摘要：美国各州迅速试图填补由于缺乏全面联邦立法而产生的监管空白，导致州级人工智能（AI）相关法案数量急剧增加。2019年至2024年间，立法者提出了近803项AI法案；然而，只有127项法案获得通过，17项被采纳为决议。然而，这种由各州推动的立法活动导致了前所未有的、碎片化的监管格局。我们对美国各州所有AI相关法案的分析确定了主要的立法主题，包括政府使用AI、私营部门AI的监管、负责任的AI实践、偏见缓解、劳动力发展、儿童保护、消费者保护以及咨询机构或研究的建立，突显了人们对透明度、问责制和社会风险的广泛担忧。此外，我们观察到各州和政治立场之间的显著差异。少数几个州，特别是纽约州、新泽西州、伊利诺伊州和马萨诸塞州，占据了待审议法案的很大比例，而像科罗拉多州、犹他州和加利福尼亚州这样的先驱州则制定了针对AI治理不同方面的实质性法律。这种分散化的方法验证了各州作为“监管实验室”的概念，但也强调了碎片化规则所带来的风险。最后，我们将这些多样化的州级举措与欧盟的统一AI法案进行了比较，并讨论了它们对未来联邦AI政策的影响。
人工智能（AI）正在迅速改变医疗保健、金融、教育和政府服务等关键领域。这种快速而广泛的采用加剧了人们对健全治理框架的呼吁，以减轻潜在的危害，包括算法偏见、隐私侵犯和安全故障。在全球范围内，政策制定者面临着设计既能保护公共利益又不会抑制创新的监管规定的挑战。这一监管难题在美国尤为突出，因为缺乏全面的联邦AI法律，造成了治理真空。
主要发现：
- 由各州主导的AI监管正在加速，自2019年以来提出了800多项法案，但由此产生的拼凑式监管导致了美国各地保护程度的巨大差异。
- 各州的立法主题差异很大，反映了人们对AI风险的不同解读，形成了不一致的政策组合。
- 欧盟的统一AI法案与美国的分散化模式之间的对比凸显了需要制定联邦基准标准，以保护州的创新同时减少合规不确定性。
在没有联邦层面全面立法的情况下，州和地方政府已经开始主动制定自己的监管方案。然而，这种分散化的方法产生了学者们所描述的“州级立法的拼凑”，而不是连贯的全国性监管策略。这种碎片化既有优势也有风险。一方面，各州可以快速创新和实验，作为“实验室”制定符合当地优先事项和价值观的新法规。例如，拥有重要科技产业的州（如加利福尼亚州和纽约州）可能会推行严格的透明度规则，而其他州则可能更重视数据隐私或消费者保护。另一方面，纯粹由州推动的方法可能会导致监管碎片化：在多个司法管辖区运营的公司被迫应对相互冲突的合规要求，从而增加运营成本并产生法律不确定性。例如，一个基于AI的招聘平台可能在一个州需要通知候选人有关自动化筛选的信息，而在另一个州则不需要，这导致基于地理位置的消费者保护不平等。这种差异引发了要求联邦采取行动的呼声，企业领袖呼吁国会预先制定统一的规则。
与此同时，其他主要全球司法管辖区正朝着相反的方向发展，追求更加集中的监管模式。欧盟已经制定了单一的综合性AI法案，将在所有成员国中实施统一的监管要求。欧盟的集中式监管模式与美国的分散化、州级主导的监管模式之间的对比引发了关于监管效率和国际竞争力的关键辩论，提出了一个问题：美国碎片化的州级立法“实验室”方法能为技术治理领导者提供哪些见解和教训？
为了探讨这一紧迫问题，本文对2019年至2024年间美国各州提出的AI立法进行了全面的实证分析。我们系统地梳理了各州AI立法的演变情况，分析了拟议法规中的主要主题，并评估了其对政策连贯性、创新和社会影响的意义。通过批判性地审视主导州级AI议程的主题以及这些努力的进展程度，我们可以明确这种由州主导的方法是否有助于构建更广泛的AI治理框架，或者只是加剧了需要整合的碎片化问题。我们进一步讨论了这些多样化的州级举措如何与正在进行的联邦政策辩论相互作用，为参与技术治理的领导者提供了启示。
方法论：为了研究美国各州如何处理AI立法，我们编制了一个包含各州立法机构提出的AI相关法案的新数据集。该数据集的核心是利用公共立法跟踪资源和数据库开发的，涵盖了2019年至2024年的六年时间跨度。我们纳入了广泛涉及AI治理或其社会影响的州级法案和决议。这些包括总体AI政策框架、政府实体使用的AI监管规定，以及监管私营部门AI应用的法案，如自动化决策系统、与就业相关的AI、保险和消费者保护。我们的目的是捕捉将AI视为重要治理问题的立法，并评估各州如何应对这一快速发展的政策领域。
