当地时间1月7日，美国白宫公开的一份文件提出10条人工智能监管原则，这些原则要求避免联邦机构对人工智能应用的过度干预，强调监管的灵活性。
这份名为《人工智能应用规范指南（Guidance for Regulation of Artificial Intelligence Applications）》的文件强调“鼓励人工智能的创新和发展”和“减少部署和使用人工智能的障碍”。
它指出，“Al的部署有助于提高安全、公平、福利、透明度和其他 社会 目标，美国保持全球AI领导地位对维护经济和国家安全至关重要……联邦机构必须避免阻碍创新和增长的、不必要的监管或非监管行动”。“必须考虑联邦管制对州和地方政府现有或潜在行动的影响。”
该文件明确了10条“人工智能应用监管原则”（Principles for the Stewardship of AI Applications）。
10条原则延续了2019年2月特朗普签署的“维护美国人工智能领导地位”行政命令中的目标和原则，基本概括当前人工智能应用部署中的主要重大议题。
这些议题包括公众信任、公众参与、科学完整性与信息质量、风险评估与管理、收益与成本、灵活性、 公平和非歧视、公开与透明、安全与保障和机构间协调。
1.公众对AI的信任：政府对AI的监管和非监管方法须促进可靠和可信赖的AI应用。对隐私和其他风险的适当监管或非监管必须取决于风险的性质和适当的缓解措施。
2.公众参与：机构应在可行且合法的范围内，为公众提供充足的信息和机会去参与规则制定的所有阶段。
3.科学完整性与信息质量：根据科学完整性原则，各机构应以既为决策提供信息又能促进公众对Al信任的方式制定Al监管方法。
4.风险评估与管理：应采用基于风险的方法来确定哪些风险是可接受的，哪些则可能造成不可接受的损害，或者损害的预期成本大于预期收益。
5.收益与成本：在符合法律规定的情况下，各机构考虑与人工智能应用开发和部署有关的法规之前，应仔细考虑全面的 社会 成本、效益和分配效果。
6.灵活性：在大多数情况下，试图规定死板的人工智能应用规则是不切实际且无效的，因为人工智能将以预期的速度发展，机构需要对新的信息和证据作出反应。为了推进美国的创新，各机构应牢记人工智能的国际应用，确保美国公司不受美国监管制度的不利影响。
7.公平和非歧视：在某些情况下，AI应用可能会引入现实世界的偏见，产生歧视性的结果或决定，这会损害公众对人工智能的信任和信心。考虑与人工智能应用相关的法规或非法规方法时，各机构应依法考虑人工智能应用结果和决定的公平与非歧视问题。
8.公开与透明：适当的公开和透明要视具体情况而定的，取决于对潜在危害的评估、危害的程度、技术现状以及人工智能应用的潜在好处。
9.安全与保障：各机构应特别注意现有的控制措施，以确保人工智能系统处理、存储和传输信息时的机密性、完整性和可用性。
10.机构间协调：各机构应相互协调，分享经验，确保人工智能相关政策的一致性和可预见性，以促进美国人工智能的创新和增长，同时适当保护隐私，公民自由和美国价值观，并在适当时允许采取针对具体部门和应用的方法。
文件还引述2019年2月行政命令，提到应考虑在减少Al技术使用障碍以促进创新的同时保护公民自由、隐私和国家安全。
据美国连线（WIRED）杂志网站消息，公众可在90天内提交关于上述原则的反馈意见，之后联邦机构将有180天的时间来研究如何实施这些原则。
来源:经济日报客户端
在中国人工智能学会主办的2021中国人工智能大会（CCAI 2021）上，业内专家围绕数据要素与隐私计算话题展开了热烈的讨论。
在数字经济时代，数据要素的作用及其重要性愈发凸显。近年来，与之相关的监管也更加严格，相关法律法规不断出台。随着《数据保护法》《个人信息保护法》等的落地，如何既做到保护个人信息，又做到充分发挥数据资产价值、高效地链接多方数据成为了痛点。
香港 科技 大学智能网络系统实验室主任、副教授、星云Clustar创始人陈凯表示，隐私计算技术可以帮助人工智能为代表的应用领域，合理引入更多受隐私、安全因素限制的数据，促进人工智能模型向精准化、效率化发展；推动不同机构的数据融合，催生出新的应用场景，让过去的不可能成为可能。
在相关法律法规趋严的背景下，陈凯认为，新兴技术的发展面临的既有机遇也有挑战。在监管趋严的背景下，隐私计算更有潜力，可以在合规的前提下，把不同的机构的数据联合起来，催生出一些以前没有的、甚至不可能产生的新的应用产品，让此前不可能的称谓可能。但也要看到，新兴技术的发展也面临场景 探索 、市场教育普及等多重挑战。
CCAI名誉副理事长、加拿大工程院院士、加拿大皇家科学院院士杨强介绍，联邦学习具备数据不出库、性能效率大幅改善的技术优势，以赋能金融行业数字化转型为例，大多数金融机构往往受限于隐私保护、安全、合规的要求，不能轻易进行多方数据流通，通过联邦学习技术实现联合建模、扩充模型空间，可以构建更加精准化、智能化的金融服务体系。
在介绍联邦学习具体的应用案例时，杨强表示，如在金融方面，人们可以通过联邦学习把多家金融机构联合起来。以前，受限于隐私保护安全合规的要求，这些机构之间不敢互相传递数据。但是，通过联邦学习可以把他们的数据联合建模，并且把模型的特征空间加以扩充，如和互联网公司的数据结合起来，这样的模型就可以发现以往单家金融机构发现不了的一些违法违规行为，如洗钱等。