Perlembagaan AI Awam: Kerangka Kerja untuk Keabsahan Demokratik dalam Tadbir Urus AI

Kandungan

1. Pengenalan

Kita semakin tertakluk kepada kuasa pihak berkuasa AI. Model pembelajaran mesin kini menjadi asas kepada pasaran algoritma, menentukan ucapan siapa yang diperkuat atau dihadkan, membentuk keputusan kerajaan daripada peruntukan sumber hingga penguatkuasaan ramalan jenayah, dan mempengaruhi akses kita kepada maklumat mengenai isu kritikal seperti pengundian dan kesihatan awam. Apabila keputusan AI menjadi tidak dapat dielakkan, memasuki domain seperti penjagaan kesihatan, pendidikan, dan undang-undang, kita mesti menghadapi satu soalan penting: Bagaimanakah kita boleh memastikan sistem AI, yang semakin mengawal kehidupan kita dan membuat keputusan yang membentuk masyarakat kita, mempunyai kuasa dan keabsahan yang diperlukan untuk tadbir urus yang berkesan?

Untuk menjamin keabsahan AI, kita perlu membangunkan kaedah yang melibatkan orang awam dalam projek mereka bentuk dan menyekat sistem AI, seterusnya memastikan teknologi ini mencerminkan nilai bersama dan kehendak politik komuniti yang mereka layani. Perlembagaan AI, yang dicadangkan dan dibangunkan oleh Anthropic AI, mewakili satu langkah ke arah matlamat ini, menawarkan model bagaimana AI mungkin dikawal di bawah kawalan demokratik dan dipertanggungjawabkan untuk kebaikan bersama.

Seperti perlembagaan yang menghadkan dan membimbing pelaksanaan kuasa kerajaan, Perlembagaan AI bertujuan untuk mengodkan prinsip dan nilai yang jelas ke dalam model AI, menjadikan proses membuat keputusan mereka lebih telus dan boleh dipertanggungjawabkan. Apa yang membezakan Perlembagaan AI ialah komitmennya untuk mendasarkan latihan AI dalam "perlembagaan" yang jelas dan boleh difahami manusia. Dengan melatih AI untuk mematuhi prinsip yang boleh dibaca oleh manusia dan mesin, pendekatan ini bertujuan untuk memupuk kepercayaan dan kestabilan dalam pembangunan teknologi yang semakin berkuasa ini.

Walau bagaimanapun, penulis berhujah bahawa Perlembagaan AI, dalam bentuk semasanya (dibangunkan oleh sebuah syarikat swasta yang ingin mencipta prinsip perlembagaan yang boleh digunakan secara universal), tidak mungkin dapat menyelesaikan sepenuhnya krisis keabsahan AI disebabkan oleh dua defisit utama: Pertama, defisit ketelusan, yang mencadangkan bahawa kerumitan semula jadi sistem AI melemahkan keupayaan kita untuk memahami proses membuat keputusan mereka. Kedua, defisit komuniti politik, yang mencadangkan bahawa sistem AI didasarkan pada model abstrak dan bukannya pertimbangan manusia, kekurangan konteks sosial yang memberikan keabsahan kepada pihak berkuasa.

Untuk memperbaiki defisit ini, kertas kerja ini mencadangkan Perlembagaan AI Awam, satu kerangka kerja yang melibatkan orang awam dalam menggubal perlembagaan AI yang mesti digunakan dalam latihan semua model AI hadapan yang beroperasi dalam bidang kuasa tertentu.

2. Keabsahan AI

2.1 Mengapa Kita Perlukan AI yang Sah?

Sistem AI bukan lagi sekadar alat tetapi telah menjadi pihak berkuasa yang mentadbir aspek penting kehidupan sosial, ekonomi, dan politik. Keputusan mereka mempengaruhi hak individu, pengagihan sumber, dan wacana awam. Tanpa keabsahan—hak yang diiktiraf untuk memerintah—sistem ini menghadapi tentangan, ketidakpatuhan, dan ketidakstabilan sosial. Keabsahan adalah penting untuk tadbir urus yang berkesan, memastikan peraturan dipatuhi secara sukarela dan bukan semata-mata melalui paksaan. Untuk AI mentadbir dengan berkesan, ia mesti dianggap sah oleh orang awam yang terjejas.

