Stanford RegLab
让 AI 为政府工作，而非对抗政府

大多数讨论 AI 治理的学者停留在"AI 应该被如何规范"的理论层面。RegLab 的不同之处在于它同时回答两个问题：AI in Government（政府如何用 AI 更好地执行职能——监管、执法、服务公民）和 Governing AI（社会如何设计机制来管控 AI 的风险和权力集中）。

Daniel Ho 是 William Benjamin Scott and Luna M. Scott Professor of Law at Stanford，同时担任 Stanford Institute for Human-Centered AI（HAI）副院长，研究横跨法律、数据科学和公共政策。RegLab 隶属于 Stanford Law School 与 Stanford Impact Labs，在 AI 治理研究中大量使用随机对照试验（RCT）而非仅做观测研究：将政府机构随机分为"使用 AI 工具"和"传统方法"两组，在受控条件下测量 AI 工具对效率、公平性、用户满意度的影响，报告中包括 AI 失效案例和负面影响，不只发布成功案例——这种方法论的严格性让 RegLab 的结论在法律和政策界比一般技术报告更受信任。

STARA（Statutory Research Assistant，法定研究助手）——政府法规文件浩如烟海，"政策淤积"（Policy Sludge）——过时的、冗余的、相互矛盾的法规积累在法典中，没有人有能力系统清理——是常见的治理困境。STARA 是 RegLab 开发的 AI 工具，专门对大规模法律文件做自动化综述，识别过时或冲突条款并生成可操作的修订建议。旧金山市检察官办公室实际使用 STARA 扫描了数千页城市法规，加速了法律改革流程。

AI 识别种族性契约——2024 年 10 月，RegLab 联合普林斯顿大学和圣克拉拉县，用 AI 从 500 万份房产契约中识别并标注种族性限制条款（Racial Covenants）。这些条款在 1968 年《公平住房法》后已失效，但仍大量残留在历史契约文件中，人工审查需要数十年，RegLab 的 AI 方法在数周内完成，为后续历史记录和政策修复提供了数据基础。

计算机视觉改善道路维护——RegLab 与圣地亚哥市合作，用计算机视觉模型分析道路损坏图像、自动评估修缮优先级，优化维护资源的地域分配以减少对低收入社区的系统性忽视，并提供可解释的决策依据让公众能质疑和监督分配结果。这三个项目共同展示了 RegLab 方法论的核心：AI 工具 + 公平性审计 + 政策可执行性。

RegLab 还系统性地向政府官员传授 AI 知识：2025 年 1 月与 Stanford HAI 联合举办首届 AI Boot Camp for Policymakers，覆盖联邦、州、地方各级政府官员；同时参与起草多份加州 AI 监管政策白皮书，并发布联邦 AI 监管建议，分析拜登和特朗普政府的 AI 行政命令。

太多讨论把"AI 应用"与"AI 监管"两者对立——要么说政府应该限制 AI，要么说政府应该用 AI。RegLab 的实践表明两者可以同时推进，且相互强化：用 AI 服务政府，同时通过实践发现需要监管什么。这填补了一个长期存在的鸿沟。

公平性是 RegLab 每个项目的核心约束，不是可选项——每个项目都要求明确回答"这个 AI 系统对不同人群的影响是否公平"，这在工业界 AI 应用中往往是事后考虑的。同时，AI 在政府场景中必须能向公民解释决策依据，RegLab 正在建立"AI 决策可解释性"的法律标准，这将影响整个行业。

RegLab 的模式提出了一个更广泛的问题：政府部门普遍缺乏内部 AI 能力，而商业 AI 供应商又缺乏对公平性、可解释性和法律责任的敏感度。RegLab 用大学实验室的中立位置，同时扮演了"技术供应商"和"监督者"两个角色——这种双重身份在商业机构中几乎不可能存在，却恰恰是政府 AI 治理最缺的一环。