敏捷與共生：生成式人工智能的發展與管理機制完善初探

【摘要】生成式人工智能展現出一種共生發展的特性：技術層面，算力、算法與數據協同并進，交織前行；市場方面，多主體共同參與，資本與人才等生產要素協力推動，共同構建起生成式人工智能發展的創新飛輪。盡管生成式人工智能尚處于發展初期，但其潛在風險已逐步顯現。如何在確保監管的同時，保持其持續成長，成為傳統管理方式難以應對的挑戰。基于此，脫胎于軟件開發的敏捷治理概念應運而生，其主張生成式人工智能發展共同體的協同參與，以及軟法與硬法相結合的綜合治理模式，通過采用低制度化負擔的管理方式，實現生成式人工智能在發展中監管，在監管過程中保持創新活力。

【關鍵詞】敏捷治理；共生發展；生成式人工智能；管理機制

2023年10月，中央網信辦發布的《全球人工智能治理倡議》指出：“實施敏捷治理，分類分級管理，快速有效響應。研發主體不斷提高人工智能可解釋性和可預測性，……打造可審核、可監督、可追溯、可信賴的人工智能技術。”黨的二十屆三中全會通過的《中共中央關于進一步全面深化改革、推進中國式現代化的決定》指出“完善生成式人工智能發展和管理機制”。我國近些年十分注重保持人工智能創新發展的同時實現風險規避。縱觀世界GenAI（生成式人工智能）領域的治理實踐，推動GenAI與人類價值的對齊并非一朝一夕的工作，開放、彈性的治理策略能夠有效促進GenAI的發展，而亦步亦趨的硬性監管策略，不僅限制了GenAI的發展潛力，治理成效也并不顯著。為了保持發展與風險規制的平衡狀態，需要管理模式的突破與治理工具的創新組合，敏捷治理這一新范式，成為重要思路。

一、共生發展：促進GenAI健康發展的有效路徑

（一）技術維度：數據、算力和模型三者的交織發展

OpenAI發表的論文中，提出了GenAI發展的尺度定律（ScalingLaw），這一理論認為更大的參數、更多的數據和更強大的算力能夠引領大模型更為智能[1]。換言之，數據、算力和模型共同構成了GenAI發展的三駕馬車。

（1）ScalingLaw未達邊界，數據仍是GenAI發展的重要動力。根據ChatGPT的迭代趨勢來看，數據的“質”“量”齊增仍是驅動GenAI的底層邏輯。一方面，要確保GenAI學習的數據量足夠大，目前GPT的迭代基本沿著大參數方向發展，2019年2月發布的GPT-2參數量為15億，而2020年5月的GPT-3，參數量達到了1750億。根據Semianalysis機構測算，2023年發布的GPT-4達到了1.8萬億參數，使用了13萬億tokens的數據集訓練。另一方面，要提升數據的質量，噪聲數據會對GenAI的模型訓練造成負面影響，而高質量的數據是訓練大模型的基礎，能夠顯著提高GenAI的精度與可解釋性，降低GenAI模型的過擬合風險，適應未見過的數據資源，并縮短訓練GenAI模型的時長。一言以蔽之，GenAI發展的源頭在于高質量的大數據。

（2）算力換智能仍然成立，對硬件設備更新迭代提出更高要求。GenAI模型訓練數據的提升對計算資源提出了更高的要求。[2]算力又稱“人工智能發動機”，算力越高，處理數據的速度越快，訓練所需時間更短，也能夠完成更為復雜的任務。特別是GenAI在未來走向各類應用場景，如自動駕駛、智能醫療等領域需要GenAI做到低時延的實時反應，算力的價值將會更為突出。OpenAI的研究和《昇騰計算產業發展白皮書》的報告顯示，從2012年到2018年6年的時間里，AI的計算需求增加了30萬倍，而在AI發展的初始階段，所需的算力基本按照摩爾定律的規律，即所需要的算力在18個月左右翻倍，而伴隨著算法日趨復雜、數據日益龐大，強化了對算力的需求，平均換算下來，每3.4個月對算力的需求翻一倍，顛覆了摩爾定律。驅動算力的提升離不開GPU和TPU等專用硬件的迭代升級，GenAI的發展，一度拉高NVIDIA的市值，因此，推動GenAI的發展與突破，需要培育出先進的芯片制造、高性能計算、云計算和邊緣計算等領域的企業，為GenAI的發展提供硬件支撐。