2.2 Defisit Keabsahan AI

2.2.1 Defisit Ketelusan

Sifat "kotak hitam" bagi banyak model AI maju, terutamanya rangkaian neural dalam, mencipta defisit ketelusan. Walaupun data latihan dan objektif model diketahui, proses membuat keputusan dalaman selalunya terlalu kompleks untuk difahami manusia. Ketelusan ini menghalang pemeriksaan awam yang bermakna, perdebatan, dan bantahan terhadap keputusan AI—proses yang penting untuk keabsahan demokratik. Rakyat tidak boleh mempertanggungjawabkan apa yang mereka tidak fahami.

2.2.2 Defisit Komuniti Politik

Pihak berkuasa yang sah dalam demokrasi berasaskan pengalaman, nilai, dan konteks bersama komuniti politik tertentu. Walau bagaimanapun, sistem AI selalunya dibangunkan berdasarkan prinsip atau set data universal yang abstrak dan kekurangan penanaman sosial ini. Mereka beroperasi berdasarkan korelasi statistik dan bukannya pertimbangan manusia yang berkonteks, mewujudkan jurang antara logik algoritma dan konteks sosial yang memberikan keabsahan kepada pihak berkuasa. Defisit ini melemahkan perasaan bahawa tadbir urus AI mencerminkan "kehendak rakyat".

3. Perlembagaan AI Swasta

3.1 Perlembagaan Anthropic

Perlembagaan AI Anthropic mewakili pendekatan teknikal yang penting untuk menyelaraskan AI dengan nilai manusia melalui prinsip bertulis yang jelas.

3.1.1 Teknologi

Metodologi ini melibatkan proses latihan dua peringkat: 1) Pembelajaran Berpandu: Satu model dilatih untuk menjana respons, dan model "pengkritik" yang berasingan menilai respons ini terhadap satu set prinsip perlembagaan. 2) Pembelajaran Pengukuhan: Model ini diperhalusi menggunakan maklum balas daripada pengkritik, belajar untuk mengoptimumkan pematuhan kepada perlembagaan. Proses ini bertujuan untuk mewujudkan mekanisme pembetulan sendiri di mana AI menyelaraskan outputnya dengan prinsip yang telah ditetapkan.

3.1.2 Prinsip

Perlembagaan Anthropic termasuk prinsip yang diambil daripada sumber seperti Perisytiharan Hak Asasi Manusia Sejagat PBB, Terma Perkhidmatan Apple, dan dokumen lain yang memperjuangkan tingkah laku tidak memudaratkan dan bermanfaat. Contoh termasuk: "Pilih respons yang paling menyokong kehidupan, kebebasan, dan keselamatan peribadi" dan "Pilih respons yang paling jujur dan benar".

3.2 Keabsahan Perlembagaan AI Swasta

3.2.1 Ketelusan

Walaupun Perlembagaan AI menjadikan prinsip tadbir urus jelas, ia tidak menyelesaikan sepenuhnya ketelusan penaakulan dalaman model. Orang awam boleh melihat "peraturan" tetapi bukan bagaimana ia digunakan dalam kes yang kompleks dan spesifik. Proses latihan itu sendiri kekal sebagai kotak hitam teknikal yang diuruskan oleh jurutera.

3.2.2 Komuniti Politik

Prinsip dipilih oleh sebuah syarikat swasta, bertujuan untuk kebolehgunaan universal. Proses dari atas ke bawah, didorong oleh pakar ini, kekurangan penyertaan demokratik dan perbincangan khusus konteks yang akan mendasarkan perlembagaan dalam nilai dan pengalaman bersama komuniti politik tertentu. Keabsahan perlembagaan itu sendiri boleh dipertikaikan.

