上周跟一个做自动驾驶的朋友吃饭，他说现在最怕的不是技术跑不通，是跑通了之后不知道该按哪套规矩上路。测试牌照拿了一堆，各地标准不一，有的城市允许主驾无人，有的连副驾都得坐安全员。他苦笑着说，我们代码迭代按周算，法规迭代按年算，中间这段空白全靠企业自己赌。

这话搁两年前说，可能没人当回事。现在不一样了。欧盟人工智能法案分阶段落地，国内生成式AI管理办法已经跑了一年多，今年又把人工智能法草案列进了立法计划。节奏明显在加快。但快归快，圈里人私下聊起来，没几个觉得“快”就等于“清楚”。

我翻过几份地方上的AI产业促进条例，坦白讲，有些条款读起来像招商手册——鼓励、支持、推动，词儿都挺热乎，落到“出了事谁担责”就含糊了。企业要的不是口号，是边界。比如大模型生成的内容侵权了，是算模型提供者的责任，还是算部署者的，还是算用户的？训练数据里混进了受版权保护的材料，罚谁、罚多少、有没有免责通道？这些问题不回答，创新就是蒙眼开车。

但反过来，立法要是把边界画得太死，行业死得更快。前阵子跟一个做大模型安全对齐的团队聊，他们说最头疼的是“安全”这个词没有操作化定义。监管说你要保证输出安全，可什么叫安全？是过滤掉所有敏感词，还是保证事实准确，还是防止被越狱攻击？每个维度对应的技术方案和成本差着量级。没有细则，企业只能按最保守的来，结果就是模型变得啥都不敢说，用户体验直线下降。这不是安全，这是自废武功。

欧盟那边其实也踩过这个坑。AI法案刚出来的时候，高风险系统的合规成本把一批中小公司直接劝退。后来搞了监管沙盒，让企业在受控环境里试错，算是找补回来一点。国内几个自贸区也在推沙盒机制，但规模小、门槛高，真正能进去测的场景有限。有个做医疗影像AI的创业者跟我说，他们想测一个辅助诊断模块，光申请材料就准备了四个月，等批下来竞品都迭代两轮了。

所以平衡点到底在哪？我的观察是，立法得学会“分层”。基础模型和上层应用的责任不能一锅烩。基础模型提供者管好数据来源和基本安全底线，应用层根据场景风险等级来定合规要求。医疗、金融、自动驾驶这些高风险场景，该严就严，该审就审；但那些低风险的娱乐、办公类应用，别拿同一套标准去卡。现在有些地方搞“一刀切”备案，连做个AI写诗的小程序都要交一堆材料，纯属浪费行政资源。

另一个关键是别把立法当成静态文本。AI技术三个月一变样，法规要是五年不修订，必然脱节。比较现实的做法是设一个动态调整机制，比如授权监管部门根据技术发展出细则、发指南，而不是什么都往法律条文里塞。法律管原则，细则管操作，指南管当下。三层结构比一部大法包打天下要灵活得多。

还有一点容易被忽略：企业参与立法的通道太窄。现在很多法规的起草过程，征求意见稿挂出来两周就收摊，真正能沉下心写反馈的没几家。反倒是那些大厂有专门的法务团队盯着，中小企业的声音基本传不上去。可AI创新的主力恰恰是中小企业。立法要是只听巨头和专家的，最后出来的规则大概率偏向头部利益，小玩家连入场券都摸不着。

说到底，创新和安全的平衡不是一道算术题，没法靠一个公式解出来。它更像是一个持续校准的过程——立法定框架，监管留弹性，企业有反馈渠道，出了事能快速调整。谁也别指望一步到位。那个做自动驾驶的朋友最后说了句话挺在理：我们不奢望法规比技术跑得快，但至少别让合规成本变成技术落地的唯一门槛。这话糙，但理不糙。