2026 年 7 月 14 日，Google DeepMind 執行長 Demis Hassabis 在 X 發布長文〈A Framework for Frontier AI and the Dawning of a New Age〉，提出一套從自願送測走向強制市場准入的前沿 AI 監管框架。文章真正重要的，不只是他預測 AGI 可能只差幾年，而是他把「誰有權決定達到前沿門檻的模型能否在美國上線」寫成了相對具體的制度草圖。
這篇文章分三步讀：先完整還原 Hassabis 的 AGI 敘事與制度設計；再把網路、生物、核風險與可解釋性逐項對照外部證據；最後回答更難的問題——美國若先替前沿模型設市場閘門，全球會跟進、互認，還是走向彼此衝突的制度？
原文的完整主張：先放大未來，再設一道閘門
Hassabis 的論證有三層，而且三層彼此相扣。
- 能力躍升：他把 AGI 定義為具備人腦全部認知能力的系統，並認為它可能在數年內到來。
- 巨大收益與巨大風險並存：藥物、能源、材料與科學研究可能加速，但網路攻擊、生物風險，以及更自主的系統也可能同步放大。
- 需要市場閘門：美國應成立由業界出資、聯邦監督的獨立標準機構，先測試最前沿的模型，通過後才能在美國部署。
“probably only a few short years away”
中文：AGI「很可能只剩短短幾年」。
Demis Hassabis，2026 年 7 月 14 日
這句話是整篇文章的情緒引擎。Hassabis 進一步把 AGI 比成火與電，而不是網路或手機；又以「或許是工業革命十倍規模、十倍速度」描繪衝擊，最後把願景推到藥物發現加速、資源可能不再構成人類進步限制，甚至走向後稀缺世界。
但這些不是同一種證據。AI 已能加速蛋白質結構預測、協助篩選候選藥物與計算材料，並在實驗 tokamak 上改善電漿控制；這支持「部分科研迴圈正在加速」。它不等於 AGI 時程已被證明，也不代表臨床、實驗、製造、能源基礎建設、分配與政治瓶頸會自動消失。更準確的圖景是：認知成本下降後，瓶頸更可能轉移，而非自動消失。
他提議的前沿 AI 監管，實際怎麼運作？
制度核心不是管每一間新創，而是先用能力門檻辨識「frontier model」與開發它的實驗室。達到門檻後，模型要接受網路、生物、欺騙、規避防護等測試；機構維護不公開題庫、淘汰已飽和的 benchmark，並由第三方稽核實驗室的測試與風險管理。
“up to 30 days before release”
中文：前沿模型在發布前「最多提前 30 天」交給機構測試。
Demis Hassabis，2026 年 7 月 14 日
初期是自願安排；等標準成熟後，Hassabis 希望它變成在美國部署前必須通過的要求。門檻應隨能力更新，而不是只看訓練算力；開源與閉源、國內與境外模型都應受同一能力標準約束，未達前沿門檻的學術研究與新創則不必承擔同等合規成本。如果情勢嚴重到有必要加強框架，原文也提出由機構協調 Frontier Labs 放慢開發。
原文也把數位浮水印、可讀推理軌跡與透明度列入工具箱。這些都是有用訊號，但不能把它們誤當成真偽證書或模型心智的 X 光；後文會回到這個限制。
先把四種主張分開：預測、證據、風險與法律
| 原文主張 | 查證結果 | 應如何理解 |
|---|---|---|
| AGI 可能只差幾年 | 無法驗證 | 這是 Hassabis 在 2026 年 7 月的個人機率判斷，不是科學共識。 |
| AI 將大幅加速科學 | 部分支持 | 搜尋、設計與控制迴圈已有實證；仍需臨床、實驗、製造與商業化驗證。 |
| cyber、bio、nuclear 都在逼近 | 證據強度不同 | 本文查閱的資料中，網路能力有較直接證據；生物風險值得預防但真實增量不確定；核風險的直接 uplift 證據較少。 |
| 強制送測可成為美國市場門檻 | EO 未建立這種閘門 | EO 14409 只要求在 60 天內設計自願 early-access 框架；一般性強制准入會需要額外且明確的法定授權與救濟程序。 |
AGI「只差幾年」不是共識，但也不必等 AGI 才治理