4. Perlembagaan AI Awam

4.1 Apakah Perlembagaan AI Awam?

Perlembagaan AI Awam dicadangkan sebagai kerangka kerja pembetulan. Ia mewajibkan bahawa perlembagaan yang mentadbir model AI hadapan dalam bidang kuasa mesti digubal melalui penglibatan awam yang signifikan.

4.1.1 Pembentukan Perlembagaan AI

Ini melibatkan proses demokratik seperti perhimpunan warganegara, tinjauan deliberatif, atau jawatankuasa penggubalan penyertaan. Matlamatnya adalah untuk mengubah perlembagaan AI daripada artifak teknikal kepada artifak politik—produk kehendak awam. Dengan melibatkan warganegara dalam menentukan nilai dan kekangan untuk AI, kerangka kerja ini bertujuan untuk: 1) Mengurangkan defisit ketelusan dengan menjadikan prinsip tadbir urus sebagai subjek wacana dan pemahaman awam. 2) Memperbaiki defisit komuniti politik dengan mendasarkan "nilai" AI dalam konteks sosial khusus dan pertimbangan kolektif komuniti yang dilayaninya.

5. Analisis Teras: Perspektif Industri

Pandangan Teras

Tesis Abiri bukan sekadar cadangan akademik; ia adalah cabaran langsung kepada seluruh pendekatan industri teknologi terhadap etika AI. Pandangan terasnya adalah keras dan betul: keabsahan tidak boleh direkayasa, ia mesti diperoleh melalui politik. Perlembagaan AI Anthropic, walaupun elegan secara teknikal, melakukan dosa klasik Lembah Silikon dengan mempercayai masalah sosial yang kompleks (seperti apa yang "baik" atau "adil") boleh diselesaikan dengan kejuruteraan yang lebih baik—"perlembagaan" yang lebih halus ditulis oleh pakar. Abiri dengan betul mengenal pasti ini sebagai ralat kategori asas. Tadbir urus, terutamanya tadbir urus demokratik, bukan masalah pengoptimuman yang boleh diselesaikan oleh penurunan kecerunan. Ia adalah proses yang kucar-kacir, dipertikaikan, dan sememangnya manusiawi. Laluan semasa industri mencipta teknik penyelarasan yang semakin canggih di makmal swasta sedang membina aristokrasi teknikal, bukan alat demokratik.

Aliran Logik

Hujah berjalan dengan ketepatan pembedahan: 1) Menetapkan masalah (AI sebagai pihak berkuasa tadbir urus), 2) Mentakrifkan kriteria penyelesaian yang diperlukan (keabsahan demokratik), 3) Membedah penyelesaian industri yang lazim (Perlembagaan AI Swasta) dengan mendedahkan dua kelemahan mautnya—ia masih kotak hitam kepada orang awam, dan nilainya tidak bersumberkan demokratik, dan 4) Mencadangkan penawar (Perlembagaan AI Awam). Logiknya ketat. Jika keabsahan memerlukan pemahaman dan persetujuan awam, dan kaedah semasa gagal pada kedua-dua aspek, maka satu-satunya laluan yang boleh dilaksanakan adalah membawa orang awam ke dalam proses penetapan nilai itu sendiri. Aliran ini mencerminkan kritikan dalam domain lain, seperti kegagalan metrik "keadilan" teknikal semata-mata dalam pembelajaran mesin yang mengabaikan konteks masyarakat, seperti yang diketengahkan dalam penyelidikan dari institusi seperti AI Now Institute.

Kekuatan & Kelemahan

Kekuatan: Kekuatan terbesar kerangka kerja ini adalah pengiktirafannya terhadap realiti politik. Ia melangkaui etika abstrak kepada mekanik kuasa dan persetujuan. Ia juga dengan betul mengenal pasti "keabsahan prosedur"—bagaimana peraturan dibuat—sebagai sama penting dengan peraturan itu sendiri. Perbandingan dengan perlembagaan politik adalah kuat dan sesuai.

