Global AI policies and international business
Notice bibliographique
Résumé
How best to make sure that AI systems used in business and society are safe, transparent, traceable, non-discriminatory, and environmentally compatible is rapidly becoming a public policy priority. The European Union’s Parliament, for example, has tried to establish a technology-neutral, uniform definition for AI that could be applied to future AI systems. The institution defines AI as “the ability of a machine to display human-like capabilities such as reasoning, learning, planning and creativity.” Tensions exist between those who are involved in regulating AI, governments and large technology firms, and the design of AI policies to ensure a balance between safe and responsible AI and international competitiveness. In this chapter we present a snapshot of the current AI policies and frameworks from the pivotal actors in AI governance. We also discuss the role of corporate actors in influencing AI regulation and how global AI policies impact international business and innovation. Of particular importance is to ask, Qui bono? – who benefits? – and whether AI risks entrenching economic inequality and exacerbating structural injustice between societal groups and power imbalances between the Global North and the Global South, potentially amplifying the risks and harms, and reducing the benefits of AI for the latter. We argue that AI regulation is further complicated by the fact that AI policies not only reflect national priorities but also mirror the deeply engrained cultural values of the society in which they are developed. Finally, we propose several solutions for the responsible development of AI regulation that balances AI’s potential with protecting global societal welfare.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,014 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».