提供商数据减少为何会破坏多数治理框架
当前大多数人工智能治理依赖概率性方法——例如模型层面的防护栏、内容过滤器和统计置信度评分。当模型提供商共享关于训练、架构和决策逻辑的详细数据时，这些方法运行得相当不错。但若提供商披露的数据较少，这些概率性工具便会失去立足之地，因为它们无法证明在某个特定AI决策做出的那一刻，某项具体的治理控制措施确实在发挥作用。[1]将此称为企业采用AI的核心挑战：无法在关键时刻证明控制措施有效。
其后果是，建立在信任供应商所披露数据基础上的框架变得空洞。[3]直接证明了这一点，指出数据治理不足——特别是缺乏问责机制、隐私保护薄弱、质量控制不力以及可追溯性差——会导致不道德的AI结果。当供应商隐瞒数据时，这些弱点会被放大，因为治理框架无法独立验证供应商的声称。[3]中的案例研究明确指出，若缺乏强有力的可追溯性和问责机制，伦理失败不仅可能发生，而且几乎不可避免。
解决方案：不依赖供应商数据的确定性治理
[1]中提出的解决方案是：从概率性治理转向确定性、故障封闭的系统，以生成可复现且可独立验证的审计记录。[1]中引入的四项测试标准（4TS）要求：可复现性（能否重放同一决策并得到相同结果？）、可验证性（第三方能否确认？）、完整性（每一步是否都被记录？）以及边界性（系统的限制是否已知？）。这些测试不依赖于提供商披露训练数据或模型内部机制——仅要求治理系统本身能够被独立审计员重放和检查。
[1]中提出的实践基线是一项资格门槛，要求第三方对历史治理决策进行重放验证。这意味着外部审计员可以获取过去AI决策中记录的审计工件，将其通过相同的治理控制流程运行，并验证这些控制措施在当时是否正常运行。即使模型提供商仅披露治理工件本身，这一方法依然有效。[2]从不同角度强化了这一观点，指出有效的第三方监督对AI治理至关重要，而设计能让外部人员有意义参与的审计生态系统是一项关键挑战——确定性、可重放的工件直接解决了这一难题。
证据一致之处与分歧所在
三篇论文均认同一个核心观点：数据治理是合乎伦理的人工智能的基础。[3]明确阐述了这一点，并得出结论称“数据治理是人工智能伦理应用的核心”。[1]构建了一个框架，其前提是治理必须能够独立验证，原因恰恰在于来自提供方的数据不可信赖。[2]则主张，仅凭内部治理是不够的，必须引入第三方监督。在这一根本问题上，各方并无分歧。
矛盾的核心在于如何应对这一问题。[1]提出了具体的技术方案——即确定性、可重放的审计痕迹；而[3]则侧重于政策建议与组织层面的方法，例如加强隐私保护和问责机制。[2]介于两者之间，强调第三方审计生态系统的设计，但未明确技术机制。这些并非相互矛盾，而是互为补充的层次：[1]在技术层面回答了“如何做”，[2]在制度层面明确了“由谁做”，[3]则在伦理层面阐释了“为何做”。三者共同勾勒出一幅完整的图景：治理框架可以在减少对提供商数据依赖的前提下发挥作用，但前提是这些框架必须从设计之初就确保可由外部方验证，而非依赖内部人员的自愿披露。
关于这些来源
该回答基于3项研究（2篇经同行评审，1篇为预印本）——发表于2022年至2025年间，其中1篇为2024年或之后发表，累计被引用239次——这些研究是从通过质量筛选的3项研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文数据库中检索到的45篇文献。
本文引用的文献
企业AI治理采购指南
提出了一种供应商中立的框架（四项测试标准：可复现性、可验证性、完整性、有界性），该框架通过确定性的、可重放的审计工件，使独立第三方能够验证人工智能治理决策，即使模型提供商披露的数据极少。
外部监督：为人工智能治理设计第三方审计生态系统
综合其他领域在构建有效第三方审计生态系统方面的经验，为人工智能治理提供借鉴，强调外部监督至关重要，但在人工智能背景下面临独特挑战。
不完善的数据治理框架如何导致人工智能系统产生不道德的后果
通过案例研究表明，数据治理不足——具体表现为责任缺失、隐私保护薄弱、质量控制不严以及可追溯性差——会直接导致不道德的AI结果，并由此得出结论：数据治理是合乎伦理地使用AI的核心。