Kelemahan Kritikal: Cadangan ini berbahaya naif tentang pelaksanaan. Pertama, masalah skala dan kerumitan: Bolehkah "awam" yang bermakna benar-benar berunding mengenai prinsip yang sangat teknikal, bernuansa, dan selalunya penuh dengan pertukaran yang diperlukan untuk mentadbir LLM hadapan? Kedua, ketidakpadanan bidang kuasa: AI beroperasi secara global; perlembagaan yang digubal dalam satu bidang kuasa tidak relevan untuk model yang dilatih di tempat lain dan diakses melalui internet. Ketiga, ia berisiko kezaliman majoriti—apa yang melindungi pandangan minoriti dalam perlembagaan AI yang digubal awam? Kertas kerja ini mengabaikan perkara ini, tetapi ia berpotensi maut. Tambahan pula, seperti yang dilihat dalam percubaan untuk mengumpulkan etika secara ramai, seperti "AI Test Kitchen" Google yang gagal atau pelbagai kegagalan perbincangan awam yang didokumenkan dalam sains politik, mencapai input awam yang berkualiti dan berpengetahuan tentang sistem teknikal yang kompleks adalah sangat sukar.

Pandangan Boleh Tindak

Untuk pembuat dasar dan pemimpin industri, pengambilannya jelas tetapi mencabar: Hentikan penyerahan etika kepada jurutera. 1) Wajibkan Ketelusan Proses, Bukan Hanya Output: Peraturan harus memerlukan pembangun AI mendedahkan bukan sahaja prinsip model mereka, tetapi proses bagaimana prinsip tersebut dipilih dan siapa yang terlibat. 2) Dana dan Uji Rintis Proses Demokratik Sebenar: Sebelum mewajibkan perlembagaan awam, kerajaan harus membiayai ujian rintis berskala besar dan direka dengan baik—seperti Perhimpunan Warganegara Ireland mengenai pengguguran—yang memberi tumpuan kepada domain AI khusus, berisiko tinggi (contohnya, algoritma triaj penjagaan kesihatan). 3) Bangunkan Model Hibrid: Laluan yang paling boleh dilaksanakan mungkin perlembagaan berlapis: teras prinsip minima, dipersetujui secara global (contohnya, tidak memudaratkan) yang ditetapkan oleh badan antarabangsa, ditambah dengan modul khusus konteks yang digubal tempatan untuk bidang kuasa atau bidang aplikasi yang berbeza. Cabaran teknikal kemudiannya menjadi membolehkan sistem AI mentafsir dan memberi pemberat kepada arahan berlapis ini secara dinamik—masalah penyelidikan hadapan itu sendiri, menyentuh bidang seperti rangkaian neural modular dan penaakulan sedar konteks, seperti yang diterokai dalam kertas terkini dari NeurIPS dan ICML mengenai sistem AI komposisi.

6. Kerangka Teknikal & Asas Matematik

Kerangka Perlembagaan AI Awam yang dicadangkan boleh diformalkan. Biarkan tingkah laku model AI menjadi fungsi $f(x; \theta)$ yang diparameterkan oleh $\theta$. Perlembagaan AI Standard melatih $\theta$ untuk memaksimumkan ganjaran $R_c$, yang menilai output terhadap perlembagaan swasta tetap $C_{private}$:

$$\theta^* = \arg\max_{\theta} \mathbb{E}_{x \sim \mathcal{D}}[R_c(f(x; \theta), C_{private})]$$

Perlembagaan AI Awam merumuskan semula ini. Perlembagaan $C_{public}$ itu sendiri adalah pemboleh ubah, dijana oleh fungsi proses demokratik $\Delta$ yang digunakan pada penduduk $P$ dan konteks $K$:

$$C_{public} = \Delta(P, K)$$

Objektif latihan kemudian menjadi:

$$\theta^* = \arg\max_{\theta} \mathbb{E}_{x \sim \mathcal{D}}[R_c(f(x; \theta), C_{public})] \quad \text{subject to} \quad C_{public} = \Delta(P, K)$$

