纽约市长曼达尼：AI并非必然，必须加以控制

纽约市长佐兰·曼达尼（Zohran Mamdani）与演员伊拉娜·格雷泽（Ilana Glazer）近日在一场公开对话中探讨了人工智能的社会影响。这场讨论没有停留在技术乐观主义的叙事里，而是直面一个更尖锐的问题：当AI实验室加速商业化、联邦监管却趋于宽松时，城市政府能做什么、应该做什么。

纽约市已经动手了

曼达尼在对话中批评联邦政府对科技公司缺乏有效监督，并强调地方层面的行动不应等待华盛顿的指令。他近期推动的两项措施颇具信号意义。

第一项是禁止在纽约市小学和初中使用人工智能工具。这一决定直接回应了教育场景中AI滥用与数据隐私的担忧，也把"孩子是否应该成为AI产品的实验对象"这个问题摆上了台面。

第二项要求房地产广告中使用的AI生成照片和视频必须披露。该规则的逻辑很直白：如果买家无法分辨房源图片是实拍还是AI合成，交易信任就会被侵蚀。这类mandatory disclosure机制，本质上是在信息不对称的市场里为消费者划一条底线。

两项政策一硬一软，前者是准入限制，后者是透明度要求，共同构成了曼达尼"控制而非放任"的治理思路。

mandatory disclosure（强制披露） 是金融监管与消费者保护领域的一项经典制度工具，其核心逻辑不依赖直接禁止或事前审批，而是要求交易一方在特定条件下公开关键信息，使另一方能在信息更充分的前提下做出决策。在证券发行、药品说明、食品营养标签等场景中，强制披露已被普遍采用。文章提到的房地产广告AI内容披露规则属于这一谱系：它并不禁止使用AI生成图片，而是通过施加标注义务来降低买卖双方的信息不对称。这类机制的优点在于执行成本相对较低、对创新的抑制较小，缺点是效果取决于披露是否可验证、违规成本是否足够高。当AI合成内容的辨识难度持续上升时，单纯的标签要求可能不足以形成有效约束，还需要配合技术检测与执法抽查。

"AI并非不可避免"意味着什么

曼达尼在对话中反复强调的一个判断是：人工智能的发展路径不是注定的。这句话针对的是一种流行的技术决定论——即AI能力会自然演进，社会只能被动适应。

他举了一个引发争议的例子：去年二月伊朗一所学校遭遇的袭击，并将其与相关AI系统的使用联系起来。这一关联的严谨性值得商榷，但它传递的担忧是真实的：当AI被嵌入军事、安防或关键决策链条，误判的代价可能由普通人承担。

这个论点把讨论从"AI能做什么"拉回到"谁来决定AI做什么"。如果技术路线可以被选择，那么监管就不是创新的敌人，而是选择权的载体。

技术决定论（technological determinism） 是一种认为技术发展具有内在逻辑、并按自身轨迹推动社会变迁的观点，其强版本主张技术是社会发展中最主要的驱动因素，社会只能被动适应。在AI讨论中，技术决定论常表现为"能力会自然增长，监管注定落后"的叙事。与之相对的是社会建构论，强调技术的方向、速度和应用方式取决于制度、资本与公共选择。曼达尼"AI并非不可避免"的表述，实质上是在主张技术路线具有可选择性，从而为监管干预提供正当性基础。这一争论并非AI时代独有，核技术、生物工程、社交媒体算法都曾经历类似辩论，其关键分歧始终是：技术演进是外生给定的约束，还是可以经由集体决策加以塑造的变量。

联邦与地方的监管张力

曼达尼对特朗普政府新设的人工智能工作组提出了直接批评，认为其重心放在企业自我监管上。这一批评的时间点颇为微妙：Anthropic和OpenAI等公司正筹备上市，资本市场的压力会进一步强化商业化节奏。

说个细节，即便在这些公司内部，风险声音也并不沉默。Anthropic、Google DeepMind和OpenAI的员工都曾公开谈论自己所开发技术的潜在危害。这种"开发者自己也不安"的现象，恰恰说明单纯依赖企业自律存在结构性缺陷——当商业激励与安全考量冲突时，前者往往占上风。

地方政府的介入因此有了现实依据。纽约市的措施规模有限，但它提供了一个可复制的模板：在联邦缺位时，城市可以用采购权、披露规则和场景禁令来施加影响。

企业自我监管（self-regulation） 指由行业自行制定行为准则、标准或审核机制，而非由政府通过立法或行政规则施加外部约束。支持者认为企业掌握最充分的技术信息，自我监管更灵活、响应更快；批评者则指出，当安全投入与商业回报冲突时，企业缺乏持续执行的内在激励，且违规成本往往不足以形成威慑。历史上，金融衍生品、社交媒体内容审核等领域都出现过自我监管失效的案例。文章提到AI公司员工公开表达对技术的担忧，恰好揭示了自我监管的结构性弱点：一线开发者掌握风险信息，却未必拥有影响产品决策的权力。这也是地方政府倾向于用采购权、披露规则等外部工具施压的现实背景。

这场讨论的真正分歧

对话中浮现的核心分歧不在于"AI是否危险"，而在于"由谁来定义危险并采取行动"。一方认为联邦层面应统一立法，避免各州各市规则碎片化；另一方则认为地方先行可以倒逼更高层级的行动。

曼达尼的立场明显偏向后者。他的逻辑是，AI的商业化速度已经超过了监管的响应速度，等待共识形成的时间成本太高。学校禁令和房产披露规则虽然切口小，但都是高感知、低争议的场景，容易建立公众信任并积累治理经验。

这种策略能否奏效，取决于两个变量：一是地方措施会不会被联邦法规覆盖或削弱；二是公众对AI风险的感知是否会持续升温。从当前的政策节奏看，这场关于"控制权"的博弈才刚刚开始。

对于关注AI治理的读者而言，纽约市的实验值得跟踪——它测试的不只是几项具体规则，而是一个更根本的问题：在技术加速的时代，民主决策机制还能不能追上创新的步伐。