白宫召集OpenAI等巨头预览AI自愿框架：开源措辞成博弈焦点

白宫与AI巨头的闭门会议

据科技媒体 The Information 报道，特朗普政府于本周二邀请 OpenAI、Anthropic 和 Google 三家美国头部AI公司前往白宫，共同预览一份全新的AI"自愿框架"（voluntary framework）。这份框架源自今年6月2日签署的一项行政命令，如今已经完成起草，白宫正与产业界就下一步落地展开讨论。6月2日签署的行政命令是特朗普政府AI政策体系的核心文件之一，该命令将AI定位为国家安全和经济竞争力的核心要素，强调减少监管障碍、加速政府采用AI技术、确保美国在全球AI竞赛中的领导地位。这一政策取向与特朗普政府整体的去监管化（deregulation）哲学一脉相承。

说个细节，这份框架采用"自愿"（voluntary）而非强制监管的路径——这与拜登政府时期偏向行政命令式约束的思路形成鲜明对比。事实上，自愿框架在美国科技治理史上并非新鲜事物。自愿框架（voluntary framework）在美国产业治理中有深厚的历史根基。从20世纪90年代互联网兴起时期的"网络自律"原则，到2014年奥巴马政府时期与科技公司达成的隐私保护自愿协议，再到化工行业的"责任关怀"（Responsible Care）计划，美国监管体系长期倾向于在强制立法之前先尝试行业自律路径。这种模式的理论基础是"共同监管"（co-regulation）——政府设定方向，企业负责具体执行，通过市场声誉机制和同行压力实现合规。然而，历史经验表明，自愿框架在缺乏第三方审计和违规惩罚机制时，往往沦为公关工具。

自愿框架在实践中的效果确实参差不齐。成功案例如支付卡行业数据安全标准（PCI DSS），虽为行业自愿标准但因商业保险和合作伙伴要求而具有实际约束力。失败案例如2016年前社交媒体平台的自愿内容审核承诺，最终因执行不力而推动了各国立法介入。AI领域的自愿框架面临的独特挑战在于：技术发展速度远超框架更新周期，且AI风险的滞后性使得事前自律难以应对未预见的危害。

2023年7月，拜登政府曾召集包括OpenAI、Google、Meta、Anthropic等在内的七家AI公司签署自愿承诺书，涉及安全测试、水印标识和信息共享等内容，但这些承诺因缺乏执行机制而被批评者视为"纸面文章"——签署后数月内，几乎没有公开信息显示各公司如何具体履行了承诺内容。特朗普政府此次重新采用自愿路径，但背景已大不相同——AI能力在过去一年中经历了指数级跃升，GPT-4级别的模型已成为行业基线，多模态和Agent能力的出现使风险图谱更加复杂。此举被广泛解读为特朗普政府在AI治理上更倾向于"轻监管、促创新"的立场，试图在保持美国AI领先地位的同时，避免对企业施加过重的合规负担。

值得注意的是，特朗普于2025年1月就职后，迅速撤销了拜登时期关于AI安全的第14110号行政命令——该命令曾要求开发者向政府报告大型模型的安全测试结果。具体而言，第14110号行政命令（2023年10月签署）在技术层面设定了明确阈值：任何使用超过10^26次浮点运算（FLOP）训练的双用途基础模型，其开发者必须向商务部报告训练活动、安全测试结果（包括红队评估）以及模型权重保护措施。这一阈值大致对应GPT-4级别的训练计算量。然而，由于算法效率的快速提升（如稀疏化、混合专家架构MoE等技术），同等能力的模型所需计算量正在迅速下降。这意味着以FLOP为唯一阈值的监管标准可能很快失去精准性——新一代模型可能在远低于阈值的计算量下达到甚至超过GPT-4的能力水平。这也是为何仅基于训练计算量的监管框架受到技术界质疑的原因之一。