Pergeseran teknikal utama ialah $\Delta$ adalah fungsi politik dan deliberatif, bukan fungsi kejuruteraan. Outputnya mesti cukup boleh dibaca dan stabil untuk berfungsi sebagai isyarat latihan. Ini memperkenalkan cabaran dalam menterjemah perbincangan awam kualitatif kepada kekangan kuantitatif, boleh tindak mesin—masalah yang serupa dengan pembelajaran pengukuhan songsang daripada keutamaan manusia, tetapi pada skala masyarakat.

7. Keputusan Eksperimen & Pengesahan

Walaupun pelaksanaan berskala penuh Perlembagaan AI Awam kekal teori, eksperimen berkaitan dalam reka bentuk algoritma penyertaan dan penyelarasan nilai menawarkan pandangan.

Carta: Persepsi Keabsahan Perbandingan (Data hipotesis berdasarkan kajian berkaitan): Carta bar membandingkan skor keabsahan yang dirasakan (pada skala 1-10) dalam kalangan warganegara yang disurvey untuk tiga model tadbir urus: 1) AI Standard (Tiada perlembagaan jelas): Skor ~3.2. Kepercayaan rendah disebabkan ketelusan lengkap. 2) Perlembagaan AI Swasta (Gaya Anthropic): Skor ~5.8. Peningkatan sederhana daripada prinsip jelas, tetapi keraguan tentang pengarang swasta. 3) Perlembagaan AI Awam (Dicadangkan): Skor ~7.9. Skor tertinggi, didorong oleh pemilikan proses yang dirasakan dan pemahaman peraturan. Bar ralat akan menunjukkan varians signifikan untuk model awam berdasarkan kepercayaan pada proses demokratik khusus yang digunakan.

Kajian mengenai perbincangan awam untuk dasar teknologi, seperti Panel Warganegara EU mengenai AI, menunjukkan peserta boleh bergelut dengan pertukaran kompleks (contohnya, privasi vs. inovasi) dan menghasilkan cadangan bernuansa. Walau bagaimanapun, output ini biasanya garis panduan dasar peringkat tinggi, bukan peraturan tepat, boleh operasi yang diperlukan untuk latihan AI langsung. Merapatkan "jurang spesifikasi" ini adalah cabaran besar yang belum diselesaikan.

8. Kerangka Analisis: Kajian Kes

Kes: Menggubal Perlembagaan AI untuk Algoritma Penguatkuasaan Ramalan Jenayah Perbandaran

Konteks: Sebuah bandar merancang untuk menggunakan sistem AI untuk meramal titik panas jenayah dan mengoptimumkan laluan rondaan.

Pendekatan Perlembagaan AI Swasta: Jurutera di syarikat pembekal menggubal prinsip berdasarkan garis panduan etika umum: "Minimakan jenayah," "Elakkan ramalan berat sebelah," "Hormati privasi." Model dilatih sewajarnya. Orang awam dibentangkan dengan fait accompli.

Pendekatan Perlembagaan AI Awam:

Pembentukan Perhimpunan Warganegara: Kumpulan 100 warganegara yang mewakili demografi dipilih.
Fasa Pendidikan: Pakar menerangkan penguatkuasaan ramalan jenayah, berat sebelah algoritma (contohnya, melalui metrik seperti kesan berbeza $DI = \frac{P(\text{ramalan risiko tinggi} | \text{kumpulan A})}{P(\text{ramalan risiko tinggi} | \text{kumpulan B})}$), dan pertukaran (contohnya, keselamatan awam vs. penguatkuasaan berlebihan).
Perbincangan: Perhimpunan berdebat klausa perlembagaan khusus. Contohnya:
- "Algoritma mesti diaudit setiap bulan untuk berat sebelah kaum, dengan nisbah kesan berbeza tidak melebihi 1.2."
- "Ramalan yang membawa kepada peningkatan rondaan di sebuah kejiranan mesti boleh dikaji semula oleh lembaga komuniti dari kejiranan itu."
- "Objektif utama adalah untuk meminimumkan jenayah ganas serius, bukan kesalahan kecil."
Pengesahan: Perlembagaan yang digubal dikemukakan kepada referendum penasihat seluruh bandar.
Pelaksanaan: Bandar mewajibkan bahawa mana-mana sistem AI pembekal mesti dilatih dan dinilai terhadap perlembagaan awam ini.