通过定性分析方法，我们系统地从两个主要维度对每项立法法案进行了编码：立法状态和主题重点。状态指的是法案在立法过程中的结果，分为不同的组别：“通过”（签署成为法律）、“待审议”（仍在立法过程中，包括延续到下届会议的法案）、“失败”（在投票中被拒绝或在委员会中停滞）、“休会/到期”（在会议结束前未采取行动，实际上因休会而失败），或其他中间结果，如“被否决”（由州长）或“采纳”（通常是决议）。这些分类使我们能够量化并评估各州AI法案的成功率和轨迹。主题重点指的是每项法案涉及的实质性议题或问题。鉴于许多法案的多方面性质，我们允许每项法案有多个主题标签，以准确反映其复杂性和广度。
利用这个编码数据集，我们进行了描述性分析。我们统计了每个州提出的AI相关法案的数量，并确定了其中有多少法案获得通过，从而计算出通过率，并确定哪些州表现出特别高或低的立法参与度。我们还在全国范围内汇总数据，绘制了法案状态和主题重要性的整体分布图。为了可视化这些结果，我们为最常见的立法主题生成了图表，以及按主题划分的法案数量图表，还有显示按状态划分的法案比例的图表。仔细的编码、描述性统计分析和主题审查的结合为识别州级AI治理中的重要趋势和差距提供了坚实的基础。
**趋势是什么？**
- 立法数量和状态：州立法机构在AI立法方面表现出爆炸性增长，凸显了监管AI技术的紧迫性。图1显示了立法活动的显著增加，从2019年的不到75项AI相关法案增加到2024年的200多项法案。这一增长表明立法界普遍认识到AI的社会和经济影响，并表明立法议程明显扩大。尽管活动水平很高，但立法成功程度不一，法案状态的结果各不相同，从通过的法案到大量待审议或失败的法案都有。这既显示了监管新兴技术（如AI）的热情，也显示了其中的复杂性。
- 尽管立法热情高涨，但很少有法案成为法律。如图1所示，截至2024年，803项AI法案中约有31%仍处于待审议状态。近一半（47%）实际上失败了（休会）。只有大约15%的法案成功通过成为法律，其余的要么被否决，要么被采纳为非约束性决议。许多法案根本没有进展：立法机构休会或领导人阻止了它们，可能是由于优先事项冲突、缺乏共识或问题的新颖性。简而言之，州级AI立法非常活跃，但迄今为止主要是愿望性的，涉及密集的起草工作，但具体的法律或监管成果很少。
- 地理和政治分布：虽然AI立法倡议在全国范围内迅速增加，但其强度和成功程度因州而异。图2显示了某些差异。纽约州作为全国领导者脱颖而出，提出了近100项AI相关法案，其中许多仍在待审议中。加利福尼亚州和伊利诺伊州紧随其后，各自提出了50多项法案，而马萨诸塞州、新泽西州和马里兰州也表现出显著的立法活动。相反，许多非科技中心的州提出的AI相关法案很少或没有，表明各州在立法关注度上存在差距。
- 一个州的政治倾向与其AI立法方法也有很强的相关性。我们研究了2020年和2024年总统选举中的州级投票模式，如图3所示，几乎所有在两次选举中都投票给民主党的州（蓝色）都提出了AI法案。相比之下，在两个周期中都投票给共和党的24个州提出的法案要少得多。八个投票模式混合的州（紫色）表现出中等的立法活动水平。这表明党派动态影响了AI政策：倾向于民主党的州通常采取更积极的监管议程，这与党的“大政府”立场一致，而保守派州通常表现出对AI监管的犹豫。这一分析还强调了共和党平台中所谓的“小政府”观点，因为任何支持或反对AI的立法都会被视为与党的原则相悖。
