随着生成式人工智能加速进入公共治理、劳动市场、教育、医疗和司法等领域，美国围绕人工智能的立法活动也迅速从联邦层面向州层面扩散。相较于联邦层面的政治僵局与监管分歧，州议会往往成为技术治理规则率先试验、率先碰撞、也率先暴露问题的制度空间。

为什么有些州提出了大量人工智能法案，却迟迟难以通过；而另一些州虽然立法活跃度不高，却更容易推动法案落地？在布鲁金斯学会于2026年3月17日发布的文章《Analyzing the passage of state-level AI bills》中，作者正试图从州级政治结构、经济条件、人力资本和商业生态等变量出发，分析美国州级人工智能法案“通过”与“不通过”背后的机制。文章使用截至2025年10月20日的州级立法追踪数据，统计了美国50个州共386项人工智能相关法案，并将其划分为“个人保护”、“透明与信任”、“负责任治理”三大主题，再结合定性比较分析（QCA）方法，对州级法案的通过、搁置与失败路径进行识别。作者认为，人工智能立法能否顺利通过，并不单纯取决于一州是否重视AI治理，更深受其人力资本、商业环境、政治倾向和社会治理能力等因素的共同影响。

这篇文章的价值，不仅在于呈现了美国州级人工智能立法的现实图景，更在于揭示了新兴技术治理中的一条普遍规律：在这一领域，立法上的“活跃”并不必然意味着治理上的“有效”。相反，那些治理能力较强、制度参与者更多的地区，往往因为利益博弈更为复杂、法案设计更具雄心，反而更容易遭遇立法推进受阻的问题。对于关注人工智能治理制度演进的读者而言，本文有助于理解美国次国家层面技术治理的分化逻辑，也能为比较不同政治体制下的人工智能规制方式观察提供一个切入口。

以下译文仅代表原文作者的个人观点与分析立场。详细内容请参阅文末原文链接。

本文分析美国州级人工智能法案的通过情况，重点关注哪些州更有可能推动法案落地，以及哪些结构性因素会导致法案长期搁置或最终失败。作者基于布鲁金斯学会技术创新中心截至2025年10月20日的州级立法追踪数据，统计了美国50个州共386项人工智能相关法案，并将其概括为“个人保护”“透明与信任”“负责任治理”三大主题。研究发现，在三类法案中，“负责任治理”类法案通过数量和通过率最高，说明这类制度建设型提案更容易获得跨党派支持；相比之下，“个人保护”类和“透明与信任”类法案虽然在数量上更为可观、在舆论和政策层面也受到更多关注，但由于其在公平、信息披露以及市场导向与公民导向之间承载着更为突出的张力，因而往往更难顺利获得通过。进一步分析显示，较富裕、受教育程度较高的州，虽然提出的人工智能法案更多，但法案失败数量和失败率也更高；商业生态较强、减贫成效较好的州，则更不容易出现法案失败。文章据此指出，美国各州人工智能立法的成败，并非仅由意识形态决定，而是取决于政治、经济、社会与技术能力的交互作用。对州议员而言，只有充分理解本州条件，才能提出更符合地方现实、也更有可能落地的人工智能法案。

人工智能已深度嵌入产业竞争、就业市场变动、文化娱乐传播乃至国家安全等多个议题之中，并日益成为美国公共讨论中的核心政策对象。作者此前围绕国家AI战略所做的系列研究表明，并非所有国家都具备同等的AI发展能力；这种差异既取决于技术能力，也取决于是否拥有足够的人才储备与制度支撑。本文将这一观察进一步下沉到美国国内，提出如下的问题：并非所有州都具备同等的AI治理能力，州与州之间在推动立法上的差异，值得作为一个独立的政策问题加以分析。