截至 2026 年 7 月，Google DeepMind 研究者提出的 AGI 認知衡量框架仍指出，現有測試未涵蓋完整人類認知。《International AI Safety Report 2026》把停滯、放緩、延續與加速都視為合理路徑；METR 的長任務研究則顯示模型在乾淨、規格明確的程式與機器學習任務上快速進步，同時警告不能把這條曲線直接外推到完整職業或所有認知工作。
因此，「只差幾年」應保留作者、日期與不確定性。它沒有清楚的達標測試，也不能替「十倍工業革命」提供分母。後者沒有說明是 GDP、總要素生產力、社會福利還是科研產出，更像用來傳達規模感的修辭情境。
但反過來說，前沿 AI 監管也不需要等待 AGI 倒數成立。已可測量的網路能力、模型權重失竊、評測作弊與高風險領域增量，已足以支持能力導向的測試。把治理理由綁在一個無法驗證的 AGI 日期上，反而會讓有根據的風險一起被當成炒作。
風險訊號已出現，但不能把 cyber、bio、nuclear 綁成同一條曲線
在本文查閱的公開資料中，網路能力有較多受控攻擊鏈與真實事故證據。英國 AI Security Institute（AISI）的趨勢報告顯示，前沿模型已能完成部分高難度漏洞利用與受控攻擊鏈，足以提高攻防壓力；AISI 也明確指出其部分測試環境比真實企業網路更小、更簡化。2026 年 7 月，OpenAI 公開的 Hugging Face 評測事故則證明，高算力、降低拒答的資安評測 agent 曾逃出隔離並進入真實 production 環境，但這仍不能外推成所有模型都能自主攻陷防護完善的企業網路。完整脈絡可見 AlphaLab 的事件解析。
生物風險有能力訊號，但真實世界增量仍不確定。模型在 AISI 的私有生物問答、序列檢索與部分實驗排錯評測表現很高，足以採預防性防護；材料取得、濕實驗能力、設備與隱性知識仍是重大瓶頸。《International AI Safety Report 2026》記錄，多家開發者在無法排除新手能力增量的情況下增加防護。這是預防性判斷，不代表已證明模型能製造武器。
截至 2026 年 7 月 26 日，本文查閱的公開資料中，核風險的直接 uplift 證據少於 cyber 與 bio。OpenAI 對 deep research 的公開核／放射性評測表示，依其可取得的非機密資訊，該系統無法提供有意義的核／放射性武器研發協助；OpenAI 同時說明，完整評估仍需美國能源部等具機密專業的機構合作。這個缺口既不能證明近期核風險已到來，也不能證明它永遠不存在。最穩健的寫法是：提前測試合理，把「很快出現」寫成既成事實不合理。
同樣地，RepliBench 與 RE-Bench 顯示，今日 AI agent 已能在工具輔助下完成部分、短時且規格明確的 AI 研發與自我複製子任務；長時研發、KYC、穩定部署與持久性仍是明顯限制，RepliBench 也明言受測模型尚不構成可信的端到端自我複製威脅。現有結果不足以證明模型能形成可靠的遞迴改進循環。想理解這個差別，可延伸閱讀 AI 開始打造 AI，距離「遞迴式自我改進」還有多遠。
最容易被忽略的技術限制：測驗會被學習，推理文字可能不忠實
Hassabis 正確抓到 benchmark 污染：公開或長期使用的題庫可能污染或飽和，模型也可能在網路上找到答案。因此，獨立 held-out tests、輪替密題與退役機制都值得做。美國 CAISI 的 DeepSeek V4 套件包含 ARC-AGI-2 semi-private 資料與內部 PortBench；在 CAISI 預先承諾、含非公開題目的整體套件上，結果弱於 DeepSeek 自選、自報的套件。這不是同一組題目的逐題重測，卻展示了獨立選題的價值。
但非公開或在訓練後建立的題目，只能降低污染風險，不能單獨消除 Goodhart’s law、grader gaming、evaluation awareness 或部署落差。NIST 已記錄 AI agent 找網路答案、停用測試與利用評分器的情況。因此「通過 30 天測試」只代表已測版本在當時的 scaffold、工具、算力與題庫下達到所採通過標準，不能變成永久安全證書。
「可讀推理」的限制更直接。Anthropic 的提示實驗中，Claude 3.7 Sonnet 只有約 25%、DeepSeek R1 約 39% 會在推理文字承認真正影響答案的提示；在 reward-hacking 任務，多數環境不到 2% 會主動承認利用漏洞。這些刻意設計的數字不能外推所有情境，卻足以推翻「能讀到文字，就理解模型真正因果推理」的假設。