（3）算法機制持續推動模型優化，思維鏈機制開拓安全與價值對齊新思路。近些年來，MoE（Mixed Expert Models，混合專家模型）成為帶動GenAI發展的又一模型技術，MoE的最大優勢在于相同計算資源下，訓練速度更快、效果更好、推理成本更低、擴展性更好，而且可以訓練更大的模型。2024年9月，OpenAI發布了新模型o1-preview和注重經濟高效的o1-mini版本。這一模型做到了兩點優化：一是改善模型的訓練過程，強化模型的自我糾錯能力。二是引入思維鏈機制（CoT），可以讓GenAI在回答問題前花更多時間思考，模仿人類先分析問題、進行思考再回答問題的邏輯思維方式。安全性與模型性能的提升一直是GenAI發展過程中的核心問題，OpenAIo1系列模型的發布，揭示了在實現AI價值對齊、提升安全性的基礎上，通過模型算法的方法提升GenAI性能的可能性。針對o1系列模型，OpenAI改善了訓練方法，將模型的行為策略整合到推理模型的思維鏈中，使其能夠更好地遵循安全和對齊指南。與傳統的層層算法限制AI不同，OpenAIo1模型是根據上下文內容進行邏輯推理，自己“學習”人類的安全規則，從而更有效地應用這些規則。這種新訓練方式能夠使得研發人員以更清晰的方式觀察模型的“思考”路徑，還可以顯著提升在各場景應用的穩定性。

（二）生態維度：多重要素共現的市場飛輪效應

根據當前GenAI的發展趨勢來看，創新飛輪對于GenAI的驅動作用效果顯著。何為創新飛輪？GenAI表現出了強大的跨領域融合作用，即“GenAI+”，GenAI的誕生，改變了原有的工作流程、思維方式和認知結構，在這一事實得到廣泛認同后，多元主體通過采用投資促進、政策引導、適時調整等方式，構成創新生態系統，合力推動GenAI創新飛輪的運轉，使得GenAI獲得了更多發展資源，從而推動GenAI的快速進步。

（1）寬松包容的發展政策營造GenAI發展的良好環境。我國對人工智能的發展一直持積極促進的態度，側重于人工智能技術與工業、制造業的結合，倡導以應用需求為牽引，立足自主創新，鼓勵平臺企業構建產業創新生態，推動中國自主研發的芯片、操作系統、大模型等人工智能技術體系的發展。不過，我國更加強調人工智能技術的實際應用與落地、對各行各業的支持，而在基礎研發，特別是軟件開發等領域強調的相對較少。在相關政策的支持下，截至2023年6月，我國人工智能核心產業規模已經達5000億元，人工智能企業數量超過4400家，僅次于美國，全球排名第二。[3]2022年ChatGPT3.5誕生后，監管政策陸續出臺。2022年發布的《關于加強科技倫理治理的意見》中用詞為“嚴格執法、違法必究”，而次年發布的《生成式人工智能服務管理暫行辦法》指出，要“發展和安全并重”“包容審慎”“分類分級監管”。可見，我國對于GenAI的監管更加務實，為其發展營造了相對寬松的環境。

（2）金融資本與GenAI風險共擔，利益共享。因為創新更多的是解決從無到有的問題，所以GenAI的技術創新與商業模式創新是一件不確定性極高的事情，正因為創新失敗的概率非常之高，對風險有較高容忍度的金融市場對于GenAI的發展發揮著重要作用。以美國為例，斯坦福大學的報告顯示，2023年，美國的人工智能投資達到672億美元，幾乎是第二大投資國中國（78億美元）的8.7倍，2022年到2024年，中國和歐盟（包括英國）的私人人工智能投資分別下降了44.2%和14.1%，而美國在同一時期內則增長了22.1%[4]。2023年僅OpenAI一家公司，獲得的投資就超百億美元，可見，資本對GenAI的發展推動作用十分重要，為創新提供了金融支撐。