该命令还要求国家标准与技术研究院（NIST）制定AI安全标准，并授权商务部通过《国防生产法》获取企业信息。特朗普政府撤销该命令的直接影响是：企业不再有法律义务向政府披露大型模型的安全测试数据，NIST的标准制定工作虽仍在进行但失去了行政命令的授权支撑。取而代之的是一系列侧重促进创新和维护美国竞争力的新政策。6月2日的行政命令正是这一系列政策调整的延续，其核心逻辑是将AI视为国家竞争力的战略资产，而非需要被严格管控的风险源。

框架内容与生效状态存疑

根据目前透露的信息，这份自愿框架的具体条款仍未完全公开。行政命令中所勾勒的框架轮廓虽已"完成"，但其是否已经正式生效尚不明确。三家AI公司的代表将在会议上首次系统性地看到框架全貌，并就实施细节与政府展开磋商。

这种"先出台、再协商"的推进方式本身值得玩味。一方面，它显示出政府希望快速确立AI治理的基本方向；另一方面，将企业代表请到桌前预览、讨论，也意味着框架的最终形态仍有调整空间。对于AI企业而言，这既是表达诉求的窗口，也是一场围绕规则制定权的博弈。

开源议题成为游说焦点

报道中最耐人寻味的细节是：直到上周，AI公司仍在就框架中的具体措辞展开游说，其中一个核心议题正是"开源"（open-source）。

为何开源如此关键

开源与闭源之争，是当前AI产业最深刻的路线分歧之一。以 Meta 的 Llama 系列为代表的开源阵营主张模型权重公开、社区共建，认为这能加速创新、降低门槛、避免技术垄断；而 OpenAI、Anthropic 等更偏向闭源或有限开放的公司，则强调前沿模型的安全风险与滥用可能，主张审慎发布。

然而，AI领域的"开源"概念远比传统软件开源复杂。传统开源软件（如Linux）遵循GPL、MIT等成熟许可证体系，源代码公开即意味着可复现。但AI模型的"开源"存在多个层级：仅公开模型权重（weights）、公开训练代码、公开训练数据集、以及公开完整的训练流程和超参数。Meta的Llama系列虽然公开了模型权重，但其许可证包含商业使用限制和用途限制条款，严格来说并不符合开源促进会（OSI）2024年发布的"开源AI定义"。因此，框架中对"开源"的定义边界——是权重公开即算开源，还是必须满足更严格的标准——将直接决定哪些企业和模型落入何种合规类别。

开源AI生态系统已形成完整的产业链：Hugging Face作为模型托管和分发的核心平台，拥有超过100万个公开模型；vLLM、llama.cpp等推理框架降低了模型部署门槛；LoRA、QLoRA等参数高效微调技术使得在消费级GPU上定制大模型成为可能。这一生态的繁荣高度依赖于模型权重的自由流通。任何对开源发布施加的限制——即便是自愿性质的安全评估——都可能通过增加发布延迟和成本来影响整个生态的创新速度。同时，开源模型已广泛应用于医疗、教育、科研等领域，形成了显著的正外部性。

框架中关于开源的措辞，可能直接影响到：开源模型是否需要承担额外的安全评估义务、模型权重发布是否面临限制、以及不同商业模式下企业的合规成本。如果框架要求开源模型在发布前接受安全评估（如红队测试、危险能力评估），这将对整个开源生态产生深远影响。目前，开源模型的发布流程相对简便——开发者训练完成后可直接在Hugging Face等平台发布权重文件。若引入评估义务，即便是自愿性质，也会形成事实上的行业标准和公众预期，增加小型开发者和学术机构的发布门槛。

这也涉及一个根本性的技术辩论：一旦模型权重公开，任何人都可以移除安全对齐（alignment）层进行微调，那么对发布者施加安全义务的有效性究竟有多大？从技术层面看，模型权重（model weights）是神经网络经过训练后形成的数十亿到数万亿个参数值，本质上是模型"学到的知识"的数学表达。一旦权重公开，任何具备足够计算资源的人都可以运行该模型，并通过微调（fine-tuning）技术修改其行为。