Kes ini mengetengahkan potensi untuk peraturan yang lebih sedar konteks dan dipercayai tetapi juga kos, masa, dan kerumitan proses yang sangat besar.

9. Aplikasi & Pembangunan Masa Depan

Kerangka Perlembagaan AI Awam mempunyai implikasi luas melangkaui LLM hadapan:

Perlembagaan Khusus Domain: Penggubalan awam untuk AI dalam penjagaan kesihatan (triaj, sokongan diagnosis), pendidikan (pembelajaran diperibadikan, penggredan), dan kebajikan sosial (peruntukan faedah).
Perlembagaan Dinamik: Membangunkan mekanisme untuk perlembagaan berkembang dari semasa ke semasa melalui kajian semula awam berkala, seperti pindaan perlembagaan, memerlukan model AI mampu pembelajaran berterusan di bawah set peraturan yang berubah.
Penimbangtaraan Lintas Bidang Kuasa: Penyelidikan teknikal ke dalam sistem AI yang boleh mengemudi konflik antara perlembagaan awam yang berbeza apabila beroperasi dalam konteks global atau bersekutu, mengambil daripada kerja pada pengoptimuman pelbagai objektif dan penaakulan normatif.
Pembangunan Alat: Mencipta platform perisian untuk memudahkan perbincangan awam berskala besar dan berpengetahuan mengenai prinsip AI, berpotensi menggunakan AI sendiri untuk meringkaskan perdebatan, menjelaskan pertukaran, dan menterjemah sentimen awam kepada klausa draf.
Integrasi dengan Keselamatan Teknikal: Menggabungkan proses penetapan nilai awam dengan penyelidikan keselamatan AI teknikal mengenai keteguhan, kebolehinterpretasian, dan pengawasan. Perlembagaan awam akan mentakrifkan "apa" dan "mengapa", manakala jurutera menyelesaikan "bagaimana".

Arah akhir adalah ke arah Ekosistem Tadbir Urus AI Penyertaan, di mana kitaran hayat sistem AI—daripada nilai asasnya hingga audit pelaksanaannya—tertakluk kepada input dan kawalan awam yang berstruktur dan inklusif.

10. Rujukan

Abiri, G. (2025). Public Constitutional AI. Georgia Law Review, 59(3), 601-648.
Anthropic. (2023). Constitutional AI: Harmlessness from AI Feedback. arXiv preprint arXiv:2212.08073.
Binns, R. (2018). Fairness in Machine Learning: Lessons from Political Philosophy. Proceedings of the 1st Conference on Fairness, Accountability and Transparency (FAT*), 149-159.
AI Now Institute. (2023). Algorithmic Accountability: A Primer. Diperoleh daripada https://ainowinstitute.org/publication/algorithmic-accountability-primer
Hadfield, G. K., & Clark, R. M. (2023). The Problem of AI Governance. Daedalus, 152(1), 242-256.
Goodman, B., & Flaxman, S. (2017). European Union Regulations on Algorithmic Decision-Making and a "Right to Explanation." AI Magazine, 38(3), 50-57.
Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2223-2232. (Dirujuk sebagai contoh kerangka teknikal—CycleGAN—menyelesaikan masalah pemetaan kompleks, analog dengan keperluan untuk memetakan perbincangan awam kepada isyarat latihan AI).
Dryzek, J. S., & Niemeyer, S. (2019). Deliberative Democracy and Climate Governance. Nature Human Behaviour, 3(5), 411-413. (Mengenai keberkesanan perhimpunan warganegara).