arXiv cs.AI· Kim Phuc Tran·· 11 小时前AI 评分18
谁能改变航向？AI 主权与集体学习能力的整合性综述
Who Can Change Course? An Integrative Review of AI Sovereignty and Collective Learning Capacity
AI 导读
一篇 arXiv 综述以法国为例，将 AI 主权界定为国家的学习能力，并借用 HCLM（熵调控表征学习）框架关联算力、数据、人才等投入与协调失灵、行政重复、能源约束等可避免损失。文章提出条件性缩放关系与政策指标，结合 OECD、IMF 和世界银行描述性证据，并强调该框架是研究启发式而非把神经网络方程直接套用于国家。
正文 · AI 翻译
摘要：本文以法国为应用案例，将人工智能主权视为国家学习能力加以考察。面向熵调控表征学习提出的人类中心学习力学（HCLM，Tran，2026）提供了一个概念透镜，用以关联信息输入、吸收能力与可避免的制度性损失。输入包括算力、数据、人才、研究、资本、部署与制度实验。潜在损失包括协调失灵、行政重复、能源约束、监管不确定性以及组织采纳有限。监管也通过评估、可信数据获取、互操作性与安全标准来支持学习。其论点是，主权取决于能否将分布式资源与知识转化为可用、协调且经负责任评估的能力。该分析将这一论述与神经缩放定律、内生增长、创造性破坏以及标准博弈论机制联系起来。它提出了条件性缩放关系、政策指标与示例性情景，并辅以描述性的 OECD、IMF 和世界银行证据。国别观测数据与假设情景数值保持分离，一个完整设定的公共品示例展示了去中心化激励如何限制共享供给。该框架提供的是一种研究启发式，而非将神经网络方程字面移植到国家层面，也不是一种既定的主权度量。其经验价值需要通过纵向、组织与跨国数据进行检验。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.00729 [cs.AI] |
| （或 arXiv:2606.00729v3 [cs.AI] 为本版本） | |
| https://doi.org/10.48550/arXiv.2606.00729 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kim Phuc Tran [查看邮箱]
[v1]
2026年5月30日星期六 13:49:42 UTC（512 KB）
[v2]
2026年6月17日星期三 12:19:59 UTC（515 KB）
[v3]
2026年10月16日星期五 12:05:13 UTC（33 KB）
来源：arXiv cs.AI · arxiv.org