Szacując ryzyka związane z generatywną Sztuczną Inteligencją: analiza porównawcza międzynarodowych podejść regulacyjnych
##plugins.themes.bootstrap3.article.sidebar##
Numer Tom 20 Nr 2 (2025)
-
Spektrum zrównoważoności rozwoju: dlaczego zrównoważoność środowiskowa jest najważniejsza?
Subhasmita Maharana1-10
-
Szacując ryzyka związane z generatywną Sztuczną Inteligencją: analiza porównawcza międzynarodowych podejść regulacyjnych
Huang Xinbo, Liu Guo11-20
-
W kierunku islamskiej ekoteologii: Indonezyjskie organizacje muzułmańskie w wysiłkach na rzecz łagodzenia zmian klimatu i adaptacji
M. Lutfi Mustofa, M. Fauzan Zenrif, Ahmad Barizi21-31
-
Czy prawa społeczno-ekonomiczne kobiet są zagrożone z powodu ekstremalnych warunków pogodowych?
Jia Wei, Xiao-Yang Wang, Hua-Tang Yin, Chun-Ping Chang32-50
-
Klastrowanie krajów europejskich według strategii cyfryzacji ich środowiska biznesowego
Marharyta Chepeliuk, Elena Nirean, Yevheniia Voroniuk51-70
-
Bezpieczeństwo demograficzne i zrównoważony rozwój Ukrainy w warunkach aktywnej migracji ludności
Zinaida Smutchak, Ramin Tsinaridze, Tetiana Burlaienko, Oksana Dubinina71-85
-
Strategie zrównoważonej urbanizacji: łagodzenie miejskich wysp ciepła poprzez synergię między wyborami ekonomicznymi, zużyciem energii odnawialnej i interwencjami w środowisku
Muhammad Khalid Anser, Abdelmohsen A. Nassani, Khalid M. Al-Aiban, Khalid Zaman, Mohamed Haffar86-100
-
Zrównoważony i resilentny międzynarodowy handel produktami rolnymi: globalna niepewność i reakcje regionalne
Yuliia Zavadska, Alla Shlapak, Olha Yatsenko, Oleksandr Iatsenko, Mariia Mykhailova, Oleksandr Dluhopolskyi101-113
-
Od odpadów do bogactwa: wykorzystanie upcyklingu do wspiera-nia zrównoważonego gospodarowania odpadami elektronicznymi
Fatma Ince114-123
-
Dostęp społeczności wiejskich do czystego paliwa do gotowania, energii i technologii: implikacje społeczno-ekonomiczne i postęp w kierunku zrównoważonego rozwoju w Afryce
Haitong Jiang, Kingsley Imandojemu, Mohamad Shaharudin bin Samsurijan, Omowumi Omodunni Idowu, Qinyuan Xu124-140
-
Rola polityki szczytów emisji i neutralności węglowej w transformacji i modernizacji chińskiego sektora produkcyjnego: droga do zielonego, niskoemisyjnego i zrównoważonego rozwoju
Hongbing Shen141-155
-
Carbon Footprints, Social Inclusion, and Inequality: Multidimensional Pathways to Sustainable Development Goals
Haihua Zhao, Chuks Kingsley Okogor, Gabriel Osabohien156-177
-
Badanie czynników determinujących zasoby ekologiczne, ślad węglowy i zasoby naturalne: dowody z krajów azjatyckich
Qiang Wang, Symphorien Zogbassè, Kemi Funlayo Akeju, Oluwayemisi Kajijat Adeleke178-194
-
WThe Impact of Ecological Footprint, Energy Consumption and Economic Stability on Happiness: Evidence from BRICS-T Countries
Seher Suluk, Yusuf Ekrem AKBAŞ195-212
-
Wpływ gospodarki doświadczeń na strategię zrównoważonego rozwoju przedsiębiorstw w Unii Europejskiej i Wielkiej Brytanii
Olesia Iastremska, Maryna Martynenko, Yevgeniy Goryuk, Hanna Demchenko, Mykyta Budreiko213-222
-
Wpływ gospodarki o obiegu zamkniętym, zielonych finansów i rozwoju technologii ICT na produktywność zasobów ukierunko-waną na ekologiczną zrównoważoność: dowody z krajów OECD stosujących podejście CS-ARDL
