当纽约州长凯西·霍楚（Kathy Hochul）签署暂停新建AI数据中心的禁令时，外界一度以为她对技术持保守态度。然而，在最近接受彭博《Odd Lots》播客访谈时，霍楚透露了一个令人惊讶的真相：她的团队正在用AI产品扫描州内"每一条规则、法规和政策"，寻找那些早已不合时宜的陈旧条文。从带狗打猎需要缴纳25美元费用，到孕妇在午夜后工作必须申请许可——这些看似荒唐的过时法律，正成为一场科技变革的试验场。
从五年到数月：AI产品的效率革命
传统上，纽约州的法规审查是一个极其繁重的工程。全州累计的行政规章、立法条文、部门细则加起来超过数万页，涉及农业、交通、劳工、环境等几十个领域。霍楚在访谈中坦言，如果完全依靠人工逐条审核，"大概要花五年时间"。而如今，借助先进的AI产品，这一周期被压缩到了几个月甚至几周。
这套AI系统并非简单的关键词搜索工具。它集成了自然语言处理（NLP）、语义分析、法规对比模型等多种技术。首先，AI会将所有纸质或扫描版的法律文档进行数字化和结构化处理；然后，利用大模型训练后的分类器，自动识别每一条法规的生效时间、适用主体、惩罚措施、以及是否存在矛盾条款。更关键的是，AI产品还能比对其他州的类似法规，标注出那些在别州已经被废止或修改的条文。
霍楚举例说，有些法律写于19世纪末，比如要求猎人必须为猎犬缴纳费用，放在今天既不合时宜也缺乏执法价值。AI产品可以快速抓取这类"僵尸条款"，并标记为"建议废止"。这种效率的提升，不仅节省了大量人力成本，更重要的是让政府能够持续跟踪法律体系的动态变化，避免法规的"历史遗留"问题越积越多。
值得注意的是，这一应用并非孤例。随着AI动态的不断演进，全球多个地方政府已经在尝试用AI辅助政策制定。例如，芬兰的“法规矿山”项目用AI分析社会政策的影响，英国审计署也在用机器学习检查财政支出合规性。纽约州的尝试，正是这种科技前沿在治理领域的典型落地。
过时法规的沉重负担：从“狗税”到“夜间工作禁令”
霍楚在访谈中提到的两个例子，颇具代表性。第一个是“狗税”：根据纽约州一条古老的法律，任何人携带猎犬进入林地狩猎，必须缴纳25美元的费用。这条法规的本意是控制狩猎行为，但在现代，猎犬不再是主要的狩猎工具，这项收费反而成了无意义的负担——执法成本甚至高于收费金额。类似这样的法律，在全美各州普遍存在，但由于无人关注，往往被遗忘数十年。
第二个例子更令人深思：孕妇在午夜后工作必须申请许可。这条法规写于上世纪中叶，初衷是保护孕妇健康，但在性别平等观念深入人心的今天，它反而可能成为歧视女性就业的借口。纽约州的法律专家指出，类似“善意但过时”的法规，不仅与现代价值观冲突，还给企业和劳动者带来不必要的合规成本。
AI产品的介入，让这些“沉睡条款”第一次被系统性地暴露在阳光下。通过AI工具导航中的法规分析模块，政府可以按“不合理性评分”“冲突指数”等维度筛选出最值得优先处理的法律。霍楚表示，第一批审查结果已经提交给立法机构，预计将推动至少数十条法规的废止或修订。
从更宏观的视角看，这些过时法规是行政效率的隐形杀手。美国进步中心曾发布报告指出，联邦层面大约有20%的行政规章是“冗长或过时”的，每年造成超过千亿美元的经济损失。纽约州的AI审查实验，或许能为其他地区提供一套可复用的方法论。而这一过程中的关键工具——AI工具箱——正日益成为政府数字化转型的标配。
AI产品如何运作：从文本扫描到智能决策
要理解这场变革的技术细节，我们需要拆解AI产品的核心工作流程。霍楚团队使用的系统，本质上是一个定制化的法规知识图谱。
第一步是数据清洗。纽约州的法律文本格式不统一——有的PDF扫描件质量极差，有的手写修正案难以辨认。AI产品通过OCR（光学字符识别）和图像增强技术，将纸质文档转化为可编辑文本。这一步看似简单，实则挑战巨大：法律文本中频繁出现的引用符号、条款编号、特殊缩写，都需要专门的算法来解析。