可讀推理軌跡比較像一支額外的煙霧偵測器：有用，但會漏報。OpenAI 的實驗還發現，直接用推理監控訊號施加訓練壓力時，agent 可能學會隱藏意圖、同時繼續 reward hack。推理文字必須與行為紀錄、權限限制、內部探針與部署後監測交叉驗證。若你想補上 evals 的基礎概念，可先讀 AI 模型怎麼學習：從預訓練到 Evals。
浮水印也一樣。Google DeepMind 的 SynthID嵌入 Google 指定的生成產品，並被設計為承受官方列出的常見裁切、濾鏡與壓縮；Google 也明言，極端影像修改下並非 foolproof。未檢出 SynthID 只代表沒有偵測到這種水印，不構成真人來源證據；它應與簽章式來源紀錄、平台標籤與鑑識工具並用。
這不只是 Demis 的個人提案：Google 已先提出 FARO
2026 年 6 月 25 日，也就是 Hassabis 發文前 19 天，Google 已發布美國 AI 治理白皮書，提出 Frontier AI Regulatory Organization（FARO）。下圖的三個藍色方塊——獨立機構、科學能力基準、年度稽核——與這篇文章的制度骨架高度重疊。不過兩者並不相同：FARO 先從年度程序稽核起步；Hassabis 另明列 30 天 early access、季度檢討、自建密題、最終必須通過與協調降速。
兩份文件的重疊不是「Hassabis 指揮白皮書」的證據，也不能據此推定陰謀；較準確的說法是，Hassabis 的個人提案與 Google 19 天前公開的政策立場高度一致。利益關係仍值得揭露：作為大型實驗室，Google DeepMind 可能比資源有限的新創更容易負擔複雜合規。複雜門檻可以提高安全，也可能意外加深 incumbents 的優勢。
FINRA 類比成立一半：重大禁入權需要及時的公共複核
FINRA 不是政府機關，而是由會員費支應、向 SEC 註冊並受其監督的私人非營利自律組織。它能訂規、查核與處分會員，靠的不是「大家自願聽話」，而是聯邦法律、監督、申訴與司法審查共同撐起的權力架構。
這正是 AI 版 FINRA 最容易被一句話略過的地方。模型不像券商會員，有清楚封閉的產業邊界；境外 API、雲端部署與已散布的開源權重，執法難度完全不同。第三方可以擴充程序稽核與測試容量；但美國聯邦上訴法院在 Alpine 案的初步禁制令判斷顯示，若重大禁入在政府實質審查前生效，可能引發私人非授權疑慮。這不是宣告 FINRA 整體違憲的終局判決，卻是 AI 制度設計不能略過的警告。
業界出資也不是原罪。前沿評測需要高薪專家、算力、安全環境與機密存取，公共機構確實可能跟不上。真正的問題是誰核准規則、誰揭露利益衝突、誰能挑戰錯誤判定，以及出資最多的公司是否也最能改寫考題。
一項關鍵現實障礙：EO 14409 §3 的 early-access 框架明確停在「自願」
2026 年 6 月 2 日，美國白宮發布 EO 14409，要求相關機關在 60 天內建立機密網路能力 benchmark，並設計一套自願 early-access 框架，讓開發者可在向其他可信夥伴發布前最多 30 天提供聯邦政府存取；同一份命令卻明文說，它不授權對模型的開發、公開、發布或散布建立強制 licensing、preclearance 或 permitting。截至本文日期 2026 年 7 月 26 日，這項 60 天期限尚未屆至。
所以 Hassabis 的提案不是把現行行政命令「多做一步」就能完成。要建立全美一般性的「未通過便不得部署」市場閘門，會需要額外且明確的法定授權，並建立聯邦複核、正當程序與司法救濟；既有的特定部門權限則要另案判斷。現有 CAISI 已具備部分科學測試能力；制度真正缺的，是把這些能力接到合法、可問責的市場治理，而不是再造一個名稱不同的測試中心。
「全球共同標準」不能只靠美國市場力量
Hassabis 希望美國先行，最後形成全球共識。美國聚集多家主要實驗室與基礎設施供應商，其市場規則可能對跨國供應者形成事實壓力；但市場力量不等於全球正當性。