作者回顾此前研究时提到，在2025年美国州级AI立法中，不同议题的推进情况已出现明显差异。例如，针对“未经同意的私密影像”和“儿童性虐待材料”的法案虽数量很多，但截至分析时却尚无相关法案真正落地成法；相对而言，就业领域则是少数已有相当比例法案签署生效的政策领域。与此同时，另一篇前期研究还发现，更年轻、更富裕、政治上更偏民主党的州，在提出AI法案方面更活跃；而更年长、更贫穷、政治上偏共和党的州，则明显更少采取立法行动。这意味着，人工智能立法并不是一项在全国范围内均衡推进的进程，而是深刻嵌入到了各地的经济结构、政治环境与治理能力之中。

在此基础上，本文将研究焦点落在法案能否完成立法转化这一关键环节上。作者认为，州级AI立法的差异，并不只体现在政治态度方面，更是对于地方能力差异、利益差异和政治条件差异等的综合体现，而理解这些推动或阻碍法案通过的原因和条件，有助于让政策制定者能在各州既有结构条件之上设计更现实的AI治理方案。

作者使用布鲁金斯技术创新中心对州级AI法案的追踪数据，统计时间截至2025年10月20日。根据该数据，在2025年立法周期中，美国50个州全部提出了至少一项AI相关法案，共计386项。作者将大约20个具体议题进一步归并为三类更高层次的主题，分别为“个人保护”“透明与信任”“负责任治理”，并据此比较不同类型法案的通过率和活跃度。

整体来看，围绕“个人保护”（protection of the individual）的法案处于活跃状态的比例最高，但同时这一类别的通过率也是最低的。作者认为，这表明州议员普遍认同保护个人免受人工智能伤害这一立法方向的重要性，但一旦法案涉及医疗决策、公平性判断等具体应用场景，便不得不面对何谓“公平”、如何在保险机构与被保险人之间进行利益平衡等复杂问题。换言之，议题共识并不等于制度共识，越是涉及价值权衡和实质分配的议题，越容易在推进中遇到阻滞。

相比之下，“透明与信任”（transparency & trust）类法案的总量和活跃数量都最多，但通过率仅为15.5%，且暂时仍处于活跃状态的比例高达80%。作者推测，这反映出立法者在“披露”与“透明”的边界界定，以及“市场导向”与“公民导向”的取向选择上，仍存在较大分歧，因此难以形成足以推动法案完成立法程序的有效妥协。

在三类主题中，“负责任治理”（responsible governance）类法案数量最少，共114项，活跃法案数量也最少，仅64项，但通过数量和通过率都最高，分别达到了44项和38.6%。作者认为，这类法案往往属于建立机构、完善治理流程、强化政府运作规范等制度建设型立法，其根本意图较少遭遇意识形态抵抗，更容易获得两党支持。

在比较不同主题法案的通过率之后，作者进一步引入了若干州级特征变量，以预测不同州更可能出现何种立法结果。文章主要使用了六类变量：

人均收入：用于衡量一州的收入水平。作者认为，人均收入越高，意味着可用税基越大，也更可能支持更复杂的治理行动。该数据来自美国经济分析局（U.S. Bureau of Economic Analysis）。

减贫能力：这一指标衡量一州帮助个人摆脱贫困的能力，数值越高，表明该州在减贫方面表现越强；反之则说明能力较弱。数据同样来自美国经济分析局。

人力资本：用于衡量一州劳动力参与创新活动的能力。作者采用StatsAmerica“创新智能指数”（Innovation Intelligence Index, II3）中的相关指标，具体包括教育水平、专利扩散、知识溢出、孵化器存在情况、科学—技术—工程—数学（STEM）学位与职业占比，以及高技术就业比例等。

商业画像：用于衡量一州的商业环境和资源条件，包括资本可得性、与其他地区的连接度、地区活力与创业水平等，同样取自StatsAmerica II3。

州长党派：反映州长所属党派。样本期内，美国共有23位民主党州长、27位共和党州长。

州级党派基础：这一变量反映一州在全州范围内投票时更倾向于共和党还是民主党。作者采用Inside Elections的州级投票倾向数据，样本期内偏民主党州和偏共和党州各有23个和27个。