**AI法案的州政治背景：**各州AI立法活动的不均衡分布有两个主要影响。首先，它扩展了我们对AI治理作为一个超越传统科技中心的全国性问题的理解。像罗德岛州、北卡罗来纳州和佛蒙特州这样的州表现出相当大的参与度，表明对AI影响的担忧在硅谷之外也广泛存在。其次，这种不均衡的地理分布带来了实际挑战，特别是“拼凑”问题，即AI相关的权利和义务因居住州而大相径庭。这个问题甚至可以在州级别以下更加细致：一个显著的例子是纽约市，它独立通过了管理AI驱动招聘实践的立法，说明地方法律如何进一步增加了在多个司法管辖区运营的公司的合规复杂性。这种差异为所有利益相关者增加了复杂性，从科技公司到消费者都必须应对日益复杂的监管环境。
**立法者关注的问题：**在数百项法案中，几个明确的主题主导了美国围绕AI的立法讨论。表格总结了我们的内容分析中确定的每个主题的法案数量。鉴于单项立法通常涉及多个政策问题，我们允许每项法案有多个主题。最活跃的活动集中在政府如何使用AI（303项法案）以及私营部门公司在面向客户或内部环境中如何使用AI（267项）。其次是研究或工作组（173项）、负责任的使用或伦理（140项）、教育用途（96项）和劳动力或工作（94项）。其他值得注意的领域包括健康用途（85项）、选举（64项）和通知要求（55项）。该表格非常详尽，涵盖了数十个具体主题，甚至包括一些小众问题，如人工智能的法人资格和税收（每个主题只有少数几项法案）。以下是表格的简要概述：
| 类别 | 法案数量 | 描述（示例） |
|-------------|---------|-----------------------------------------|
| 政府使用 | 303 | 采购标准、公共部门人工智能系统的强制性影响评估 |
| 私营部门使用 | 267 | 监管企业人工智能、消费者保护 |
| 研究/工作组 | 173 | 成立人工智能研究委员会或咨询小组 |
| 负责任使用/伦理 | 140 | 算法偏见审计、透明度要求 |
| 教育使用 | 96 | 人工智能纳入学校课程、大学人工智能项目 |
| 对劳动力的影响 | 94 | 培训计划、关于自动化对就业影响的研究 |
| 健康使用 | 85 | 人工智能在医疗诊断或公共安全监督中的应用 |
| 选举 | 64 | 监管政治广告中的人工智能或选举管理 |
| 影响评估 | 61 | 要求在部署前进行算法影响评估 |
| 通知 | 55 | 使用人工智能时必须通知相关方 |
| 监督/治理机制 | 54 | 成立新的人工智能监督机构 |
| 犯罪使用 | 48 | 禁止警察使用面部识别技术 |
| 预算 | 46 | 为人工智能研究或人工智能中心提供资金 |
| 审计 | 27 | 强制对人工智能系统进行外部审计 |
| 儿童色情 | 24 | 禁止人工智能生成的内容 |
| 来源/内容真实性 | 19 | 深度伪造和人工智能生成媒体的披露规则 |
| 司法使用 | 10 | 人工智能在法庭上的应用（量刑、证据披露等） |
| 小众领域 | 9 | 人工智能的法人资格、网络安全、自动化特别税 |
图4展示了另一个视角：按类别划分的法案热图，显示了随时间变化的法案数量。图表表明，2024年政府对人工智能和私营部门使用的兴趣显著增加，远远超过了早期更具探索性的主题。由于一个提案可能涉及多个类别（如负责任使用、对劳动力的影响和健康安全），热图中的深色区域表明每个后续草案中包含了更多的要求。
各州试图解决哪些问题？各州的人工智能立法涵盖了广泛的人工智能应用和监管方法，其中包括：
- **政府使用**：几乎所有引入人工智能立法的州都规定了政府和公共机构如何使用这项技术。共有303项法案要求公共机构对其人工智能系统进行目录编制、进行算法影响评估（AIAs），或确保当人工智能自动化决策影响公民时保持透明度。例如，有些法案禁止特定的人工智能监控工具，并要求在福利决定中有人类监督。立法者认识到，为政府使用人工智能设定基本规则对于维护公众信任至关重要；许多法案实际上确立了政府在使用人工智能时必须公平且可解释的原则。
- **私营部门使用**：共有267项法案涉及私营部门的人工智能。这些法案将长期的消费者保护或反歧视法律扩展到人工智能领域。常见条款包括禁止引入非法偏见的算法（如歧视性信用或招聘算法），要求公司在使用人工智能时通知消费者，或赋予个人选择退出完全自动化决策的权利。一些法案只是将人工智能条款纳入更广泛的隐私法律中（例如，在综合隐私法案中添加“自动化画像”部分）。这种对企业管理人工智能的关注反映了人们对金融、就业和住房市场中不透明“黑箱”算法的普遍担忧。