Shaomeng Shi, Asad Nisar223-244
-
Mechanizmy dostosowania zarządzania do Celów zrównoważonego rozwoju w warunkach globalnych zmian
Olha Komelina, Svitlana Korobka, Hanna Kondratieva, Oleh Lazor, Oksana Lazor245-254
-
Przestrzenno-czasowy rozkład czynników wpływających na zrównoważony rozwój rolnictwa w Chinach
Lei Qian, Dehong Sun Sun, Hui Wang Wang254-269
-
Koncepcja ‘Lokasangraha’ (dobrobytu ludzi) Chanakyi w kontekście globalnych Celów zrównoważonego rozwoju
Puja Mishra, Ashutosh Mishra284-293
Archiwum
-
Tom 21 Nr 2
2026-07-01 24
-
Tom 21 Nr 1
2026-01-10 21
-
Tom 20 Nr 2
2025-07-10 19
-
Tom 20 Nr 1
2025-01-10 22
-
Tom 19 Nr 2
2024-07-01 24
-
Tom 19 Nr 1
2024-01-08 27
-
Tom 18 Nr 2
2023-07-10 25
-
Tom 18 Nr 1
2023-01-01 25
-
Tom 16 Nr 2
2021-07-01 26
-
Tom 16 Nr 1
2021-01-04 24
##plugins.themes.bootstrap3.article.main##
Authors
Abstrakt
Szybka ewolucja sztucznej inteligencji (SI) oferuje bezprecedensowe możliwości innowacji technologicznych i postępu społecznego, jednocześnie stanowiąc znaczne ryzyko i wyzwanie. Generatywna sztuczna inteligencja (Generative AI) – z modelami takimi jak ChatGPT – w dużym stopniu opiera się na architekturach głębokiego uczenia, co skutkuje zwiększoną złożonością techniczną i zmniejszoną interpretowalnością. W rezultacie Generative SI nasila szereg ryzyk typowych dla tradycyjnych systemów SI, w tym luki w zabezpieczeniach danych, obawy dotyczące prywatności, naruszenia praw autorskich i uprzedzenia algorytmiczne. Niniejsze badanie krytycznie ocenia adekwatność obecnych ram regulacyjnych w zakresie radzenia sobie z tymi ryzykami. Wyniki sugerują, że tradycyjne instrumenty prawne są niewystarczające do radzenia sobie z wyjątkowymi wyzwaniami stawianymi przez Generatywną SI, zwiększając prawdopodobieństwo niepowodzenia regulacyjnego. Przeprowadzając analizę porównawczą podejść regulacyjnych w Unii Europejskiej, Stanach Zjednoczonych, Wielkiej Brytanii i Chinach, badanie ujawnia rosnący globalny konsensus co do konieczności rozwijania odpowiedzialnej i godnej zaufania SI, która jest zgodna z Celami zrównoważonego rozwoju. W dokumencie postuluje się ustanowienie zrównoważonych i elastycznych ram regulacyjnych, których celem będzie zwiększenie zdolności rządowych do radzenia sobie ze zmieniającymi się ryzykami związanymi z generatywną sztuczną inteligencją, przy jednoczesnym promowaniu jej bezpiecznego, odpowiedzialnego i zrównoważonego rozwoju.
Słowa kluczowe:
Bibliografia
1. AMOOZADEH M., DANIELS D., NAM D., KUMAR A., CHEN S., HILTON M. et al., 2024, Trust in Generative AI among students: An exploratory study, Proceedings of the 55th ACM Technical Symposium on Computer Science Education V. 1, 67–73.
2. ARCILA B.B., 2023, Is It a Platform? Is It a Search Engine? It’s ChatGPT! The European Liability Regime for Large Language Models, J. Free Speech L., 3, 455.
3. BANSAL H., YIN D., MONAJATIPOOR M., CHANG K.W., 2022, How well can text-to-image generative models understand ethical natural language interventions? arXiv preprint, arXiv:2210.15230.
4. CHANG Y., WANG X., WANG J., WU Y., YANG L., ZHU K., et al., 2024, A survey on evaluation of large language models, ACM Transactions on Intelligent Systems and Technology, 15(3), 1–45.
