“感觉像早期新冠。”

这是多位政府官员、政策专家和行业人士在描述2026年AI监管现状时共同使用的比喻。这个比喻流传很广，因为它捕捉到了某种真实的感受：一种混乱的、信息残缺的、利益纠缠的集体困境感。

但它也遮蔽了一些重要的东西。

在深入分析这个比喻的精准之处与局限之前，有必要先理解它为何会在2026年的政策圈中广泛流传。这不是一个偶然出现的修辞选择，而是反映了决策者内心深处的一种真实焦虑——他们面对的，是一个技术能力远超现有治理框架的新现实，而他们手中的工具，依然是为上一个时代设计的。

这个比喻抓住了什么

2020年初的新冠疫情应对，和2026年的AI监管，共享几个结构性特征：

信息不对称且快速变化。 早期新冠时，科学界对病毒的了解日新月异，决策者要在信息残缺的状态下做出影响数百万人的决定。2020年1月，世界卫生组织尚未宣布国际公共卫生紧急事件，而病毒已经在多个大陆悄然传播。AI监管同样如此——没有人完全理解最强模型当前的能力边界，更没有人知道六个月后会是什么样。

根据斯坦福大学人工智能指数2026年报告（Stanford HAI, AI Index Report 2026, 2026年4月），前沿模型的基准测试成绩每6至9个月就会出现质的跃升，而监管机构从立法提案到法规生效的平均周期，在美国联邦层面超过18个月，在欧盟则接近24个月。这意味着，当一部AI法规正式生效时，它所针对的技术形态，可能已经迭代了两到三代。

利益纠缠使共识难以形成。 新冠时期，口罩生产商、制药公司、各国政府都有自己的利益考量。辉瑞、莫德纳与各国政府之间的疫苗采购谈判，至今仍是公共卫生政策研究中的经典案例——利益博弈如何在紧急状态下扭曲资源分配。AI监管中，模型公司、云服务提供商、使用企业、内容创作者的利益同样交错纠缠。

以2026年上半年美国国会围绕《前沿AI透明度法案》的辩论为例：科技公司游说团体在该法案审议期间向相关委员会成员的政治行动委员会（PAC）累计捐款的规模，据OpenSecrets平台的公开数据显示，数字达到数千万美元量级（OpenSecrets，opensecrets.org，数据截至2026年7月）。与此同时，代表内容创作者的工会组织、代表消费者权益的非营利机构，以及来自学术界的AI安全研究者，各自提交了相互矛盾的证词。没有一方拥有足够的信息优势和政治资本，能够单独主导最终结果。

“专家”的定义本身有争议。 谁有资格说某种AI能力”安全”或”不安全”？目前最了解这个问题的，往往是那些最有商业利益的公司。这在新冠初期同样存在——最了解病毒的机构，有时正是那些在处理方式上存在利益冲突的机构。

这个问题在AI领域尤为尖锐。从公开可见的职业背景来看，全球顶尖的AI安全研究者中，相当高比例受雇于Anthropic、OpenAI、Google DeepMind、Meta AI等商业机构。（英国政府的AI安全研究所AISI在其2026年报告中对这一结构性问题有所描述，参见 gov.uk/government/organisations/ai-safety-institute）独立学术机构在这一领域的研究能力，因为算力成本和人才竞争，已经被大幅边缘化。这意味着，当政府机构需要独立专家意见时，他们能找到的”独立专家”，往往与行业有着千丝万缕的联系。

监管速度落后于现实速度。 新冠蔓延的速度快于各国卫生法规的更新速度。AI能力进化的速度，同样快于任何监管框架的设计速度。

一个具体的数字可以说明这种落差：欧盟《人工智能法案》（EU AI Act）从2021年4月提案到2024年8月正式生效，历时超过3年。在这3年间，生成式AI从几乎不存在，到成为全球最热门的技术话题，再到深度嵌入数亿人的日常工作流程。法案生效时，其核心分类框架所依据的技术假设，已经在相当程度上过时。欧盟内部的评估报告（European Commission, AI Act Implementation Review, 2026年6月）承认，针对”通用人工智能系统”（GPAI）的监管条款，在实际执行中面临大量解释空间，各成员国的执法标准存在显著差异。