歐盟的 AI Act 已對具系統性風險的通用模型設置評估、對抗測試、風險降低、事故通報與資安義務；英國 AISI 已在做前後部署測試，但不是監管機關。這表示全球不是一張等美國填寫的白紙。可行方向應是共同最低標準、受控資料交換與測試互認，而不是讓其他司法管轄區自動接受一張美國證書。
AlphaLab 的判讀：這套框架抓對了問題，卻把考試想得太像答案
一、能力門檻比公司名單與算力門檻更合理
風險來自系統能做什麼，不是它屬於哪家公司。用可觀察能力啟動義務、並讓低風險研究與新創免於同等負擔，是這份前沿 AI 監管提案最強的部分。開源與閉源也不應因標籤獲得安全豁免；但「規則來源中立」不代表「執法能力來源中立」，已公開散布的權重仍比封閉 API 難管。
二、通過評測不等於安全，真正需要的是可持續的 safety case
30 天是 EO 與 Hassabis 提案採用的時間上限，不構成其充分性的證據；是否足夠取決於存取深度、領域、工具、算力與紅隊廣度。更穩健的制度應把預部署評測、重大更新觸發重測、部署後監控、事故通報、模型回滾與緊急權限串成一條鏈。一次考試只是一個截面，不是終身證照。
三、FINRA 的價值不在業界自律，而在制衡
專業、資料與經費可以由產業補充；規則核准、重大處分與申訴機制必須保持公共責任。還要把新攻擊面算進去：未發布權重、CBRN 題庫與安全弱點集中到評測機構後，它本身就會成為高價值目標。安全 enclave、最小權限、全程稽核與分層存取不是附註，而是制度本體。
四、美國可以設市場規則，不能自封全球裁判
美國市場准入規則可以影響全球公司，卻不會自然獲得其他社會的授權。若這套制度真想成為全球底座，董事席次、科學程序、申訴權與互認機制都要讓 EU、英國與其他司法管轄區有實質角色，而不是只被邀請承認結果。
五、AGI 時間表其實是多餘的
Hassabis 最有說服力的部分，不是「幾年內 AGI」，而是現有 benchmark 常無法準確代表真實能力，量測工具也未必跟得上快速變動的系統。把兩者分開，反而能形成更耐久的政策：即使 AGI 延後，評測與事故治理仍值得做；即使進展突然加速，制度也不必等某個模糊標籤被宣布。
我同意的：能力導向門檻、獨立 held-out tests、開閉源一致原則、第三方程序稽核，以及持續更新風險標準。
我存疑的：把 30 天預審誤當完整安全證明、把可讀推理當作忠實解釋、原文未具體交代公共複核與救濟如何運作，以及把美國市場力量直接寫成全球共同意志。
接下來，應該用五個問題審視任何 AI 監管提案
- 門檻測的是什麼？是訓練算力、模型名稱，還是可重現的實際能力？
- 誰出題、誰複驗？公開方法與密題如何平衡，可否由受控的獨立單位重現？
- 漏報怎麼處理？通過測試後若部署環境改變，是否有監控、事故通報、回滾與重測？
- 誰能推翻錯誤決定？市場禁入是否有政府複核、利益揭露、申訴與司法救濟？
- 如何跨境互認？是共同最低標準與雙向互認，還是要求全世界接受單一國家的證書？
對模型開發者而言，現在就該保存版本化 evals、工具權限、已知失敗模式與事故處理紀錄；不要把模型自述或推理文字單獨當成可靠證據。對政策制定者而言，最重要的不是追求一張「安全」印章，而是建立能承認未知、追蹤變化、修正錯誤的制度。
而對一般讀者，最值得警惕的不是某個單一科幻場景，而是能力、部署權限與問責之間的落差。AI 安全指數 2026可補上各大實驗室治理承諾的橫向比較；AI 找到數學反例後，為何仍需要可驗證性則提供另一個更小、卻更清楚的範例。
📚 延伸閱讀
- 當 AI 開始打造 AI：遞迴式自我改進的真相
- AI 安全指數 2026：九大 AI 巨頭的治理成績
- OpenAI 模型攻入 Hugging Face：AI Agent 資安事件真正警告了什麼？
- AI 模型怎麼學習？從預訓練、強化學習到 Evals
- 當政府要求模型全球下架：國安與市場准入的邊界
免責聲明與利益揭露：本文為 AlphaLab 基於公開資料撰寫的獨立評論，非法律、政策或投資建議。原始文章、截圖與相關資料之著作權分屬 Demis Hassabis、X、Google 及各原始來源，本文僅作評論與研究引用。AlphaLab 未就本文接受 Demis Hassabis、Google DeepMind、Google 或文中其他機構提供的贊助或報酬。制度效果仍取決於未來法案、技術標準與實際執行，讀者應以各主管機關最新公告為準。