产业政策（经济韧性）”。
- 三层文本分析：TF-IDF 采用 one-vs-rest 对比分，1–2 元词组，词项需出现在至少 2 份且不超过 95% 的文件中，属性内覆盖率至少 30%；BERTopic 以预训练句向量、UMAP 降维、HDBSCAN 聚类与 c-TF-IDF 提取主题，每个属性强制 10 个主题；语义层使用 KaLM-Embedding-Gemma3-12B-2511。
- 分块与打分：每份法案切为 200 词、重叠 50 词的块，91 份共 1,854 块；31 条 rubric 定义与全部文本块嵌入同一向量空间，按
S(d,a) = Σk wk · maxc∈d cos(ec, rk)聚合，并转为 z 分数识别显著项。max pooling 保留局部高相关段落，但可能放大孤立信号。 - 大模型基准：GPT-5.2、Claude Sonnet 4.5、Gemini 3 Pro、Grok 4.1 Thinking、DeepSeek-V3.2 Thinking、Kimi K2.5，统一提示词给出完整 rubric 定义、0–100 锚点、逐条 JSON 与加权总分；法案文本上限 35k 字符。提示词模拟分析师真实用法，未做提示词敏感性优化。
R. Results（结果）
- 多维性是常态：多数政策与 rubric 的余弦相似度落在 40–65，极少接近 0 或 1。20 份安全类示范政策的平均国家安全分为 54.7、安全与保障为 53.3；《国防授权法案》为 60.21 与 52.69。两份 rubric 都含网络安全，只是国家安全侧重威胁背景，安全侧重运行风险。
- 结构效度：91 份示范政策中 73 份（约 80%）的支配属性与原始归类一致，交叉对齐多集中在安全与保障组；AGORA 883 份外部样本复现了同一多维模式。
- rubric 与主题分布互证：安全组 BERTopic 中“测试与评估”“网络安全与系统韧性”两类主题合计约占 30% 主题质量，对应 25% 与 15% 的权重；但事件报告主题质量仅约 0.07，仍因专家支持而保留 15%，显示权重是判断而非机械拟合。
- 商业大模型压平分布：同一提示词下，Gemini 3 Pro 与 Grok 4.1 高度集中，常把主导属性打满、相邻属性归零；DeepSeek-V3.2 最窄，主导属性之外频繁给 0；GPT-5.2、Claude Sonnet 4.5、Kimi K2.5 分布较宽。校准模型则在五个基准上都保持分散、贴合 rubric 结构。
| 案例 | rubric 校准模型 | 商业大模型 |
|---|---|---|
| 欧盟数字市场法案 | 反垄断 50.31；产业政策 39.24 | Gemini：100 与 2.5；Grok：100 与 0.0 |
| 国防授权法案人工智能条款 | 国家安全 60.21；反垄断 49.29，跨度约 11 分 | Gemini 国家安全 71.3；DeepSeek 38.75 且反垄断、公民权利为 0；GPT-5.2 安全 46.0；Claude 与 Kimi 均 43.75 |
| 科罗拉多州人工智能法案 | 公民与人权 5 条细则中 3 条高于 67 | Gemini 公民与人权 87.5，外溢极少 |
作者强调，校准模型并非“更正确”，而是在这一特定任务上与 rubric 结构更一致；商业模型未为该任务设计，其差异可能反映训练数据、指令微调与“对齐裁量”的共同作用。
a / D. Discussion & Conclusion（讨论与结论）
- 理论意义：把政策分析从“单份深读”推进到“多份可比”，并以属性重叠而非互斥分类刻画治理议题的交叉性；这与平台治理中“从行为规制到架构规制”的讨论相互呼应，但本文提供的是测量基础设施而非因果解释。
- 实践启示：形成“商业大模型做探索、校准模型做正式打分”的混合流程；任何自动评分都应附带 rubric、权重与假设说明，供使用者判断其优先级是否与自身规范立场一致。作者称此为“有纪律的透明”，而非虚假中立。
- 效度边界：嵌入分数测量的是语义主题存在感，不区分条款是促进、限制还是豁免某概念，也不衡量法律执行力；高相关不等于强约束，例如仅有宣示性条款的法案仍可能得到不低的分数。
- 局限：（1）属性集与权重反映美国政策话语与作者判断，五类并非穷尽，环境、劳工等被并入或排除；（2）仅测法条文本，不测拨款、执法与实施效果；（3）属性重叠带来归因模糊，在非“示范型”政策上更明显；（4）200 词分块与 max pooling 可能放大孤立段落，替代聚合策略的稳健性检验尚缺；（5）稠密嵌入会压缩相似度区间，40–65 的中段分布部分是几何效应；（6）基准结果依赖单一提示词机制，未做系统性提示词扰动；（7）工具不能替代法律与政治判断。
- 未来方向：开放代码与数据，允许替换 rubric、权重与属性；把评分与平台合规行为、政策执行结果连接；对来源标注、事件报告等具体工具做效果评估。
🧠 IRMaD 思维导图
mindmap
root((AI治理提案评分工具))
I 背景
法案数量暴涨
争论陷入二元
缺少可比工具
F 框架
五个政策属性
三十一条评分细则
组内权重合计一百
只评相关性
M 方法
二十四位专家访谈
九十一条示范法案
三层文本分析
一千八百五十四个文本块
六个商业模型对照
R 结果
七十三份主导属性吻合
相似度多在四十到六十五
大模型打分过度集中
欧盟法案被拉满
a 讨论
重叠本身就是发现
权重含价值判断
大模型只宜探索
美国数据与视角局限
D 结论
透明胜过虚假中立
工具可复现可改造
不判断政策好坏
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。