- **教育与劳动力**：共有190项法案涉及人工智能素养和劳动力问题。提案范围从在K-12教育中加入人工智能课程，到资助大学人工智能研究项目，再到委托开展关于自动化对就业影响的研究。一些州（如乔治亚州、弗吉尼亚州）通过了重新培训工人的决议。这些措施反映了经济转型：政策制定者希望劳动力为人工智能驱动的变化做好准备，并有机会分享新兴人工智能经济带来的好处。
- **研究与工作组**：共有173项法案成立了人工智能研究委员会或咨询小组。许多州选择先进行研究，而不是立即实施监管。这些委员会负责研究人工智能对就业、隐私、政府服务等方面的影响，然后提出建议。例如，伊利诺伊州和北卡罗来纳州召集了跨学科的立法研究小组来提出建议。这些努力表明，许多州仍认为知识建设是制定复杂规则的前提，政策制定者意识到技术前沿正在迅速发展。
- **负责任的人工智能/伦理**：有140项法案侧重于嵌入明确的伦理保障措施。这些法案要求进行算法审计、偏见缓解措施和模型卡片式的披露。一些提案甚至起草了“人工智能权利法案”，赋予个人对自动化决策的解释权或争议权。一些州（如马萨诸塞州、新泽西州）讨论了禁止在信贷和招聘等关键领域使用歧视性人工智能的法案。这一主题表明，越来越多的共识认为人工智能系统必须尊重公民权利规范，并且足够透明以证明合规性，而政府感到有责任将这些原则转化为可执行的法规。
- **健康使用**：共有85项法案直接涉及医疗保健或公共安全。这些法案包括监督医疗人工智能诊断工具的准确性、限制警察使用某些面部识别系统，以及初步讨论当自主系统在自动驾驶汽车或机器人手术等场景中造成伤害时的责任问题。尽管绝对数量较少，但这些法案承认人工智能的影响可能是生死攸关的，在安全关键环境中需要特别严格的监督。
- **通知/透明度**：另有55项法案要求在使用人工智能时必须公开通知相关方。伊利诺伊州2019年通过的《人工智能视频面试法案》是最著名的例子：雇主在使用人工智能筛选视频面试时必须通知求职者并获得明确同意。纽约州的监控通知法规将类似理念扩展到工作场所监控。一些州现在提议对人工智能生成的媒体进行标记或加水印，以打击政治广告中的深度伪造内容。实际上，开发者应预期用户界面级别的透明度要求（如“由人工智能驱动”标签）将成为常态。
- **审计**：我们单独标记了27项要求进行正式算法影响评估或第三方审计的法案（与一般的偏见条款不同）。例如，华盛顿州和佛蒙特州考虑了规定政府使用的任何重大自动化决策系统在部署前必须经过书面公平/隐私审查的规则。欧盟的风险评估模型的影响在这里显而易见，这些法案反映了通过具体文件和独立验证来落实问责制的实际尝试。
图5显示了按关注点分类的拟议人工智能法案的状态。旨在监管政府和私营部门使用的立法占最大比例；然而，大多数法案仍处于待定状态或尚未通过。研究和负责任使用等类别也表现出显著的活动，但实际通过的法案较少。相比之下，教育和健康等更具体的领域往往采用率更高。尽管立法兴趣浓厚，但只有少数人工智能法案最终成为法律。
哪些州已经通过了实际的法律？一小部分但不断增长的州已经超越了提案阶段，制定了实质性的人工智能法规。图6展示了至少有一项具体人工智能法律的州（浅蓝色阴影表示一项法律，深色阴影表示多项法律）。
接下来，我们从整体地图（图6）详细探讨了具体法案的实际情况，研究了那些已经将法案付诸实施的州。具体来说，这些已通过的法律包含哪些条款，以及哪些因素使这些州成为人工智能政策领域的先行者？我们在下面介绍了三个案例——科罗拉多州、犹他州和加利福尼亚州——作为不同政策实践的简要概述。
**示例性“先行者”模型：**
- **科罗拉多州**：2023年的《科罗拉多州人工智能法案》可能是目前最全面的、分风险等级的法规。它明确将某些人工智能应用标记为“高风险”（涵盖教育、金融和关键基础设施等领域），然后要求开发者进行偏见影响评估、提供消费者披露，并保持详细记录。从精神上讲，该法案将算法公平性与产品安全视为同等重要。任何熟悉消费者保护规则的工程师都熟悉这种做法。