在方法上，作者使用了定性比较分析（qualitative comparative analysis, QCA），考察上述六项条件如何以不同组合方式影响法案通过。由于已通过法案和未获通过法案的数量都相对有限，作者主要借鉴了QCA中的“不对称性原则”，即促成某一结果出现的条件组合，与导致该结果未出现的条件组合，并不构成彼此的简单反面，二者都能够提供独立的解释信息。基于这一思路，作者分别分析了“未通过法案”（包括失败法案与仍处于活跃状态的法案）、“未失败法案”（包括成功法案与仍处于活跃状态的法案）和“活跃法案”三类结果。

为识别六项核心条件分别如何解释不同的条件组合，研究使用热力图进行说明。其中，橙色表示某一条件的缺失是必要的，蓝色表示某一条件的存在是必要的，灰色则表示该条件无论存在与否都不会对结果产生实质影响。具体而言，表格按行读取时对应的是单个条件，按列读取时对应的是不同的条件组合。

围绕“法案未获通过”这一结果，作者识别出四种具有代表性的条件组合。

其中，覆盖度最高的一种配置是州内商业生态相对薄弱的情况。作者认为，在这一背景下，产业界尚未对人工智能治理形成足够迫切的现实需求，州议会也因缺乏来自外部的持续压力，而难以推动较为复杂的人工智能法案最终通过。与此同时，由于技术导向型利益相关者数量有限，相关法案不仅难以获得充分的专业意见支持，也不易吸引更多议员将其列为优先推动事项。因此，这类法案即便进入立法程序，往往也难以进一步推进到实质性的审议阶段。

另一种解释力较强的情形是州内人力资本水平相对不足。高等教育基础薄弱、STEM技能储备有限、高技术劳动力缺乏，以及知识机构支撑不足等，都会直接削弱州议会在风险识别、制度设计和条文起草等方面的能力。对于人工智能这类高度技术化的新兴议题而言，立法推进不仅依赖政治意愿，也离不开持续的知识供给和专业支持。若缺乏相应条件，州内往往难以形成足够活跃的专家网络、政策组织和外部支持社群，法案也因此更容易停滞于立法初期。归根结底，前两种情形实际上都指向一种相近的状态，即外部支撑能力不足，法案未通过主要是因为立法者缺乏完善或推进相关配置的能力。

文章也发现，一些高收入、整体偏民主党的州同样可能更容易出现AI法案未能通过的情况。这些州表面上拥有更充足的资源禀赋，也具备更支持监管的政治基础，但另一方面，越是科技产业发达、创新主体集中的地区，相关利益群体往往越可能对增加合规负担的监管措施持审慎甚至抵触态度。于是，在支持保护性规制的政治力量与倾向于保持灵活创新空间的产业力量之间，法案推进反而更容易遭遇掣肘。较强的资源条件并不必然转化为更高的立法通过率，复杂的利益结构本身就可能成为新的阻碍。

此外，政治结构的不匹配同样会增加法案未能通过的概率。文章提到，若州长属于民主党，而州内公众和立法机构却更偏向共和党，那么AI法案就更容易在程序上被冻结。在这种情况下，委员会或立法机构可能会通过延宕、搁置等方式阻碍州长优先推动的议题，以避免对方借此积累政治资本。在这种情况下，相关法案往往更多承担的是政治表态和议题宣示的功能，而非作为一项具备明确执行路径和制度可操作性的立法方案被认真推进。人工智能立法的成败，实际上嵌套在地方治理能力、产业利益格局和党派竞争关系的深层交叉作用之中。

解释力最强的一种情形是州长由民主党执政的情况。文章指出，民主党州长通常比共和党州长更愿意接受AI监管和治理扩张，因此更可能使相关法案免于被投票否决。这样的政治条件并不必然保证法案通过，但能够在程序上为法案提供某种保护，使其不至于被正式终止。事实上，在民主党州长执政的州，确实可以观察到较为集中的AI监管推动趋势。

第二种条件组合出现在人力资本较弱的州，即STEM能力偏低、高技术劳动力较少的州。文章给出的解释是，这类州缺乏足够专业能力去进一步完善法案，也没有足够强烈的意愿去推动那些与本州公民关联度并不特别高的AI法案，因此委员会更容易通过程序性方式使法案停滞，而不是推动其通过或正式否决，使得法案处于一种悬而未决的“活跃”状态。