（3）AI領域人才加速GenAI的落地與創新進程。人才是推動GenAI的重要動力，智庫MacroPolo發布的研究報告顯示，美國仍然是世界頂尖AI人才的首選工作目的地。2022年，在美國的研究機構中，美國和中國的研究人員占頂尖AI人才的75%，高于2019年的58%。此外，美國仍然是世界上最精英AI人才的首選目的地，并且仍然是60%頂尖AI機構的所在地。絕大多數非美國籍人工智能人才留在美國，美國機構頂級人工智能研究人員的主要原籍國，華人占比從2019年的27%提升到了2022年的38%，甚至超過美國本土數量。[5]而關鍵人才對于GenAI的發展更是發揮著重要作用，例如，有“ChatGPT之父”之稱的薩姆·奧爾特曼（SamAltman）被董事會宣布免職之后，迫于各種壓力，奧爾特曼又迅速復職，研發人才對于技術的研發有著重要作用。AI人才的價值主要體現在兩個方面：一是大模型逐漸落地，需要更多AI人才推動“GenAI+”融入各行各業；二是GenAI的突破性發展也需要領軍人才的引領。

（4）商業模式催化GenAI發展，推動融入更多應用場景。大型語言模型（LLM）的技術與應用發展由來已久，直到2022年11月，OpenAI推出的ChatGPT才以友好的自然語言交互界面，拉近了GenAI與普通用戶之間的距離，不僅激發了用戶對GenAI的興趣，同時也引起了政府、資本、其他行業的關注與重視。ChatGPT的出現是GenAI發展過程中的一個重要轉折點，它不僅僅是一個技術上的突破，更是商業模式上的創新，通過提供易于使用的平臺，使得非專業用戶也能輕松地與AI系統進行交互，從而極大地拓展了GenAI的應用場景。隨著ChatGPT的成功，GenAI的商業潛力逐漸被開發，GenAI的應用場景日益豐富多樣，滲透到生活的方方面面，成為推動數字經濟轉型的關鍵力量。簡言之，ChatGPT的發布標志著商業模式的創新會進一步挖掘GenAI的發展潛力。

（三）管理誤區：強監管阻礙創新陷入“科林格里奇困境”

創新的過程往往是不可預測且非線性的，這意味著創新成果難以按照預定計劃實現。因此，在管理GenAI時，一個相對寬松的環境更有利于激發其潛力，促進技術的進步。過于嚴格的監管措施可能會抑制創新活力，導致開發者在既定的框架內操作而無法探索更具突破性的解決方案。例如，美國在AI領域的管理相對寬松，尤其是在技術發展的早期階段，政府傾向于采取審慎的態度，給予技術足夠的成長空間。相比之下，歐盟則更傾向于采用較為嚴格的監管手段，試圖通過政府的強力介入來預防潛在的風險，并對非歐盟企業保持高度警惕。[6]然而，這種嚴格的監管環境反而限制了歐盟在技術創新和投資方面的競爭力，斯坦福大學的研究報告顯示，在某些領域，歐盟國家的表現甚至不及新加坡和韓國。[7]GenAI的管理問題實際上反映了“科林格里奇困境”：如果在技術發展的早期就因過度擔憂而實施嚴格管控，可能會扼殺創新的苗頭；而如果等到技術成熟后再加以控制，則可能面臨高昂的成本和復雜的局面。[8]為此，越來越多的研究認為應當從傳統的單一、剛性監管模式轉向更加靈活的治理方式，通過多方參與的合作共治模式，以及“低制度化”的彈性治理方案來尋找發展與監管之間的平衡，以期在保障安全的同時，不阻礙技術的進步和創新。