- **犹他州**：相比之下，犹他州2024年的《人工智能法案》专注于一个虽然市场规模小但增长迅速的市场领域：用于消费者互动的生成式人工智能聊天机器人。主要要求很简单：如果机器人说话，用户必须知道。因此，企业必须明确披露对话伙伴是否为人类。该法案还创建了一个人工智能“沙盒”，为企业提供受监督的实验和创新平台。考虑到初创企业经常担心繁重且不断变化的法规，这具有很大的价值。
- **加利福尼亚州**：作为长期与技术创新相关的州，加利福尼亚州通过2023年至2025年间通过的一系列法案扩大了其人工智能治理。该州的《人工智能透明度法案》要求工具检测或加水印人工智能生成的媒体，而另一项配套法案则要求披露生成式人工智能系统的训练数据来源。后来一项建立全州人工智能监督机构的提案被否决。
- **其他州**：其他州采取了更为谨慎的、特定领域的行动。伊利诺伊州在2019年率先通过了广为人知的《人工智能视频面试法案》，要求雇主在算法筛选求职者的录像面试前获得明确通知和同意。弗吉尼亚州2023年的法律要求州政府使用的任何人工智能系统保持透明度，而德克萨斯州和弗吉尼亚州则通过将新的与自动化决策和画像相关的人工智能条款悄悄纳入更广泛的隐私法律中，间接监管人工智能。
总之，少数几个先驱州已经制定了人工智能控制措施，但相关法律仍然非常具体。许多雄心勃勃的早期提案要么停滞不前，要么在委员会阶段被削弱。实际上，迄今为止通过的法律通常针对特定的痛点，如招聘偏见、消费者通知或建立人工智能监督机构，而不是对人工智能技术施加全面限制。这种州与州之间的差异已经引发了日常合规难题。例如，符合犹他州披露标准的人工智能招聘工具可能仍会违反加利福尼亚州即将出台的内容规则或纽约州的本地偏见审计法律。因此，对于全国运营的公司来说，保持合规性已成为一个多司法管辖区的复杂问题。然而，这种差异也创造了一个现实世界的政策实验室，在其中不同的监管模式正在并行测试。科罗拉多州基于风险的广泛框架和犹他州的法律采取了相反的策略。许多立法资源有限的较小州选择了一项综合法律，而不是多项范围狭窄的法案。通过观察这些实验的发展，政策制定者可以了解哪些方法有效，哪些受到成本或混乱的阻碍。这些经验教训构成了下一节的基础。
**关键要点：**少数先行州为美国提供了第一份可执行的人工智能规则手册，但这些内容尚未形成一个连贯的整体。这份不断增长的拼图最终是否会形成一个持久的全国性模板，或者演变成一个更加复杂的行政迷宫，取决于政策制定者如何消化来自科罗拉多州、犹他州、加利福尼亚州和同僚州早期的证据。
**监管雷达：人工智能立法的下一步是什么？**
- **加利福尼亚州的《前沿人工智能透明度法案》（TFAIA）（2025年9月签署）**：州长签署SB 53法案，使《前沿人工智能透明度法案》生效，主要条款将于2026年1月1日生效。
- **科罗拉多州日落审查（2025年第三季度）**：利益相关者评估SB 24-205的第一年表现，并建议对其风险等级框架进行调整。
- **犹他州沙盒扩展（2025年会议）**：立法机构考虑扩大生成式人工智能“沙盒”以涵盖新的应用领域。
- **欧盟人工智能法案（2026年2月）**：委员会提供了“行为准则”，即通过实施法案为GPAI模型提供者实施义务的通用规则。
**结论与未来方向**：美国各州加速制定的人工智能立法浪潮为技术治理的演变提供了重要见解。各州已成为积极的实验实验室，测试在不同创新、问责制和保护之间取得平衡的不同方法。科罗拉多州全面的、基于风险的框架与犹他州狭义的透明度要求形成对比，反映了塑造国家讨论的多样化监管理念。这些州级试点允许各司法管辖区通过实践学习，产生有价值的原型，为更广泛的政策传播和最终的联邦框架提供信息。关键要点是：先行州在规则成为全国性要求之前，通过试点合规和治理框架来完善方法。
跨党派的立法者正在围绕三个指导原则达成共识：透明度、公平性和问责制。通过将这些价值观编入法律，各州正在将OECD人工智能原则和美国人工智能权利法案等伦理框架转化为可执行的法规。