安全对齐通常通过RLHF（人类反馈强化学习）或DPO（直接偏好优化）等技术实现。RLHF由OpenAI于2022年在InstructGPT论文中系统化提出，其流程包括：先用人类标注的偏好数据训练一个奖励模型，再用该奖励模型通过PPO（近端策略优化）算法对语言模型进行强化学习。DPO则是2023年由斯坦福团队提出的简化替代方案，直接从偏好数据优化策略，无需单独训练奖励模型。然而，这些对齐技术的脆弱性已被多项研究证实：2023年CMU等机构发表的论文表明，通过对抗性后缀（adversarial suffixes）可以系统性绕过对齐；Shadow Alignment等研究展示了仅用100个有害样本和数小时的GPU计算即可"去对齐"一个模型。这些对齐层在模型权重中的体现相对"浅层"——研究表明，仅需数百个样本和数小时的GPU计算，就能有效移除大多数安全限制。这构成了所谓的"不可逆扩散"问题：权重一旦发布即无法召回，而发布后的安全措施可被绕过。

这也是为何一些研究者提出"结构化访问"（structured access）作为完全开源与完全闭源之间的中间路径——允许研究者通过API或受控环境使用模型，但不直接分发权重文件。这一概念由DeepMind研究员Toby Shevlane于2022年系统阐述。实践中已有多种实现形式：OpenAI的API分级访问（不同用户等级对应不同的模型能力和调用限制）、Anthropic的分阶段发布策略（先限量测试再全面开放）、以及学术界的申请制度。然而，结构化访问面临的核心挑战是：一旦某个模型的能力被广泛复现（如通过知识蒸馏或开源替代），访问限制即失去意义。此外，对于非美国实体而言，API访问限制容易通过代理和VPN绕过。

哪怕是几个词的差异，都可能重塑整个行业的竞争格局——这也解释了为何各家公司要为"specific language"（具体措辞）持续游说。

企业利益的暗流

参会的三家公司在开源问题上立场并不完全一致，且其商业模式和技术路线存在显著差异。OpenAI已从非营利转型为营利实体，估值超过3000亿美元，核心收入依赖API和ChatGPT订阅，倾向于闭源商业化。Anthropic由OpenAI前核心成员创立，以"宪法AI"（Constitutional AI）和安全研究著称，融资结构中Amazon占据重要位置，在安全与商业化之间寻求平衡。

Anthropic采用了独特的公益公司（Public Benefit Corporation）结构，其董事会设有长期利益信托（Long-Term Benefit Trust）机制，旨在确保安全使命不被商业压力侵蚀。截至2025年，Anthropic累计融资超过150亿美元，其中Amazon承诺投资高达40亿美元并成为主要云基础设施合作伙伴，Google也是早期投资者之一。这种多巨头交叉持股的格局使Anthropic在政策讨论中的立场更加微妙——其既需要维护安全研究的声誉，又需要平衡大股东的商业利益。

宪法AI（Constitutional AI，简称CAI）是Anthropic于2022年提出的一种AI对齐方法。其核心思想是：不依赖大量人类标注员逐条审核AI输出，而是预先制定一套"宪法"——即一组明确的行为准则和价值原则——然后通过AI自我批评和修正的迭代过程实现对齐。具体流程分为两个阶段：第一阶段让AI根据宪法原则批评并修改自己的有害回复（监督学习），第二阶段使用AI生成的偏好数据（而非人类标注）进行强化学习。这种方法的优势在于可扩展性强、减少人工成本，且其"宪法"可以透明公开供外界审查。Anthropic的Claude系列模型正是基于这一方法论训练而成。这一技术路线使Anthropic在安全议题上具有天然的话语权，也影响了其在政策讨论中倾向于支持更严格的安全评估标准。