二、獨特風險：生成式人工智能的風險特征

（一）自進化的能力：技術黑箱的不可見性導致的涌現風險

GenAI的算法模型機制具有“不可見性”風險，如魯棒性、透明度和可解釋性不足[9]及其在運算過程中可能的算法偏見[10]等。用戶，即便是產品開發者也未能對信息的生成機制全知全解，因此復雜的“技術黑箱”和不可預測性增加了其內在風險的識別與應對難度。[11]此外，GenAI系統在訓練過程中會自發產生新的能力或特性，這些能力和特性并非由設計者直接編程實現，而是隨著GenAI系統接收大量數據并不斷訓練后自然形成的結果，當GenAI系統達到一定復雜度時，它們會展示出未曾預料的行為或能力，這些行為或能力將對人類社會造成正面或負面的影響，即“涌現風險”，這一風險的產生機制加大了源頭治理的難度。

（二）深度融合的能力：應用場景較為分散易導致風險擴散

GenAI當前表現出了與各個行業深度融合的能力，它將滲透至各個領域，形成“GenAI+”。GenAI深度嵌入各種應用場景，個性化且多元的場景治理措施各異，不同領域的風險之間可能存在復雜的相互影響和耦合效應。例如，在傳播領域，GenAI的數據來源不明且生成的內容具有“擬主觀”性的特點[12]，這不僅引發了知識產權管理、個人數據安全保障等法律層面的問題，任由虛假信息的傳播，還會引發更為深層次的社會問題。

（三）馬太效應：資源稟賦差異加深智能鴻溝

當GenAI作為賦能的技術時，也會帶來新的使用、接入不平等的問題，即智能鴻溝。就國家層面而言，技術先進的發達國家會因為更快地采用和整合GenAI技術而拉開與技術相對落后的國家之間的距離，更為嚴重的是，部分發達國家可能會通過自身的優勢地位對后續追趕的國家進行制裁和打壓，進一步拉大智能鴻溝。就社會層面而言，進一步拉大了代際間的技術使用差異，使得老年人在與年輕一代形成AI使用上的斷層。此外，GenAI的應用正在重塑勞動力市場，導致部分技術含量低的崗位需求減少甚至消失[13]。就企業層面而言，擁有先進技術和資源的企業可能會進一步鞏固其市場地位，擠壓其他企業的生存空間，從而加劇企業之間的不平等。

三、范式呼喚：烏卡（VUCA）時代急需新的GenAI管理制度

（一）基于技術機理的治理范式，易陷入“技術決定論”誤區

首先，GenAI模型本身具有透明度與可解釋性較低的特點。深度學習等現代AI技術所展現出的高度復雜性和黑箱特性，使得模型的決策過程難以被全面理解和解釋，運行機制不清則難以找準問題的根源著手進行治理。其次，計算資源有限是制約GenAI管理的另一大瓶頸，現階段GenAI發展所需的算力資源尚且不夠，如果在GenAI運行時套上一層治理算法的“緊箍”，既限制了GenAI的發展，又導致巨大的計算資源和能源消耗，導致成本的大幅上升。從根本上講，GenAI技術領域仍面臨著許多未解難題，如算法的收斂速度、模型的泛化能力、過擬合與欠擬合的平衡等，現階段使用技術治理存在著瓶頸，單純依賴技術容易陷入“技術決定論”，且難以應對潛在威脅。

（二）基于倫理道德的治理范式，執行操作難度較大

基于倫理道德的AI治理范式重視通過共享式的文化價值對GenAI導致的風險進行制約，十分警惕AI對道德的僭越，主張通過達到價值的最大公約數，約束AI朝著人道化方向發展。然而這一范式僅能提出底線式的治理方案，在實際操作中難度較大。一是不同文化背景的群體之間，價值觀和倫理道德方面存在顯著差異，在基于倫理和道德制定規范時，如何平衡不同群體之間的利益以達到廣泛認同是一個復雜的問題。二是倫理和道德原則往往較為抽象和模糊，難以直接轉化為具體的操作規范和法律條款，導致在實際執行過程中存在模糊地帶和爭議，影響治理效果。三是即便有了完善的倫理框架，實際執行過程中也面臨主體責任不明確的問題。生成式人工智能導致的風險，主要源于技術的開發者、產品的提供者和使用用戶等，而在實際應用中，如何明確提供者、使用者、設計者等各方主體的倫理責任也是一大難題。