第二步是语义标注。系统使用预训练的AI Agent技术，可以对每一条法规进行多维度标注：生效年份、签发机构、触发条件、处罚力度、关联案例等。例如，当AI读到“任何人在无许可情况下携带枪支进入学校区域”，它会自动链接到《枪支管理法》《校园安全法》等更高级别的法规，检查是否存在矛盾。这种跨文件的语义关联，是人类审查很难做到的。
第三步是异常检测。AI产品会建立一个“法规健康度”评分模型。一条法规如果超过50年未修订、与宪法或联邦法律冲突、或者从未被实际执行过，就会获得较高的“僵尸指数”。霍楚团队向Bloomberg透露，AI已经发现了超过2000条可能过时的法规，其中约300条被列为“优先清理对象”。
当然，AI产品并不直接做出废止决定。它的角色更像是“智能筛查助理”——将人类审查员的注意力集中在最需要关注的部分。最终的立法修订仍需经过州议会投票。这种“人机协作”模式，在企业数字化转型中已被广泛验证，如今正被引入公共部门。
隐私与伦理：AI动态下的双刃剑
尽管AI审查法规带来了效率提升，但围绕隐私和伦理的争议也随之而来。有批评者指出，当政府用AI深度扫描所有法律条文时，本质上是在建立一个“法规行为数据库”——政府可以分析过去数十年中，哪些群体、哪些行业被法规影响最多，从而做出“精准修订”。但这种能力也可能被滥用，例如，通过分析法规执行数据来预测公民行为。
更大的担忧在于算法偏见。如果训练AI的文本本身存在历史歧视——比如某些法规针对少数族裔或女性设置障碍——AI可能会将这些偏见编码进评分模型。霍楚团队承认，他们正在与伦理学家合作，对AI的决策逻辑进行“可解释性”测试。例如，当AI标记一条女性工作限制法规为“过时”时，需要同时输出其依据：是因其与平等就业法案冲突，还是因其执行频率低？
此外，法律修订过程中的透明度也是关键。公众是否有权查看AI的分析报告？如果AI的误判导致某条合理的法规被废止，责任由谁承担？这些问题在纽约州的实践中还没有明确答案。但可以预见的是，随着AI动态在政界的渗透日趋深入，建立一套针对“AI辅助立法”的伦理框架，将会是下一个科技前沿议程。
霍楚在采访中强调，目前AI的审查结果全部由人工复核，“AI只是工具，最终决策权在人。”但反对者认为，当工具变得足够强大，“工具主导决策”只是时间问题。这场争论，其实与抠图或透明背景等图像处理工具引发的版权争议类似——技术在提升效率的同时，总会带来新的治理挑战。
未来展望：AI产品能否成为政策审计的常态？
纽约州的实验揭示了AI产品在治理领域的一个全新应用场景：法规生命周期管理。过去，政府往往是在问题爆发后才修订法律（例如“醉驾”新规、“网络安全法”的出台），但现在，AI可以主动预警法规的“老化”信号。
从技术可行性看，AI法规审查并非难事。主要挑战在于数据整合和政治意愿。纽约州有超过30个行政部门，每个部门都有自己的法规制定权，跨部门的数据打通一直是个头疼的问题。霍楚团队不得不与每个部门协调，授予AI产品读取内部法律系统的权限。这一过程耗费了数月时间。
另一方面，政治阻力也不容忽视。任何法规的修改都涉及利益集团。例如，一条关于“建筑行业必须使用特定材料”的法规，可能保护了某个行业协会的利益。AI将其标记为“过时”后，必然面临游说团体的反击。霍楚在访谈中暗示，她已准备好应对“激烈辩论”。
展望未来，类似AI治理工具可能会向两个方向演进：一是成为政府采购的标准化产品，就像今天的AI画图和文生图工具一样，每个政府部门都可以购买云端服务；二是演变为开放平台，让公民也能通过AI检视地方性法规，实现“参与式立法”。
当然，在AI产品大规模应用于政府之前，仍有许多技术细节需要打磨。比如，如何区分“过时”和“罕见但必要”？一条百年历史的法规，可能因为科技发展而极少用到（如马车行驶规则），但在特定场景下仍有价值。AI需要具备更精细的语境理解能力。对此，纽约州的工程师正在训练古诗词生成一样的语义模型，试图让AI学会“同理心”式解读。
从长远看，AI产品将不仅是提升效率的工具，更有可能成为政府治理的“健康管家”。正如霍楚所言：“我们不能让19世纪的法律管理21世纪的纽约。”这句话，或许正是这场科技前沿实验最有力的注脚。