OpenAI集团今日发布了一份政策框架文件,就如何应对人工智能带来的风险提出建议。
这份13页的文件标题为"智能时代的产业政策:以人为本的构想"。这至少是OpenAI在过去两年中发布的第二份此类文件。
该文件的发布正值有新报道称OpenAI内部人士对首席执行官萨姆·奥特曼的领导能力表示担忧。据《纽约客》报道,与该公司"相关的几位高管"已经提出用菲德吉·西莫替换奥特曼的想法。而首席财务官萨拉·弗里亚据报道对OpenAI上市计划的可行性并不确信。
该公司新发布的框架包含二十多项政策建议。其中一些呼吁进行广泛的宏观经济政策变革,而另一些则讨论电网组件等更具体的话题。减轻恶意AI输出也是另一个主要关注点。
在财政建议方面,OpenAI建议政策制定者通过"增加对资本收入的依赖——如提高顶层资本利得税、企业所得税,或针对持续AI驱动收益的定向措施"来缓解AI的经济影响。文件还建议征收与自动化倡议相关的税收。文件的另一部分建议政府创建一个专注于AI的公共财富基金。
该文件还包含几项更具体的经济政策建议,每项都针对特定类型的市场参与者。
OpenAI认为应该给予工人在其公司实施AI方面更大的发言权。与此同时,如果该文件得到实施,企业家将获得共享后台基础设施和其他形式支持的机会。OpenAI的文件还涵盖了成熟企业,这家ChatGPT开发商认为应该给予这些企业"鼓励公司保留、再培训和投资员工的激励措施,类似于现有的研发式信贷"。
其中一项政策建议专注于能源行业的公司。OpenAI认为美国政府应该更积极地支持发电产能的发展。根据文件,政策制定者可以通过为公用事业公司提供财政激励和简化获取高级导体等电网组件的途径来完成这项任务。
文件中其余政策建议中有超过六项关注AI安全。OpenAI表示,美国政府应该制定"协调的行动手册,以在危险AI系统被释放到世界后对其进行控制"。文件补充说,政策制定者应该为公司报告AI安全事件创建途径。
OpenAI在accompanying该文件的博客文章中表示:"这些想法很有雄心,但故意处于早期和探索阶段。我们提供它们不是作为全面或最终的建议集,而是作为讨论的起点。"
该公司计划在华盛顿特区一个名为OpenAI工作坊的中心就其建议举行讨论,该中心将于下月开放。此外,OpenAI将向AI政策研究人员发放最高10万美元的资助,以及价值高达100万美元的API使用额度。
Q&A
Q1:OpenAI发布的这份政策框架文件主要关注什么内容?
A:这份13页的文件主要关注如何应对人工智能带来的风险,包含二十多项政策建议。内容涵盖宏观经济政策变革、电网组件等具体技术话题,以及减轻恶意AI输出等安全问题。
Q2:OpenAI在财政政策方面提出了哪些具体建议?
A:OpenAI建议提高顶层资本利得税、企业所得税,征收与自动化倡议相关的税收,创建专注于AI的公共财富基金。同时建议给工人更大发言权,为企业家提供共享基础设施支持,为企业提供员工培训激励措施。
Q3:OpenAI计划如何推进这些政策建议的讨论?
A:OpenAI将在华盛顿特区开设名为OpenAI工作坊的中心举行讨论,该中心下月开放。同时,公司将向AI政策研究人员提供最高10万美元的资助和价值高达100万美元的API使用额度来支持相关研究。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。