（三）基于規則制度的硬性治理范式，逐漸暴露出弊端

我國在人工智能的管理時較為依賴立法工具，希冀通過硬性治理手段為監管部門提供執法依據，但是GenAI尚處在發展的初期階段，在這樣的背景下規定的法律責任較為缺乏系統性的邏輯考量，存在一定的治理弊端。

（1）政策運行成本較高，難以實現GenAI管理的“帕累托最優”。帕累托最優是指在管理決策過程中，充分利用現有資源，通過最小成本創造最大效益。法律法規的制定并非是單純的政治行為或者法律行為，同時也是經濟行為，法律法規的出臺需要歷經漫長的程序，而技術的迭代速度往往是非預期的，很有可能一部法律出臺之后就面臨著“過時”的問題。此外，新法的頒布、宣傳、學習、執行、查漏補缺等活動都需要大量的人力、物力和財力成本，甚至會產生難以預料的后果，這就需要不斷修訂法律，而在時機不成熟時的立法，往往會導致立法成本大于立法效益，盡管起到了一定的管理作用，但要付出大量的成本。

（2）單一化管理方式無法真正激起多元主體的積極性。傳統基于嚴格規章制度的管理方式通常呈現出單一化的特征，缺乏對多方利益相關者協同參與的重視。我國在最初的探索型治理時，缺乏明確的行動主體，而到響應型治理階段，仍是國家機構的引領作用，再到集約型治理中多個政府部門的合作，這些模式均未能在真正意義上促進多樣化主體的廣泛參與。在監管與監察過程中，政府往往是唯一的主角。[14]隨著GenAI技術的迅猛發展，單憑政府一方的力量已經難以應對隨之而來的各種挑戰，并且這種方式抑制了企業、非政府組織及公眾的主動性和創新力。單方面的行政監管已不足以有效防范和管理相關風險。因此，人工智能領域的治理越來越需要政府調動專家、企業、社會組織及公眾等多方面力量，共同獻計獻策，豐富GenAI治理的工具箱。

（3）主體責任權責不協調限制了GenAI發展的創新活力。非政府組織缺乏AI治理的權利，為了達到風險防控的目的又要承擔相應的管理義務，這種管理模式下，各個主體的行為受到嚴格的規范和約束，導致各個參與方在行動上變得謹慎保守，甚至產生畏懼心理，擔心因違反規定而遭受處罰或承擔不利后果。在這種情況下，無論是企業還是個人，在嘗試新技術或是推動創新時都可能變得猶豫不決，生怕觸碰到法律法規的邊界。特別是在GenAI領域，這樣的管理方式導致從業者在研發過程中過于謹小慎微，從而抑制了技術創新的速度與深度。從長遠來看，這不僅限制了GenAI的發展，也會阻礙社會的技術進步。

四、敏捷治理：平衡發展與管理的GenAI管理新理念

（一）敏捷治理的概念

敏捷治理并不與傳統的治理方式相悖，而是在傳統的治理范式上融入柔韌性、靈活性等敏捷治理的理念，使得傳統的治理方式更具應變能力。敏捷治理呈現出八大特點：降低風險的同時又可以保持管理的靈活性、能夠快速動員各利益方并形成合力、自我組織和管理的能力、靈活的治理工具、積極擁抱變化、各利益主體和組織內部的充分溝通、信息的開放與貢獻、包容的容錯機制。[15]敏捷治理的核心是一種自適應、具備包容性和可持續的管理理念。敏捷治理與技術社會的發展需求相一致，它強調要找到一種平衡點，既要保證GenAI的創新式發展，又要確保GenAI的發展符合社會的基本利益和道德倫理準則。敏捷治理與傳統的“命令和控制”的治理思維不同，重視“放權”的重要性，激發各利益方的創新能力、多元主體彼此間溝通與協作的能力，以快速感知響應變化，更好地應對時代挑戰。