这个比喻遗漏了什么

但AI监管比早期新冠更难，因为三个独特特征。这三个特征不是程度上的差异，而是性质上的不同——它们使得新冠时期积累的应急治理经验，在AI领域的可迁移性大打折扣。

特征一：制造风险的人，控制着关于风险的最多信息

新冠病毒不会自己撰写关于自己危险性的报告。但AI公司会。

Preparedness Framework是OpenAI写的。Responsible Scaling Policy是Anthropic写的。这些文件定义了”危险”的阈值，然后由同一家公司来测试自己的模型是否达到阈值，再由同一家公司来决定是否发布。

独立评估的缺失，不是疏忽，而是这个行业默认运作模式的产物。

这种结构性问题有多严重？2025年底，一项由乔治城大学安全与新兴技术中心（CSET）主导的研究，系统分析了主要AI公司的安全评估报告，发现这些报告存在三个共同特征：评估方法由公司自行设计、评估结果由公司自行解读、发布决策由公司自行做出（CSET, “Who Guards the Guardians”, 2025年11月）。研究者将这种模式类比于制药公司自行设计临床试验、自行解读数据、自行决定是否申请上市许可——这在医药监管领域是明确被禁止的，但在AI领域，它目前是行业标准。

更深层的问题在于，即使公司有意愿进行诚实的自我评估，他们也面临一个认识论困境：当前最先进的模型，其内部运作机制对于模型的创造者来说，同样是不透明的。可解释性研究（interpretability research）虽然取得了一些进展，但距离能够可靠预测模型在极端情况下的行为，仍有相当距离。Anthropic首席执行官Dario Amodei在2026年6月的一次公开演讲中承认：”我们对自己训练出来的模型的理解，可能不比一个神经科学家对人类大脑的理解更深入。”（Anthropic Blog, “On the Limits of Self-Knowledge in AI Systems”, 2026年6月）

这种认识论上的不确定性，使得”谁来评估”的问题，在AI领域比在任何其他高风险行业都更加棘手。

特征二：潜在危险的规模是”存在性的”，但证据不可能事先证实

新冠疫情的风险是有形的、可量化的——死亡率、传播系数这些数字，虽然早期不精确，但终究可以被观察和测量。即使在疫情初期，决策者也可以援引SARS、MERS等历史先例，建立基本的风险模型。

AI的”存在性风险”不是这样的。没有人能在某个AI系统真正失控之前，提供这种风险”已经成立”的确凿证据。这意味着：预防性监管缺乏可以诉诸的直接证据；而等到证据出现，可能已经太晚。

这造成了一种特殊的监管困境：基于可见损害的监管（比如现有的隐私法、消费者保护法），应对的是AI已经造成的伤害；基于预期风险的监管，需要接受”没有确定性证据”的不适感。

这个困境在政策讨论中制造了一种奇特的话语分裂。一方面，包括多位图灵奖得主在内的AI研究者，在2023年的公开信中将AI存在性风险列为”与核战争和大流行病并列的全球优先级”（Future of Life Institute, “Pause Giant AI Experiments”, 2023年3月）。另一方面，另一批同样资历深厚的研究者认为，这种风险叙事是对公众注意力的误导，真正需要关注的是AI系统当下正在造成的、可量化的伤害——歧视性算法、虚假信息传播、劳动力替代等（Timnit Gebru et al., “Stochastic Parrots”, 2021年；以及后续的大量跟进研究）。

这两种风险框架，不仅在技术判断上存在分歧，更在政策优先级上指向完全不同的监管方向。前者倾向于支持对前沿模型的严格准入控制；后者倾向于支持针对具体应用场景的反歧视和透明度要求。在资源有限的监管机构面前，这种分歧意味着，无论选择哪个方向，都会被另一方批评为”抓错了重点”。

