AI风险库：人工智能风险的元综述、数据库与分类法

讨论 AI 风险时，一个常被忽略的问题是：大家说的可能不是同一件事。同一个词会被用来指不同的问题，不同词又可能指向同一个担忧——材料把这种状况称为术语不一致。这种碎片化不只是措辞问题，它会妨碍各方对 AI 挑战做出协调回应。Peter Slattery、Alexander K. Saeri、Emily A. C. Grundy 等人给出的解法是建立 AI Risk Repository：一个从 74 份既有分类体系与框架中提取出 1,725 条风险的“活数据库”，并配以两套互补的分类系统。材料显示，该成果已于 2026 年发表在 Patterns（Cell Press），数据库本身可在线访问。对需要判断“某个风险究竟属于哪一类、别人是不是在说同一件事”的读者，这份资料提供的是一套可对照的共同参照，而不是又一份新的风险清单。

它的工作方式不是提出新风险，而是把已有的分类体系汇总、对齐。材料把这一过程描述为系统性回顾现有的 AI 风险分类、框架与分类体系，并提取其中的类别与子类别；摘要层面给出的规模是 74 份来源框架、1,725 条风险。作者对既有分类体系的批评相当具体：许多体系把“全面”放在“互斥”之前，导致同一风险横跨多个类别；另一些则以简洁为代价牺牲覆盖度；很少有体系说明明确的修订流程；多数是描述性的，而非解释性的。既有的系统性综述也大多聚焦特定类型的系统——材料提到分别针对生成式 AI 与 AGI 的两例——而不是泛指 AI 系统带来的风险。换句话说，这项工作的价值在于覆盖面与对齐，而非提出新的风险理论。

两套分类系统各有分工。Causal Taxonomy 按风险的来源分类：由哪个主体造成（人类还是 AI）、是否有意、以及发生在部署之前还是部署之后。Domain Taxonomy 则按影响领域分类，覆盖七个方面，材料举出的例子包括歧视、隐私侵犯、虚假信息与武器研发。两套系统被作者称为“互补”，原因是它们切分风险的角度不同：一个追问风险怎么产生，一个追问风险落在哪里。解读来看，这种双轴设计正好对应前面提到的“同名不同事”问题——当两个框架都谈“隐私”时，因果分类能帮你判断一方说的是模型泄露训练数据，另一方说的是免于政府监控，而材料明确把这两种情形列为“非常不同的风险”。

值得单独说的是“活数据库”这个定位。材料中反复出现 living database 与 living resource 的表述，并说明数据库发布在 airisk.mit.edu；这意味着它被设计成可持续增补、修订的资源，而不是一次性的静态清单。作者也确实把“很少有体系说明修订流程”列为既有分类体系的缺陷之一，因此可以合理推断，可维护性本身就是这项设计的目标之一（这是基于材料措辞的解读）。对使用者而言，实际差别在于：面对一个刚出现、尚未被现有框架收录的风险，静态分类体系只能把它塞进旧类目，而可更新的数据库理论上可以新增类目。材料没有给出更新频率或收录标准，这一点需要在数据库页面上核实。

这些工作的实践意义，材料给出的说法是：这套共享参照能让跨部门、跨司法辖区讨论、研究、审计与治理 AI 系统时采取更协调的方式。作者还提到，完整的分类体系可以帮助公司、政府和模型开发者确定优先级、判断该把控制措施放在哪里；反过来，缺乏对威胁全貌的清晰理解，评估者就难以全面评估和报告 AI 风险。材料引用了 U.S.-EU Trade and Technology Council 在可信 AI 与风险管理联合路线图中的说法：“共享的术语和分类体系，是以可互操作的方式落实可信 AI 与风险管理的关键。”解读来看，这意味着该资料最直接的用途不是替代各家的风险评估方法，而是充当它们之间的对照表：把不同框架里的条目映射到同一套坐标上，才能看出谁的评估漏掉了哪一块。

这份资料面向的是需要处理 AI 风险分类的人：做治理与政策研究的、做审计与评估的、写风险缓解方案的，以及需要跨框架比较不同研究的。读完能拿走的有三样：74 份框架与 1,725 条风险这一汇总规模所代表的覆盖范围、按因果与影响领域切分的两套分类坐标，以及一个可在线访问、按设计可增补的数据库入口。边界也需要说清楚：它是对既有分类体系的元回顾与整合，本身不产生新的实证数据，也不评估各条风险的严重程度或发生概率；纳入框架的筛选标准、数据库的更新机制与具体分类条目的细节，材料都没有展开，需回到原文与数据库核对。若只想要一份“AI 有哪些风险”的速查清单，它可能显得过于繁重；若正为两套框架对不上而头疼，它提供的正是那个中间层。

The AI Risk Repository March 2026 Published at 10.1016/j.patter.2026.101517 Peter Slattery, Alexander Saeri, Emily Grundy, Jess Graham, Michael Noetel, Risto Uuk, James Dao, Soroush Pour, Stephen Casper, and Neil Thompson A meta-review, database, and taxonomy of risks from artificial intelligence MIT AI Risk Initiative The AI Risk Repository: A Meta-Review, Database, and Taxonomy of Risks From Artificial Intelligence Published version: This paper has been published in Patterns (Cell Press, 2026) under a CC BY 4.0 licence. Please cite the published version: Slattery, P., Saeri, A. K., Grundy, E. A. C., Graham, J., Noetel, M., Uuk, R., Dao, J., Pour, S., Casper, S., & Thompson, N. (2026). The AI Risk Repository: A meta-review, database, and taxonomy of risks from artificial intelligence. Patterns, 101517. https://doi.org/10.1016/j.patter.2026.101517