درخواست کاخ سفید از این نظر قابل توجه است که سازوکار رسمی و الزام‌آوری پشت آن نیست. آنچه گزارش شده، درخواست است نه دستور — و همین، وضعیت کنونی حکمرانی هوش مصنوعی در ایالات متحده را خوب توصیف می‌کند: نهاد ناظری که ابزار حقوقی روشنی برای توقف انتشار یک مدل ندارد، ناچار است به گفت‌وگو و فشار غیررسمی تکیه کند.

این وضعیت با آنچه در اتحادیهٔ اروپا در حال شکل‌گیری است تفاوت بنیادی دارد. آنجا چارچوب قانونی، الزاماتی را پیش از عرضه تعریف می‌کند؛ اینجا، عرضه اصل است و نگرانی باید خودش را به شرکت بقبولاند.

### پرسشی که پاسخ فنی ندارد

در پسِ هر دو خبر یک پرسش نهفته است: بر چه مبنایی می‌توان گفت یک مدل «ایمن» است؟

روش رایج امروز، آزمون رفتاری است: از مدل پرسش‌های خطرناک می‌پرسند و پاسخ‌هایش را ارزیابی می‌کنند. ایراد این روش آشکار است — نشان می‌دهد مدل در برابر پرسش‌هایی که آزمونگر به فکرش رسیده چه می‌کند، و دربارهٔ پرسش‌هایی که به فکرش نرسیده چیزی نمی‌گوید.

اینجاست که یافتهٔ Anthropic اهمیت پیدا می‌کند. پژوهشگران این شرکت گزارش کردند که در شبکهٔ عصبی مدل‌های زبانی، ساختارهایی لایه‌ای یافته‌اند که کارکردی شبیه حافظهٔ کاری دارند — سازوکاری که مدل ظاهراً هنگام زنجیرهٔ استدلال، برای مرتب‌کردن مفاهیم و ایده‌های سطح‌بالا از آن استفاده می‌کند.

این شاخه از پژوهش، «تفسیرپذیری» نامیده می‌شود و هدفش پاسخ به پرسشی است که آزمون رفتاری نمی‌تواند پاسخ دهد: نه اینکه مدل چه می‌گوید، بلکه اینکه درونش چه می‌گذرد.

### چرا این تمایز مهم است

تفاوت میان این دو رویکرد را می‌توان با مثالی ساده نشان داد. آزمون رفتاری مثل مصاحبهٔ استخدامی است: پاسخ‌ها را می‌سنجید و از رویشان دربارهٔ فرد داوری می‌کنید. تفسیرپذیری بیشتر شبیه خواندن سابقه و انگیزه‌هاست.

هر دو مفیدند، اما تنها یکی می‌تواند به پرسشِ «در موقعیتی که هرگز آزمون نشده چه خواهد کرد؟» نزدیک شود.

باید تأکید کرد که این پژوهش‌ها هنوز در آغاز راه‌اند. یافتن ساختاری که کارکردی شبیه حافظه دارد، با فهم کامل تصمیم‌گیری یک مدل فاصلهٔ زیادی دارد، و هیچ‌یک از این یافته‌ها هنوز به ابزاری عملی برای صدور گواهی ایمنی بدل نشده است.

### فشار زمان

واقعیتی که هر دو خبر بر آن گواهی می‌دهند این است که سرعت انتشار مدل‌ها از سرعت ساخت ابزار ارزیابی‌شان بیشتر است. درخواست کاخ سفید برای «کند کردن» دقیقاً اعترافی به همین شکاف است.

این وضعیت در ماه‌های پیش از آن هم نشانه‌هایی داشت: یکی از هم‌بنیان‌گذاران Anthropic در پنجم ژوئن هشدار داده بود که باید توانایی کند کردن پیشرفت هوش مصنوعی حفظ شود، و در سیزدهم ژوئن، همان شرکت مدل تازه‌اش را پس از ابراز نگرانی مقام‌های امنیتی آمریکا — تنها چند روز پس از انتشار عمومی — معلق کرد.

مجموعهٔ این رویدادها تصویری می‌سازد از صنعتی که خودش هم به این نتیجه رسیده که سرعت فعلی پایدار نیست؛ بی‌آنکه هنوز بر سر سازوکار کُند کردن آن به توافقی رسیده باشد.