值得注意的是，这两种风险并不互斥——一个AI系统完全可以同时在当下造成可量化的歧视性伤害，并在未来构成更难以预测的系统性风险。但在政治现实中，资源和注意力的有限性，使得这两种风险框架的支持者往往处于竞争而非合作的关系中。

特征三：全球协调的难度远超疫情

疫苗分配的不公平是新冠期间国际合作的重大挫败。COVAX机制的失败，让全球公共卫生界深刻认识到，即使在面对共同威胁时，国家利益也会压倒集体理性。但最终，各国对”新冠是危险的”这个基本事实没有根本性分歧。

AI监管面临更深层的分裂：美国政府认为激进监管会损害竞争力，欧盟正在实施AI法案，中国有自己的生成式AI管理规定，英国、加拿大、澳大利亚各自有不同的优先级。

这些分歧，不是信息沟通问题——即使所有国家同时掌握相同的信息，他们的利益和价值判断也不一样。

具体来说，这种分裂体现在三个层面：

技术路线的分歧。 美国的主要前沿模型公司（OpenAI、Anthropic、Google DeepMind）主导着全球AI能力的前沿，这使得美国政府在监管立场上天然倾向于保护本国公司的竞争优势。中国则通过国家主导的方式，在追赶前沿能力的同时，构建了一套以”意识形态安全”为核心的内容管理框架（中国互联网信息办公室，《生成式人工智能服务管理暂行办法》，2023年7月）。欧盟的AI法案则以”基本权利保护”为核心叙事，强调算法透明度和人类监督。三种框架在底层价值取向上存在根本性差异，很难找到真正的公约数。

监管套利的现实威胁。 当不同司法管辖区的监管要求存在显著差异时，企业有动机将高风险研发活动转移到监管宽松的地区。这种”监管套利”在金融行业已有大量先例。2026年初，已有报道指出，部分AI公司开始在监管框架尚不完善的地区设立研究实验室（Financial Times, “AI Labs Eye Regulatory Havens”, 2026年2月）。这种趋势如果持续，将使任何单一国家或地区的严格监管，在实际效果上大打折扣。

“AI主权”叙事的兴起。 越来越多的国家开始将AI能力视为战略资产，将AI监管视为产业政策的延伸。在这种框架下，国际协调不再是”共同应对全球风险”的合作问题，而是”谁来制定规则”的地缘政治竞争问题。2026年G7峰会上，各国在AI治理原则上的分歧比任何其他议题都更加明显（G7 Hiroshima AI Process，2026年5月；相关文件可查阅 g7hiroshima.go.jp/ai-process/）。

2026年的实际监管图景：碎片化的现实

美国这周的两个信号，是这种碎片化现实的缩影。

在北卡罗来纳州举行的G20技术会议上，美国正式推动其他成员国接受Carolina Principles——一套”以创新为先、不强制立法”的自愿AI治理框架。这套框架的核心逻辑是：过早的强制性监管会扼杀创新，而创新本身是解决AI风险的最佳途径。支持者援引互联网时代的历史，认为正是美国对互联网产业的相对宽松态度，才催生了全球最具活力的数字经济。

同一周，Anthropic支持了马萨诸塞州的AI安全法案（要求每4个月进行独立第三方评估），而OpenAI和Google明确反对。

这是监管分裂在微观层面的缩影：一家公司（Anthropic）认为外部评估有助于建立信任、为IPO铺路；另外两家（OpenAI、Google）认为这会增加合规成本、形成进入壁垒。

但这个分裂的背后，还有更复杂的商业逻辑值得分析。

Anthropic的立场并非纯粹出于安全理念。该公司目前正处于上市前的关键阶段，外部评估机制的存在，可以向机构投资者传递一个信号：公司的安全承诺不仅仅是公关话术，而是有第三方背书的可验证承诺。这种信号价值，对于一家将”负责任的AI开发”作为核心品牌定位的公司来说，具有直接的商业意义。