5. COLLINGRIDGE D., 1982, The social control of technology, Francis Pinter, London.
6. DEPARTMENT FOR DIGITAL, CULTURE, MEDIA & SPORT, 2022, Establishing a pro-innovation approach to regulating AI, UK Government, https://www.gov.uk/government/publications/establishing-a-pro-innovation-approach-to-regulating-ai/establishing-a-pro-innovation-approach-to-regulating-ai-policy-statement.
7. DEPARTMENT FOR SCIENCE, INNOVATION AND TECHNOLOGY, 2023, A pro-innovation approach to AI regulation (CP 796), GOV.UK, https://www.gov.uk/government/publications/ai-regulation-a-pro-innovation-approach/white-paper.
8. DJEFFAL C., 2020, Sustainable AI development (SAID): On the road to more access to justice, Technology, innovation and access to justice: Dialogues on the future of law, eds. De Souza S.P., Sphorm M., Edinburgh University Press, 112–130. https://doi.org/10.1515/9781474473880-013.
9. DUBEY S.R., SINGH S.K., 2024, Transformer-based generative adversarial networks in computer vision: A comprehensive survey, IEEE Transactions on Artificial Intelligence.
10. EUROPEAN COMMISSION, 2024, Artificial Intelligence Act, https://ec.europa.eu/digital-strategy/our-policies/artificial-intelligence_en.
11. EXECUTIVE OFFICE OF THE PRESIDENT, 2023, Executive Order on the Safe, Secure, and Trustworthy Devel-opment and Use of Artificial Intelligence, https://www.whitehouse.gov/briefing-room/statements-releases/2023/07/27/fact-sheet-executive-order-on-artificial-intelligence/.
12. EXECUTIVE ORDER NO. 14110, 2023, 88 Fed. Reg. 75191 [hereinafter AI EO], at Sec. 2.
13. FOLKE C., HAHN T., OLSSON P., NORBERG J., 2005, Adaptive governance of social-ecological systems, Annu-al Review of Environment and Resources, 30: 441–473, https://doi.org/10.1146/annurev.energy.30.050504.144511.
14. GENERATIVE MODELS: VAEs, GANs, diffusion, transformers, NeRFs. https://www.techtarget.com/searchenterpriseai/tip/Generative-models-VAEs-GANs-diffusion-transformers-NeRFs.
15. HACKER P., ENGEL A., MAUER M., 2023, Regulating ChatGPT and other large generative AI models, Proceed-ings of the 2023 ACM Conference on Fairness, Accountability, and Transparency, 1112–1123, https://doi.org/10.48550/arXiv.2302.02337.
16. HACKER P., MITTELSTADT B., BORGESIUS F.Z., WACHTER S., 2024, Generative Discrimination: What Happens When Generative AI Exhibits Bias, and What Can Be Done About It. arXiv preprint, arXiv:2407.10329.
17. JAMES W., 2023, AI art copyright lawsuit: Getty Images vs. Stable Diffusion, https://www.theverge.com/2023/2/6/23587393/ai-art-copyright-lawsuit-getty-images-stable-diffusion.
18. KASNECI E., SEßLER K., KÜCHEMANN S., BANNERT M., DEMENTIEVA D., FISCHER F. et al., 2023, ChatGPT for good? On opportunities and challenges of large language models for education, Learning and Individual Differences, 103: 102274.
19. LIN J.C., YOUNESSI D.N., KURAPATI S.S., TANG O.Y., SCOTT I.U., 2023, Comparison of GPT-3.5, GPT-4, and human user performance on a practice ophthalmology written examination, Eye, 37(17), 3694–3695.
20. NATIONAL TELECOMMUNICATIONS AND INFORMATION ADMINISTRATION (NTIA), 2024, AI ac-countability policy report: Overview, https://www.ntia.gov/issues/artificial-intelligence/ai-accountability-policy-report/overview.
