A mesterséges intelligencia jogi határai már nem követik a technológiát

A 10^26 FLOP-os küszöb egyre több modellt érinthet

A frontier modellek fogalma eredetileg a különösen nagy képességű, általános célú rendszerek egy szűk körét jelölte. Ezek olyan kockázatokat hordozhatnak, mint a tömeges halálesetek vagy a milliárd dolláros károk. Az Egyesült Államokban három tagállam, valamint az Európai Unió már jogszabályban foglalkozik a legnagyobb teljesítményű általános célú AI-modellekkel, miközben egy kétpárti képviselőházi tervezet szövetségi definíciót is bevezetne.

Kalifornia SB 53 jelű törvénye frontier modellnek tekinti azokat az alapmodelleket, amelyek betanítása több mint 10²⁶ egész vagy lebegőpontos műveletet, FLOP-ot használ. A legszigorúbb előírások azonban csak azokra a nagy fejlesztőkre vonatkoznak, amelyek legalább 500 millió dolláros bevétellel rendelkeznek. New York RAISE Actje hasonló küszöböt alkalmazott, a 2026. márciusi módosítások pedig eltávolították a korábbi, 100 millió dolláros számításiköltség-határt és a desztillált modellekre vonatkozó külön szabályt. Illinois SB 315 törvénye és a Great American AI Act tervezete a kaliforniai megoldást követi.

Az Európai Unió eltérő utat választott. Az AI Act 10²⁵ FLOP felett vélelmezi, hogy egy általános célú modell rendszerszintű kockázatot jelent, a fejlesztő azonban bizonyíthatja, hogy a modell képességei elmaradnak a legfejlettebb rendszerekétől.

A fix számítási határ gyorsan elveszítheti a jelentőségét

A Center for Data Innovation augusztus 28-án megjelent elemzése szerint nincs erős technikai alapja ezeknek a rögzített definícióknak. A 10²⁶ FLOP-os küszöböt a Biden-adminisztráció 2023-as elnöki rendelete használta először, amikor még egyetlen piacon elérhető AI-modell sem lépte át. A 2025 februárjában kiadott Grok 3 volt az első ilyen rendszer. Az Epoch AI előrejelzése szerint 2027-re nagyjából 30, 2030-ra pedig több mint 200 jelentős modell haladhatja meg ezt a szintet.

Ez azt jelenti, hogy egy eredetileg néhány rendszert célzó határérték idővel akár több száz modellre is kiterjedhet. Közben a fejlesztési hatékonyság javulásával hasonló képesség kevesebb betanítási számítással is elérhető. A desztilláció, a kvantálás, a ritkítás és a ritka újrafelhasználás kisebb modelleket hozhat létre, amelyek egy nagyobb modell viselkedésének jelentős részét a költség töredékéért öröklik.

A betanítási számítás ráadásul rossz mérőszám lehet az újabb, következtetésre építő modelleknél, mivel ezek költségének és számítási igényének jelentős része a válaszadáskor jelentkezik. Így azonos képességű modellek eltérő szabályok hatálya alá kerülhetnek.

Dinamikus, képességalapú szabályozást sürgetnek

A túl széles definíció felesleges megfelelési terhet róhat olyan fejlesztőkre, amelyek modelljei nem jelentenek katasztrofális kockázatot. Ide tartozhatnak a kockázati keretrendszerek, az auditok és a jelentési kötelezettségek. A túl szűk meghatározás ezzel szemben kockázatos rendszereket hagyhat kívül a szabályozáson.

Az elemzés szerint a frontier modellek definíciójának a képességek és a hatékonyság változásával együtt kellene fejlődnie. Az uniós AI Act már tartalmaz ehhez hasonló elemeket: a magas hatású képességeket a legfejlettebb modellekhez viszonyítja, a Bizottság pedig felhatalmazáson alapuló jogi aktussal módosíthatja a küszöböket. Kalifornia SB 53 törvénye évente ír elő újraértékelést.

A Center for Data Innovation szerint a kongresszusnak a Center for AI Standards and Innovation feladatává kellene tennie egy, a magánszektorral egyeztetve kialakított, rendszeresen frissíthető definíció kidolgozását. Ennek a szabályok által kezelt kockázatokhoz kapcsolódó képességekre kellene épülnie.

A frontier szabályok nem fedik le az összes AI-kárt

Az elemzés hangsúlyozza, hogy a frontier AI-ra vonatkozó törvények nem elsősorban az adatvédelem vagy a polgári jogok védelmét szolgálják. Az érintett katasztrofális kockázatok közé a tömeges halálesetek és a milliárd dolláros károk tartoznak, az uniós kódex pedig a rendszerszintű kockázatot vegyi, biológiai, radiológiai és nukleáris eseményekhez, az irányítás elvesztéséhez, kibertámadásokhoz és káros manipulációhoz köti.

A diszkrimináció, a megfigyelés és az adatokkal való visszaélés külön szabályozási rétegbe tartozik. A Center for Data Innovation szerint ezeknek a rendelkezéseknek a rendszerek használatára kell összpontosítaniuk, míg a frontier szabályoknak a kivételes kockázatot jelentő modellek képességeire. A két terület szükség esetén hivatkozhat egymásra, de a frontier kategóriát nem célszerű minden AI-kár gyűjtőfogalmává tenni.