OpenAI和Google的反对，同样有其商业逻辑。每4个月一次的独立评估，意味着研发周期需要围绕评估节点进行调整，这对于正在激烈竞争模型发布时间窗口的公司来说，是实质性的竞争劣势。更重要的是，如果马萨诸塞州的法案成为先例，其他州和联邦层面的类似立法将接踵而至，合规成本将成倍增加。

值得注意的是，这场争论中几乎缺席的，是那些最直接受到AI系统影响的群体：被AI辅助招聘系统筛选的求职者、依赖AI诊断工具的患者、使用AI内容审核系统的平台用户。他们的利益，在这场由科技公司和政策精英主导的监管博弈中，往往以抽象的”公共利益”名义被代理，而非直接参与。

美国联邦层面的真空

在州级监管日趋活跃的同时，美国联邦层面的AI监管立法进展依然迟缓。2026年上半年，国会共提出超过60项与AI相关的法案，但无一进入实质性的立法程序（Congressional Research Service, “AI Legislation Tracker”, 2026年8月）。这种立法真空，一方面为各州的监管实验提供了空间，另一方面也造成了企业合规成本的碎片化——在50个州面对50套不同的监管要求，对于中小型AI企业来说，本身就是一种进入壁垒。

拜登政府2023年的AI行政令（Executive Order on Safe, Secure, and Trustworthy AI, 2023年10月）曾被视为联邦层面监管行动的重要信号，但其执行机制依赖于各部门的自愿配合，缺乏强制性的法律约束力。2025年政府换届后，部分行政令条款的执行力度出现了明显松动（Politico, “Trump Administration Quietly Rolls Back Biden AI Order Provisions”, 2025年6月）。

欧盟AI法案的执行困境

欧盟AI法案在全球范围内被视为最系统的AI监管尝试，但其实施过程正在暴露出一系列预期之外的问题。

首先是分类困难。AI法案的核心是基于风险等级的分类监管，但在实践中，许多AI系统难以被清晰归入某一风险类别。一个用于辅助医疗诊断的AI系统，同时也可以被用于保险核保——前者属于高风险类别，后者的风险等级取决于具体使用场景。这种”用途依赖性”使得监管分类本身成为一个需要大量人工判断的过程，而欧盟各成员国的监管机构，普遍面临技术专业人才短缺的问题。

其次是中小企业的合规负担。根据欧盟委员会自己的评估，高风险AI系统的合规成本，对于大型企业来说约占研发成本的5%至10%，但对于中小企业来说，这一比例可能高达20%至30%（European Commission, SME Impact Assessment, 2026年4月）。这意味着，AI法案在客观上可能加速AI产业的集中化，使得只有大型科技公司才能承担合规成本。

中国的监管路径：管内容，还是管能力？

中国的AI监管路径与欧美存在根本性的框架差异。中国现有的生成式AI管理规定，核心关切是内容安全——确保AI系统生成的内容符合”社会主义核心价值观”，不传播”虚假信息”或”危害国家安全”的内容。这是一种以输出管控为核心的监管逻辑。

相比之下，欧美的监管讨论更多聚焦于能力管控——限制某些类型的AI能力的开发和部署，无论其输出内容是否符合特定价值观。

这两种监管逻辑的差异，使得中欧美之间的监管协调面临根本性障碍。当欧盟提出”算法透明度”要求时，中国的监管框架并不天然支持这种透明度——因为透明的算法，也意味着透明的内容过滤机制，这与中国的信息管理逻辑存在张力。

深度背景：监管科学的历史先例

要理解AI监管困境的深层结构，有必要回顾几个历史先例，看看人类社会曾经如何应对”技术能力超前于监管框架”的挑战。

核能监管的教训。 核能技术的商业化，催生了人类历史上第一套真正意义上的”存在性风险”监管框架。国际原子能机构（IAEA）成立于1957年，其核心机制是强制性的国际视察制度——允许外部监察员进入成员国的核设施进行独立核查。这套机制的建立，依赖于一个关键的政治条件：主要核大国在冷战背景下，对核扩散风险有着足够强烈的共同利益，愿意接受对本国主权的部分让渡。