然而，不均衡的采用情况造成了不公平的权利格局，公民质疑算法决策的能力取决于地理位置。组织可以通过主动将偏见审计、可解释性机制和消费者通知功能嵌入到其AI系统中来减轻这种不确定性，从而预见到监管要求的趋同。关键要点：将偏见审计、可解释性报告和消费者通知功能整合到AI系统中，以领先于新兴的法律标准。目前有超过800项与AI相关的法案，这导致了合规性的复杂性。各州对通知、审计和同意的要求差异很大，从而造成了效率低下和消费者保护方面的潜在不一致性。虽然采用最严格的标准可能会增加初期成本，但随着各州框架的成熟和趋同，这将为长期稳定提供保障。关键要点：围绕最严格的标准统一内部政策，以最小化改造成本并降低未来的法律风险。
美国联邦制的核心挑战在于在国家一致性と州级创新之间找到平衡。采用“联邦最低标准、州最高标准”的模式可以在确保州级创新的同时，维持实验性。这种方法可以在不损害消费者保护或竞争力的前提下进行创新。关键要点：倡导建立一个平衡的联邦框架，设定最低标准，同时保留州主导的创新空间。
与欧盟统一的AI法案相比，美国的方法仍然较为灵活但分散。欧盟的统一性提供了清晰性，但可能会限制创新；而美国的多元主义则促进了多样性，但可能牺牲了一致性。随着全球公司越来越多地采用欧盟级别的严格标准（如“布鲁塞尔效应”）来简化市场合规性，趋同压力正在增加。提前符合这些标准的美国公司将处于未来协调和跨境互操作性的有利位置。关键要点：使AI治理符合欧盟级别的严格标准，以简化全球合规性，并为最终的美国-欧盟趋同做好准备。
在州主导的模型中，执法能力仍然是一个薄弱环节。许多州缺乏审计复杂AI系统所需的技术专长和资源，导致监管不均衡。与联邦机构（如联邦贸易委员会和国家标准与技术研究院）的合作可以加强执法的一致性。企业应准备好审计所需的文件（如影响评估、模型卡片和偏见日志），以证明合规性和责任感。关键要点：应假设每条规则都会被执行，并为州和联邦监管机构保留可审计的证据。
新兴的政策前沿标志着监管演进的下一阶段，例如对AI造成的伤害的严格责任、基础模型治理、生成内容的水印标记、选举诚信保障以及执法中的AI暂停等。这些举措将塑造未来的合规义务，并确定联邦行动的重点。关键要点：构建模块化、面向未来的合规层（如带水印的API、责任保险附加条款、披露模板），以便随着立法的发展快速适应。
美国的多中心治理模式中，联邦、州和地方当局同时运作，这既带来了机会也带来了风险。虽然这种模式促进了创新，但碎片化可能导致不确定性。通过模型法案或多州协议进行协调，可以实现自下而上的趋同，围绕透明度、公平性和风险管理建立共同的标准，这可能逐渐成为事实上的国家标准。关键要点：建立一个跨职能的“AI政策小组”，以监测发展、协调企业响应并塑造新兴的监管规范。
展望未来，美国正处于一个关键时刻。由于国会陷入僵局，各州将继续通过委员会、公众咨询和算法责任要求来推动AI治理。这些立法实验不仅是反应性的，也是创造性的，因为它们产生了实证证据，有助于逐步形成更加连贯的联邦框架。成熟的全国战略可能会从州级创新和联邦标准制定的综合中产生，既建立强有力的最低保障，又允许地方继续保持灵活性。
未来的政策设计应追求三个目标：
- 一致性：建立统一的定义和指标，以确保透明度、公平性和可审计性，减少合规性的碎片化。
- 能力：通过联邦-州合作开发共享的执法基础设施，确保公平的应用。
- 适应性：创建持续政策演进的机制，以跟上技术进步的步伐，类似于自适应的监管沙箱。
最终，通过借鉴欧盟的监管纪律和美国的实验能力，政策制定者可以培养一种将道德责任与创新追求相结合的治理模式。
Lavlin Agrawal（lagrawal@ncat.edu）是美国北卡罗来纳农业与技术州立大学的助理教授。
Pavankumar Mulgund是美国田纳西州孟菲斯大学的助理教授。
Richelle Oakley DaSouza是美国北卡罗来纳农业与技术州立大学的助理教授。
Kavita Bhaya是美国北卡罗来纳州格林斯伯勒的独立研究员。
Raghvendra Singh是美国密苏里州圣路易斯大学的即将上任的助理教授。