（二）敏捷治理的具體路徑

（1）治理對象：分層分級，把握張弛有度的管理節奏。敏捷治理需要建立容錯機制，政府應在行業發展現狀的基礎上進行監管，允許人工智能在試驗和探索的過程中出現風險，適當放松監管并積極吸引外資和人才，推動中國人工智能產業的發展。具體來看，應實行分層分級管理的方式，一是形成“普適性底線約束 個性化場景規制”的治理框架。[16]對于各平臺和GenAI產品的共性問題提出底線式的約束，而對于個性化具體應用場景的問題，應當給予一定容忍。二是GenAI治理應當與相關產業架構相契合。對于底層的基礎模型等研發活動營造寬松的發展環境，發展為主，而對于面向客戶終端的應用，采取較為嚴格的監管制度。三是要針對不同風險特征進行彈性治理。[17]一方面，結合國際經驗和已有的問題，對嚴重的風險問題進行重點防范，強化事前防范機制。另一方面，對于創新技術可能帶來的未知風險進行低制度化的軟約束，避免因管控過嚴導致的創新力匱乏。

（2）治理主體：改善授權方法，實現GenAI發展共同體的協同參與。敏捷治理倡導參與式治理的原則，不同于傳統由政府單向主導的管理模式，鼓勵構建一個更加開放、包容的治理生態。通過公眾、企業、學術機構及非政府組織的全方位參與，共同編織起一張GenAI治理的多元共治網絡。在這一治理網絡下，治理授權從“自上而下”的單一模式升級為“自上而下與自下而上相結合”的模式。在此框架下，政府機關不再直接介入具體的監管執行事務，而是通過制定行為準則、參與技術治理等手段來間接管理。同時，企業設立內部管理機構，強化自律，通過制定風險治理準則、提升自身風險識別和防范的技術能力、加強前沿技術探索、重視科技倫理研究等手段，贏得政府和公眾的廣泛信任，從而實現協同治理。例如OpenAI對新推出的o1系列模型進行壓力測試，根據安全準備框架對模型進行全面測試，使用更為專業的技術人員來模擬真實攻擊行為，進行針對性強的安全測試。此外，在董事會級別層面設立了安全與安保委員會，全面主持對GenAI模型的安全審查流程。為了有效實施這一模式，學術界和行業協會以第三方的身份共同發揮著政企之間有效溝通的渠道作用，政府可以獲得有關人工智能技術發展的客觀動態，如優缺點等，企業也能及時了解政府的政策導向。此外，各行業協會要積極制定標準，填補法律制度的不足，提供兼具前瞻性和靈活性的解決方案。需要指出的是，采取這一治理方式的前提是各治理主體參與治理的機制較為完備。如GenAI研發企業有著較為健全的現代企業管理制度，能夠通過董事會、監事會等企業內部管理機構主動作為，自行約束自身的研發活動。

（3）治理方式：漸進迭代，靈活響應。敏捷治理理念來源于軟件開發的敏捷研發（Agile Development）概念，敏捷研發利用高頻次、短周期的迭代策略，逐步精練與升級產品功能，不斷滿足市場需求。類似的，敏捷治理秉承了迭代與靈活的核心原則，構建一個“持續交流互動—過程動態監控—即時反饋循環”的長效運行框架[18]，在持續的交流和動態的監控中，及時反饋治理問題。治理并非是一次性的，需要根據實際的需要進行迭代響應。

（4）治理工具：利用“軟”“硬”制度組合，擴充GenAI治理工具箱。當前的AI管理中，已經基本形成了“宏觀—中觀—微觀”的三層法律法規框架。宏觀層面通過《中華人民共和國網絡安全法》《中華人民共和國數據安全法》《中華人民共和國個人信息保護法》等法律為其他法規的制定提供依據。中觀層面上，網信辦等監管部門和行業協會通過制定法規、行業標準、倫理守則和技術指南等為GenAI的發展與應用提供柔性指導。微觀層面上，各平臺企業通過社區公約、用戶守則等方式對用戶使用生成式人工智能做出約束和規范。硬性規定逐漸完備，但是缺乏非正式或較低制度化水平的“軟法”進行協調補充。如設立監管沙盒，為新技術提供一個試驗空間；制定詳細的企業合規保護措施，鼓勵企業在合法范圍內大膽嘗試；確立避風港政策，為某些特定行為提供一定的法律豁免。通過這樣“軟”“硬”多層次治理工具箱，可以更好地支持新興技術的發展，并確保GenAI的應用既安全又符合社會的整體利益。[19]

