迷失于模糊性：面向欧盟《人工智能法案》下鲁棒性评估的上下文敏感标准

鲁棒性是欧盟《人工智能法案》（AI Act）下高风险人工智能系统的关键要求。然而，其定义和评估方法仍不明确，使得提供商在如何证明合规性方面缺乏具体指导。这源于该法案的横向方法，该方法确立了适用于所有人工智能系统的一般性义务，但将提供技术指导的任务留给了协调标准。本文研究了人工智能系统具有鲁棒性的含义，并说明了上下文敏感标准化的必要性。我们认为，鲁棒性并非系统的固定属性，而是取决于性能的哪些方面预期保持稳定（“什么方面的鲁棒性”）、系统必须承受的扰动（“对什么的鲁棒性”）以及运行环境。我们识别出三个上下文驱动因素——用例、数据和模型——它们塑造了相关扰动，并影响用于评估鲁棒性的测试、指标和基准的选择。为《人工智能法案》制定的标准化要求明确承认了需要提供至少一系列技术选项，供提供商根据系统目的进行评估和实施，但已规划的标准仍侧重于横向覆盖，尚未提供这种详细程度。在此基础上，我们提出了一个上下文敏感的多层标准化框架，其中横向标准设定共同原则和术语，而领域特定标准则识别人工智能生命周期中的风险并指导适当实践，这些实践组织在一个动态存储库中，提供商可以在其中提出新的信息性方法并分享经验教训。这样的系统减少了解释负担，减轻了任意性，并解决了静态标准的过时问题，确保鲁棒性评估既具有适应性又具有操作意义。