本研究通过比较定性的案例分析，考察了美国联邦、州和市三级政府中人工智能的实施情况。研究发现，美国算法治理并非统一或同质化的，而是呈现出一个三级治理堆栈结构，其中不同层级政府的算法系统在功能、制度和风险上存在显著差异。
- 联邦层面：人工智能主要应用于国家安全、边境控制、税收、国防和大型科学及基础设施建设等高风险领域。联邦人工智能系统具有高度的制度整合性，在特定领域采用默认自动化逻辑，并高度依赖中央数据架构和商业云供应商。其主导的算法治理模式是“人工智能用于控制”，旨在加强国家的监督和强制能力，但也存在算法偏见、缺乏透明度和对商业云提供商过度依赖等风险。
- 州层面：人工智能主要应用于社会政策和医疗保健领域，旨在优化资源分配、支持早期干预和管理社会风险。州人工智能系统集中体现了“人工智能用于支持”和“人工智能用于控制”的混合治理模式，一方面通过分析支持行政决策，另一方面通过算法评估影响公民对公共服务的获取。州级人工智能治理面临着算法不平等和制度碎片化等突出问题。
- 市层面：人工智能主要应用于日常城市流程，如许可、应急响应、基础设施检查、交通管理和公民沟通等，旨在提高效率、优化服务和增强响应能力。市级人工智能系统以“人工智能用于支持”为主导，主要采用模块化、现成的解决方案，并高度依赖供应商。其优势在于能够显著降低交易成本，但也存在问责制度薄弱、加剧社会不平等和缺乏透明度等风险。
研究发现，人工智能治理的差异并非由技术、政策类型或资源可用性决定，而是由制度嵌入的逻辑决定，即人工智能系统运作的授权、约束其问责的机制以及规范环境。联邦政府拥有最高的算法自主权，而州和地方政府则根据自身资源、政治优先事项和社会需求进行调整。
本研究提出了“人工智能用于控制”和“人工智能用于支持”的分析框架，揭示了人工智能治理背后的规范性选择。控制导向的人工智能体现了纪律的逻辑，而支持导向的人工智能则体现了团结的逻辑。人工智能治理不仅是技术性的，更是政治性的，它反映了关于控制、再分配和服务的政治价值观。
本研究为理解美国算法治理提供了重要的分析框架，并为未来研究指明了方向。未来研究可以进一步探讨不同人工智能治理模式的影响，以及制度设计如何影响算法行为。