第三种、也是相对较弱的一种解释路径，是较强减贫能力与偏共和党的州级选民基础相结合。这类保守州通常拥有较强的行政能力，因此可能会以较审慎的方式管理法案，通过让法案持续处于审查之中，来避免其直接失败。但与此同时，由于意识形态原因，这些法案又并非真正的优先事项，于是它们会长期停留在流程中，而不是被明确推进或直接终止。文章将这一类现象概括为：法案之所以没有得到终止，要么是因为受到了带有政治动机的保护，要么是因为同样带有政治动机的拖延，而能力和生态条件更多发挥的是辅助作用。

文章概括了出两种对于“活跃法案”来说解释力度大致相当的条件组合。

第一种配置出现在商业生态较强、州整体偏民主党且州长同样属于民主党的州。在这种情形下，一方面，民主党政治力量更倾向于以立法方式回应公众对于AI风险的担忧，推动更多保护性、规范性的制度安排；另一方面，较强的商业与创业生态又倾向于保持技术创新和市场发展的灵活空间，不愿意过早接受约束性过强的规则。结果就是，法案既不会轻易被否决，也难以迅速通过，而是长期停留在立法程序中，处于持续协商和反复打磨的状态。

另一种使法案保持活跃的条件组合，则出现在人力资本较强、整体偏民主党，但减贫能力较弱的州。这类州往往拥有更高的教育水平、更强的技术能力和更活跃的知识生产体系，因此公众、学界、产业界和政策界都会更积极地参与到AI议题的讨论之中。但与此同时，减贫能力较弱也意味着州内可能存在更突出的收入不平等和社会张力。在这种背景下，围绕AI滥用、算法歧视、治理公平等问题的价值关切，会与推动高利润技术产业继续扩张的政策诉求产生张力，进而使法案更容易陷入持续争论而无法迅速定稿。

文章总结指出，富裕州往往会在数量上出现更多失败的AI法案，失败的比率也相对更高，这与前文关于富裕州整体立法活动更活跃的观察是一致的。法案数量的大幅增加，一方面意味着这些州对于AI治理大体态度积极，另一方面这也会带来更明显的立法拥堵、利益相关方之间的争议以及技术复杂性的上升，从而使更多法案在正式通过之前就陷入停滞。

受教育水平较高的州，同样会经历更多的失败法案和更高的失败率。原因在于，这些州更倾向于提出更具雄心、复杂度更高、技术要求也更高的立法方案，但这类法案往往更容易引发利益相关方之间的分化，也更容易在技术起草层面遭遇困难，同时还会受到产业界、学术界与公民社会更严格的审视。换言之，教育水平的提升确实可能会增加政策实验的数量，却并不必然带来更高的立法完成度。

相比之下，商业生态较强的州更少出现失败法案。这类州拥有更多来自产业界的专业人士，能够帮助改善法案设计；同时，较成熟的协作关系也有助于减少反对意见，并为AI法案的支持、修订和完善提供制度性支撑。文章强调，在新兴技术治理领域，企业并不只是被监管对象，也可以成为政策的共同生产者，从而降低法案失败的概率。

减贫能力较强的州也更少出现法案失败的情况，因为减贫成效较好通常意味着社会碎片化程度较低、政策争议较少、相互竞争的社会议题压力也相对更弱，从而使AI治理更容易推进并完成立法转化。

总体来看，州级AI法案的提出与通过，确实存在较为清晰的路径，但这些路径会随着州的不同特征而发生变化。也正因如此，政策制定者若要提高法案通过的可能性，就不能简单照搬外部经验，而需要结合本州在经济、社会、政治和产业结构上的具体条件，对法案内容和推进方式作出更有针对性的设计。文章最后也提出，待2026年各州立法会期结束后，作者团队还将继续加以分析，以观察州级人工智能监管与立法在更长时间维度上的演进方向。

https://www.brookings.edu/articles/analyzing-the-passage-of-state-level-ai-bills/