从算法到模型，人工智能正跨越一个分水岭——从依靠既定规则的智能，走向自我学习进化的智能。同 步，一个全新的治理命题浮现：如何在推动创新的同时，确保模型的安全与可控？近期，围绕模型治理 ——特别是通用、前沿大模型的治理，中美欧交出不同答卷。2025年7月，欧盟发布自愿性指导性文件 《通用人工智能实践准则》（以 下简称《 实践准则》），旨在帮助模型提供者遵守 《人工智能法案》 中有关通用人工智能模型的义务规范。 [1] 9月，美国加州州长签署《前沿人工智能透明法案》 （SB 53） ，聚焦于"前沿模型" （Frontier Models） 的透明度义务。 [2] 同月，中国发布《人工智能安全治理 框架2.0》，尽管并非针对模型，但作为指导性政策文件，其明确了模型层面的风险，并提出了相应的 风险应对指引。 [3] 如何治理模型：欧盟、美国加州与中国的探索 中美欧在模型治理上形成了三种差异化路径：欧盟构建层层叠叠的风险类别，配套高密度的义务；美国 以加州为代表，选择小范围、轻监管模式，强调企业自律；中国则从应用场景出发，通过"自下而上"的 方式延伸至模型本身。理解以上路径的共性与差异，有助于厘清模型治理在人工智能治理 ...

文章核心观点 - 人工智能治理正从基于规则的智能转向自我学习进化的智能，模型治理成为关键议题 [2] - 中美欧在通用及前沿大模型治理上形成三种差异化路径：欧盟构建复杂义务体系，美国加州采取轻监管模式，中国从应用场景延伸至模型治理 [2][3] - 三方共性包括柔性治理倾向、构建评估生态、以透明度为核心工具，差异体现在监管范围、义务强度与风险判断逻辑 [2][11][12] 欧盟模型治理路径 - 在原有AI系统四级风险体系外，平行构建针对通用模型的治理机制，区分有无"系统性风险"的模型 [4] - 系统性风险判断结合理念性标准（如"高影响能力"）与技术性量化指标（如训练计算量超过10^26 FLOPs） [4] - 模型义务扩展至应用场景，如要求模型提供者构建未来风险情景和收集最终用户反馈，超出其对模型自身的控制范围 [5] - 治理框架复杂笨重，模型风险与应用风险混同，导致模型提供者承担无法预见的责任，欧盟正推动立法简化方案 [5] 美国加州模型治理路径 - 监管起点高且范围窄，仅覆盖训练计算量超过10^26 FLOPs的"前沿开发者"，"大型前沿开发者"需额外满足年总收入超5亿美元门槛 [5] - 义务轻量化，透明度报告仅要求基础信息，如网站、沟通机制和预期用途，对比欧盟对技术文档的细节要求极为限缩 [5][6] - 立法主线为促进产业发展，避免过多制约，过去三年出台的AI法规多针对细分场景（如伴侣聊天机器人、医疗AI误用） [6] 中国模型治理路径 - 以应用服务为切入点，自下而上延伸至模型治理，通过算法推荐、深度合成、生成式AI等服务规制间接约束模型层 [7][8] - 采用"内生风险—应用风险—衍生风险"三层结构，将模型算法风险归入内生风险范畴（如可解释性不足、鲁棒性不强），厘清风险边界 [9] - 治理工具务实，依托算法备案、安全评估、内容标识等具体抓手，形成系统完善的治理机制 [8][9] 三方治理共性 - 均体现柔性治理倾向：欧盟《实践准则》为自愿性承诺，美国加州SB 53以企业自律主导，中国以指导性文件推进治理 [11] - 重视构建评估生态：欧盟建议社区驱动模型评估榜单，美国要求第三方灾难性风险评估，中国提出建立安全测评体系 [11] - 透明度成为核心工具：欧盟按披露对象分级设置信息层级，加州按开发者规模纵向分级，中国通过算法备案实现模型功能可见性 [12]