[本文為北京市社會科學基金規劃重點項目“首都互聯網平臺企業社會責任與協同治理體系研究”的階段性成果，批準號（22XCA002）]

參考文獻：

[1]KaplanJ，McCandlishS，HenighanT，etal.Scalinglawsforneurallanguagemodels[EB/OL].https：//arxiv.org/abs/2001.08361.

[2]HoffmannJ，BorgeaudS，MenschA，etal.Trainingcompute-optimallargelanguagemodels[C]//Proceedingsofthe36thInternationalConferenceonNeuralInformationProcessingSystems（NeurlPS）.Cambridge，USA：MITPress，2022：30016-30030.

[3]中國式現代化發展研究院.中國新一代人工智能科技產業發展報告[EB/OL].https：//icpm.nankai.edu.cn/2024/0624/c32797a546186/

page.htm.

[4]StanfordUniversityHuman-CenteredArtificialIntelligence.ArtificialIntelligenceIndexReport2024.[EB/OL].https：//aiindex.stanford.edu/report/.

[5]MacroPolo.TheGlobalAlTalentTracker2.0.[EB/OL].https：//macropolo.org/digital-projects/the-global-ai-talent-tracker/.

[6]宋華健.論生成式人工智能的法律風險與治理路徑[J].北京理工大學學報（社會科學版），2024，26（3）：134-143.

[7]StanfordUniversityHuman-CenteredArtificialIntelligence.ArtificialIntelligenceIndexReport2024.[EB/OL].https：//aiindex.stanford.edu/report/.

[8]宋華健.論生成式人工智能的法律風險與治理路徑[J].北京理工大學學報（社會科學版），2024，26（3）：134-143.

[9]羅昕.聊天機器人的網絡傳播生態風險及其治理：以ChatGPT為例[J].青年記者，2023（7）：91-94.

[10]劉艷紅.生成式人工智能的三大安全風險及法律規制：以ChatGPT為例[J].東方法學，2023（4）：29-43.

[11]王洋，閆海.生成式人工智能的風險迭代與規制革新：以ChatGPT為例[J].理論月刊，2023（6）：14-24.

[12]王建磊，曹卉萌.ChatGPT的傳播特質、邏輯、范式[J].深圳大學學報（人文社會科學版），2023，40（2）：144-152.

[13]Acemoglu，Daron，amp;Restrepo，Pascual.（2018）.Artificialintelligence，automation，andwork.InTheeconomicsofartificialintelligence：Anagenda（pp.197-236）.UniversityofChicagoPress.

[14]姜李丹，薛瀾.我國新一代人工智能治理的時代挑戰與范式變革[J].公共管理學報，2022，19（2）：1-11+164.

[15]于文軒，吳泳釗.AIGC與敏捷監管[J].信息技術與管理應用，2023，2（2）：8-17+93.

[16]姜李丹，薛瀾.我國新一代人工智能治理的時代挑戰與范式變革[J].公共管理學報，2022，19（2）：1-11+164.

[17]鄧悅，許弘楷，王詩菲.人工智能風險治理：模式、工具與策略[J].改革，2024（1）：144-158.

[18]韓兆柱，申帥杰.敏捷治理：人工智能治理新模式[J].華東理工大學學報（社會科學版），2024，39（1）：105-119+132.

[19]張凌寒，于琳.從傳統治理到敏捷治理：生成式人工智能的治理范式革新[J].電子政務，2023（9）：2-13.

作者簡介：郭全中，中央民族大學新聞與傳播學院教授，互聯網平臺企業發展與治理研究中心主任（北京 100081）；彭子滔，中央民族大學新聞與傳播學院碩士生（北京 100081）。

編校：董方曉