AI监管目前缺乏类似的政治条件。主要AI大国之间，对AI风险的性质和优先级存在根本性分歧，更遑论接受类似IAEA的国际视察机制。

金融衍生品监管的教训。 2008年金融危机之前，复杂金融衍生品的风险，同样是一个”专家才能理解、监管者难以评估”的问题。危机之后，《多德-弗兰克法案》建立了一套新的监管框架，核心是强制信息披露和中央清算机制。这套框架的逻辑是：即使监管者无法完全理解每一种金融产品，只要强制要求信息透明，市场参与者和监管者就能更好地识别系统性风险。

这个逻辑对AI监管有一定的借鉴意义：即使监管者无法完全理解AI系统的内部运作，强制要求训练数据、评估方法和事故报告的透明化，也可以为外部监督提供基础。马萨诸塞州AI安全法案中的独立第三方评估要求，在某种程度上正是这种逻辑的体现。

生物技术监管的教训。 重组DNA技术在1970年代的出现，同样引发了科学界和公众的广泛担忧。1975年的阿西洛马会议，是科学家自发暂停某类研究、等待安全评估完成的历史性先例。这次会议的成功，依赖于几个特殊条件：研究者群体规模相对较小、社区凝聚力较强、商业利益尚未完全主导研究议程。

2023年的”暂停巨型AI实验”公开信，在某种程度上试图复制阿西洛马模式，但结果表明，当商业利益已经深度介入、竞争压力极为强烈时，自愿暂停机制几乎没有实际约束力。签署公开信的公司中，没有一家真正暂停了前沿模型的训练。

对立视角：监管悲观主义与监管乐观主义

在AI监管的讨论中，存在两种截然对立的底层叙事，值得在此明确呈现。

监管悲观主义的核心论点，可以概括为：AI能力的进化速度，从根本上超出了任何民主政治体制的响应速度。民主决策需要时间——需要公众讨论、利益协调、立法程序。而AI能力的跃升，可能在数月之内就改变风险格局。在这种速度差异下，监管永远是追赶者，而非引导者。更悲观的版本认为，AI公司已经积累了足够的政治影响力，能够在关键时刻阻止任何实质性的约束性监管——正如金融行业在2008年危机后，通过游说大幅削弱了《多德-弗兰克法案》的执行力度。

监管乐观主义的核心论点，则认为历史上每一次重大技术变革，都曾引发类似的监管恐慌，但人类社会最终都找到了相对有效的治理框架。汽车、航空、核能、互联网——每一种技术在早期都被认为”监管不可能跟上”，但最终都形成了相对稳定的监管生态。乐观主义者还指出，AI公司内部存在真实的安全文化——Anthropic的创始团队正是因为对OpenAI的安全文化不满而出走创业，这种内部分化，是监管改革的重要盟友。

这两种叙事都有其道理，也都有其盲点。悲观主义低估了监管机构的学习能力和适应速度；乐观主义低估了AI技术与历史上其他技术在风险性质上的根本差异。

新冠类比能给我们什么

新冠的一个教训是：事后看起来”显而易见”的应对措施，在事前往往受到强烈的政治阻力——因为代价是当下可见的，而收益（避免了什么）是反事实的。

2020年3月，多个国家的政府在决定是否实施封锁措施时，面临的核心政治困境是：封锁的经济代价是立即可见的，而封锁所避免的死亡人数，是一个反事实的数字——你永远无法向公众展示”如果不封锁会有多少人死亡”，因为那个世界并不存在。

AI监管面临同样的结构：要求AI公司承担额外的安全责任，成本当下就要发生；而这些措施是否真的阻止了危险，可能永远无法被清晰证明（因为危险也许本来就不会发生，或者因为别的原因才没有发生）。