Google则同时运营闭源的Gemini系列和开源的Gemma系列，其作为云服务巨头的身份使其在框架讨论中拥有多重利益考量。

值得注意的是，Meta——当前最大的开源AI模型提供者——并未出现在参会名单中。Meta在开源AI领域的投入力度在大型科技公司中独树一帜。其Llama 3.1 405B是截至发布时最大的公开权重模型，Llama系列的累计下载量已超过数亿次。Meta推动开源的商业逻辑清晰：作为非云计算巨头，开源可以削弱OpenAI-Microsoft和Google的闭源API垄断，将竞争拉回到应用层和生态层面。Meta CEO扎克伯格多次公开表示，开源AI对于维持行业竞争和防止单一公司控制AI至关重要。Meta的缺席可能反映了特朗普政府在选择预览对象时的策略性考虑，也可能与Meta在其他政策议题上与当届政府的关系动态有关。这一缺席本身就是一个耐人寻味的信号，可能意味着框架的起草过程中，开源阵营的最强代言人并未在第一时间参与核心讨论。

这意味着白宫的框架起草过程，实际上是在多方利益之间寻求平衡。谁能在措辞中占据主动，谁就能在未来的市场竞争与政策环境中获得先发优势。这场发生在白宫会议室里的博弈，其影响可能远超一份文件本身。

政策走向的深层解读

从更宏观的视角看，这次会议标志着美国AI治理进入一个新阶段。特朗普政府选择"自愿框架"而非硬性法规，本质上是在"创新自由"与"风险管控"之间做出的一种价值取舍。

自愿框架的优势在于灵活、快速、对企业友好，能够在技术快速迭代的背景下保持适应性；但其明显的短板也在于约束力有限——当框架仅依赖企业自律时，其实际效果高度依赖于企业的意愿与执行力度。

对于中国及全球其他地区的观察者而言，这一动向同样具有参考意义。美国在AI监管上的每一步选择，都会通过技术标准、供应链和国际规则等渠道产生外溢效应。从国际AI治理格局来看，欧盟已于2024年正式通过《人工智能法案》（AI Act），建立了基于风险分级的强制监管框架。该法案于2024年8月正式生效，其中对通用AI模型（General-Purpose AI，GPAI）的监管分为两级：所有GPAI提供者必须满足基本透明度义务，包括提供技术文档、遵守版权法、公开训练数据摘要；而被认定具有"系统性风险"的GPAI模型（判定标准之一是训练计算量超过10^25 FLOP）则面临更严格的要求，包括进行对抗性测试（adversarial testing）、评估和缓解系统性风险、向欧盟AI办公室报告严重事件、以及确保充分的网络安全保护。违规处罚可达全球年收入的3%或1500万欧元。

该法案的实施采用分阶段策略：禁止性条款（如社会评分、实时远程生物识别等）于2025年2月生效；GPAI相关条款于2025年8月生效；高风险AI系统的完整合规要求于2026年8月全面实施。欧盟AI办公室（AI Office）负责GPAI模型的监管执法，并正在制定行为准则（Code of Practice）作为合规指引。对于被认定具有系统性风险的模型开发者，不遵守行为准则将需要证明其采取了等效的替代合规措施。这一复杂的实施时间线意味着全球AI公司正面临渐进式增加的合规压力。这一框架的域外效应显著——任何在欧盟市场提供AI服务的公司都须遵守，实际上为全球AI模型设定了合规底线。

中国则通过《生成式人工智能服务管理暂行办法》等一系列法规，实施了包含算法备案、安全评估在内的全流程监管。英国选择了"亲创新"路线，依靠现有监管机构分散治理。美国若最终确立自愿框架路径，将在全球形成与欧盟硬监管截然不同的第二极，可能吸引更多AI企业和资本集中于美国，但也可能在跨境数据流动和模型出口方面与欧盟产生摩擦。美国自愿框架若与欧盟强制要求差距过大，可能导致企业面临两套并行的合规体系，增加运营复杂性。开源政策的松紧，尤其会直接影响全球开发者能够获取哪些前沿能力。

结语

目前，这份自愿框架的完整内容、生效时间以及开源相关的最终措辞都还有待官方进一步披露。可以确定的是，AI治理的规则制定已经从抽象讨论进入实质性博弈阶段，而站在谈判桌前的，正是决定AI未来走向的几家关键公司。后续框架的正式文本发布，将是判断美国AI政策真实取向的关键节点，值得持续关注。

核心要点

核心要点

核心要点