21. OPENAI, 2023, GPT-4 Technical Report, https://cdn.openai.com/papers/gpt-4.pdf.
22. PAHUJA A., HASSAN R., CHANDEL A., KAUSHIK N., BHANOT N., FAREED A., 2025. Domain Development and Future Research Agendas in Corporate Governance and Sustainability Research: A Review, Sustainable Development, 0:1–22 https://doi.org/10.1002/sd.3559
23. RENN O., 2008, Risk governance: Coping with uncertainty in a complex world (2nd ed.), Earthscan.
24. SCHRAMOWSKI P., BRACK M., DEISEROTH B., KERSTING K., 2023, Safe latent diffusion: Mitigating inappropriate degeneration in diffusion models, Proceedings of the IEEE/CVF Conference on Computer Vision and Pat-tern Recognition, 22522–22531.
25. SINGH A., OGUNFUNMI T., 2021, An overview of variational autoencoders for source separation, finance, and bio-signal applications, Entropy, 24(1), 55.
26. SMITS J., BORGHUIS T., 2022, Generative AI and intellectual property rights, Law and Artificial Intelligence: Regulating AI and Applying AI in Legal Practice, T.M.C. Asser Press, Hague, 323–344.
27. SOPHIA W., 2024, Artificial intelligence and artists’ intellectual property: Unpacking copyright infringement allegations in Andersen v. Stability AI Ltd., https://itsartlaw.org/2024/02/26/artificial-intelligence-and-artists-intellectual-property-unpacking-copyright-infringement-allegations-in-andersen-v-stability-ai-ltd/.
28. STATISTA MARKET INSIGHTS, 2024, Generative AI – worldwide. Statista, https://www.statista.com/outlook/tmo/artificial-intelligence/generative-ai/worldwide.
29. STRUBELL E., GANESH A., MCCALLUM A., 2019, Energy and policy considerations for deep learning in natural language processing, Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, 3645–3650, https://doi.org/10.18653/v1/P19-1355.
30. STRUPPEK L., HINTERSDORF D., FRIEDRICH F., SCHRAMOWSKI P., KERSTING K., 2023, Exploiting cultural biases via homoglyphs in text-to-image synthesis, Journal of Artificial Intelligence Research, 78, 1017–1068.
31. TORTORA L., 2024, Beyond Discrimination: Generative AI Applications and Ethical Challenges in Forensic Psychiatry, Frontiers in Psychiatry, 15, 1346059.
32. TRUBY J., 2020, Governing artificial intelligence to benefit the UN Sustainable Development Goals, Sustainable Development, 28(4), 946–959, https://doi.org/10.1002/sd.2048.
33. U.S. DEPARTMENT OF COMMERCE, 2024, Department of Commerce announces new actions to implement President Biden’s strategy, https://www.commerce.gov/news/press-releases/2024/04/department-commerce-announces-new-actions-implement-president-bidens.
34. UNITED NATIONS, 2015, The 2030 Agenda for Sustainable Development, https://sdgs.un.org/2030agenda.
35. VINUESA R., AZIZPOUR H., LEITE I., et al., 2020, The role of artificial intelligence in achieving the Sustainable Development Goals, Nature Communications 11(1), 233, https://doi.org/10.1038/s41467-019-14108-y.
36. WOLF M.J., MILLER K., GRODZINSKY F.S., 2017, Why we should have seen that coming: comments on Mi-crosoft’s Tay experiment and wider implications, ACM SIGCAS Computers and Society 47(3), 54–64.
37. YANG L., ZHANG Z., SONG Y., HONG S., XU R., ZHAO Y. et al., 2023, Diffusion models: A comprehensive survey of methods and applications, ACM Computing Surveys 56(4), 1–39.
38. ZHANG P., KAMEL BOULOS M.N., 2023, Generative AI in medicine and healthcare: promises, opportunities and challenges, Future Internet 15(9), 286.
39. ZHOU C., LI Q., LI C., YU J., LIU Y., WANG G. et al., 2023, A comprehensive survey on pretrained foundation models: A history from BERT to ChatGPT, arXiv preprint, arXiv:2302.09419.
40. ZHOU M., ABHISHEK V., DERDENGER T., KIM J., SRINIVASAN K., 2024, Bias in generative AI, arXiv preprint, arXiv:2403.02726.
##plugins.themes.bootstrap3.article.details##
Abstract views: 1130
Downloads: 35

