A Multi-Tiered AI Accessibility Model (MAIAM): Proportionate Access and Capability Limits for Comprehensive Frontier AI Safety

arXiv:2610.20921v1 公告类型：新

摘要：关于发布能力强大的 AI 系统的讨论大多将选择视为二元的：要么将模型保留在 API 之后，要么公开权重。这种框架将两个独立的决策混为一谈。一个是系统可以变得多强大。另一个是谁可以获取给定的能力，以及以什么条件获取。本文讨论的是第二个决策。我们提出一个多层级 AI 可及性模型（MAIAM），它按目的、安全性和能力来分类访问权限，而非按发布产物来分类。第 1 层，AI 用于学习，广泛可访问且刻意限制能力。第 2 层，AI 用于探索，在注册、身份和使用控制下服务于研究与开发，且这些控制随能力提升而收紧。第 3 层，全规模前沿 AI，仅通过结构化、有记录、可问责的访问方式提供。这些层级背后的原则是：可及性应与能力、安全性和风险成比例。我们展示了为什么发布前沿级权重会丧失开发者在发布后所拥有的每一项安全杠杆，并且，基于安全微调可以在几百美元的成本内从开放权重中剥离的证据，说明了为什么对基础模型的评估对其衍生物几乎没有说明力。我们给出了沿能力、自主性、领域后果和使用/安全轴将系统分配到某一层级的标准，并将 MAIAM 与 SAFE AI Operating Point 结合为一个两部分框架：一个能力边界，固定不可跨越的安全限制；一个可及性边界，固定谁可以在该限制之下获取某项能力。仅靠能力限制并不能使 AI 安全；还需要由监管机构管理的分层访问制度。