
随着AI智能体自主性增强,行业正加速制定技术标准以实现智能体与软件、企业系统及其他AI的交互。然而,在模型上下文协议(MCP)和Agent2Agent(A2A)等协议解决机器互操作性问题的同时,AI系统如何获取并尊重人类授权,成为亟待完善的基础设施短板。
mEinstein创始人兼首席执行官Prithwi Thakuria指出:“人类不是API。我们能够改变主意、附加条件或直接说‘不’,这并非工程缺陷,而是能动性。”
从机器互操作到人类授权
MCP为AI连接外部工具提供了标准化机制,A2A协议则实现了跨平台智能体的发现与协调。媒体报道显示,A2A已获得超150家组织支持并投入生产使用。与此同时,身份提供商和企业安全平台也在开发机制,为AI智能体分配独特身份及任务权限。
尽管可互操作的技术栈正在形成,但机器间的连通并不等同于对人类意图、私人情境和授权的有效传达。为此,mEinstein提出“人类情境合约”(Human Context Contracts)架构,作为其“人类智能基础设施”框架的核心,旨在建立个人与外部AI系统之间的结构化授权关系。
该合约明确界定请求实体、所需信息或行动、预期目的、授权持续时间、披露范围及具体批准内容。Thakuria表示,相比机器通信协议,处理自主机器与人类能动性之间的界面更具挑战性。
行业实践与隐私边界
代理式AI的发展凸显了企业系统访问权限与个人隐私授权的界限。在代理商务领域,谷歌的代理支付协议(AP2)利用密码学签名指令代表消费者执行交易,万事达卡的“可验证意图”(Verifiable Intent)则致力于提供不可篡改的消费者批准证据。这些举措确保在无需全程人工干预的情况下,仍能保留可靠的人类意图证明。
这一需求同样延伸至医疗、金融和交通等行业。例如,医疗流程需验证临床试验资格而非获取全部病历,金融服务需确认特定就绪状态而非访问完整财务历史。Thakuria强调:“企业通常不需要个人的全部私人历史记录,它可能只需要一个经授权的答复。”
算法自我画像与权限管控
在mEinstein的架构中,企业需求被转化为受管制请求,系统依据既定权限评估私人情境,仅返回授权结果。其运作原则概括为:“AI解释规则,规则治理,设备执行。”
该框架通过权限层,将企业AI系统与用户控制的“算法自我画像”(Algorithmic Self-Portrait)相连。后者是个人现实世界情境的动态模型,权限框架则管控外部系统对信息的访问及行动执行。
相较于传统“人在回路”方法仅在后果严重时请求批准,人类情境合约建立了更广泛的授权架构,涵盖信息访问范围、目的、条件、持续时间及撤销机制。随着AI智能体在检索、推理、谈判及执行方面能力的提升,这种对人类控制权的保障将成为企业安全和AI治理的关键基础设施。