这种反事实困境，在政治上制造了一种系统性的低估偏差：可见的成本总是比不可见的收益更有政治重量。这解释了为什么即使在AI安全研究者中，对监管必要性有相当程度共识的情况下，实质性的监管行动依然举步维艰。

但新冠的历史还提供了另一个维度的教训，这个维度在AI监管讨论中被提及得较少：过度监管的代价同样真实。 部分国家在疫情初期的过度反应，造成了可观的经济损失和社会代价，而这些代价并非总是与实际的健康收益相称。在AI监管中，这意味着：如果监管框架设计不当，不仅可能无法有效降低风险，还可能在扼杀有益创新的同时，将技术主导权拱手相让给监管更宽松的竞争对手。

这不是反对监管的论点，而是支持”监管质量”而非仅仅”监管数量”的论点。一个设计精良、执行有力的监管框架，比十个设计粗糙、执行乏力的法规更有价值。

“感觉像早期新冠”——这个比喻最准确的地方，也许不是在描述危险的性质，而是在描述一种集体的认知状态：知道有某种重要的事正在发生，知道现在的应对可能不够好，但对于”应该怎么做”没有共识，对于”最终会怎样”没有把握。

这种状态，有时候会催生出历史上意义深远的政策变革。也有时候，会演变为长期的、成本高昂的监管拉锯。

但这里还有一个大多数分析遗漏的视角：

“早期新冠”这个比喻，其实比使用它的人预期的更为精准——但不是在他们想象的方向上。

新冠留给世界最大的制度遗产，不是任何一个国家做出的正确政策选择，而是它迫使全球卫生治理体系承认了自己的结构性缺陷，并开始建立（尽管缓慢且不完整）更好的数据共享机制、更快速的监管响应流程和更透明的科学沟通规范。

如果AI监管真的像早期新冠，那么真正的问题不是”我们现在做了多少正确的事”，而是：

这场混乱，会迫使人类建立什么样的新制度？

历史上，最深刻的制度变革往往不是在危机到来之前由先知设计好的——而是在危机暴露了旧制度的根本性不足之后，在混乱和争论中被迫建立的。这不是乐观主义，这是对历史规律的观察。

AI监管的”早期新冠”时刻，还没有结束。但如果历史模式成立，它终将结束——不是因为所有问题都被解决了，而是因为在足够多的错误尝试之后，一个足够好用的框架将会被偶然或必然地建立起来。

参考资料

  1. “It feels like early COVID’: The messy scramble to regulate AI”
    来源：MSN（原始报道）
    链接：https://www.msn.com/en-us/news/other/it-feels-like-early-covid-the-messy-scramble-to-regulate-ai/ar-AA2bdu5A
    日期：2026年8月30日

  2. “Anthropic Breaks With Peers on Massachusetts AI Safety Bill”
    来源：PYMNTS
    链接：https://www.pymnts.com/news/artificial-intelligence/2026/anthropic-breaks-with-peers-on-massachusetts-ai-safety-bill/
    日期：2026年9月3日

  3. “US urges hands-off approach to AI regulation at G20 tech meeting”
    来源：Reuters via MSN
    链接：https://www.msn.com/en-us/news/other/us-urges-hands-off-approach-to-ai-regulation-at-g20-tech-meeting/ar-AA2bn2JA
    日期：2026年9月1日

  4. “OpenAI and Anthropic are risky for different reasons than their Chinese AI rivals”
    来源：Business Insider
    链接：https://www.businessinsider.com/openai-anthropic-risky-different-open-weight-rivals-china-2026-9
    日期：2026年9月1日

  5. “GPT-6 Astra: A new generation of intelligence” (官方博客)
    来源：OpenAI
    链接：https://openai.com/index/gpt-6-astra/
    日期：2026年9月4日

  6. NIST AI Risk Management Framework 2.0
    来源：NIST
    链接：https://www.nist.gov/artificial-intelligence
    日期：2025年1月