生成式人工智能的法律风险及应对策略_杨金康.pdfVIP

经济与法·

生成式人工智能的法律风险及应对策略

杨金康

摘要：生成式人工智能作为社会革新的产物，以其强大的信息整合和数据处理能力，极大地提高了社会生产力和生产效率。

但在其带来一系列技术红利的同时也衍生出系列法律风险，如虚假内容、版权壁垒、侵权责任难以认定、非传统网络攻击等。针

对前述法律风险，在分析我国生成式人工智能规制现状及不足的基础上，提出保障数据质量、提升算法透明度、确立严格归责原

则和提升行业技术安全风险防范能力等应对策略，以期完善生成式人工智能的规制与应用，促进生成式人工智能的良性发展。

关键词：生成式人工智能；法律风险；应对策略中图分类号：文献标识码：

D923A

作者单位：中国人民公安大学

DOI:10.19885/j.cnki.hbqy.2024.08.045

一、问题的提出段。微调阶段旨在对初始模型进行标注性的监督训练，从而

生成式人工智能是指基于算法、模型、规则生成文本、图使生成式人工智能的作答能够迎合人类喜好，满足人类价值

片、声音、视频、代码等内容的技术[1]。其在人机交互领域的创需求。第三，强化学习阶段。Transformer奠定了GPT系列模

新应用及其在未来发展中的广阔前景，无疑令人赞叹不已。型的算法底座，但训练时使用的数据良莠不齐，导致模型会

2018年起，OpenAI发布的GPT一经问世，便以强大的信息产生偏见或不正确的结果，因此需要人类反馈强化学习的微

整合和语言处理能力惊艳全球，被誉为“划时代应用”。2023调算法。这就表明依赖于Transformer模型解决回答各种问

年12月6日，Google正式发布Gemini作为其对标OpenAI题，其后将输出结果的优劣评判借助奖励模式反馈于模型，

GPT模型的竞品。Gemini是人工智能的新品种———原生多以取得完善和优化模型的效果。

模态区别于现有的拼凑多模态模型即从一开始就使用多相比于传统人工智能，具有更高自主性和灵活性的生成

，，

种模态（如音频、视频和图像）进行训练[2]。相比于，式人工智能的输出结果具有一定的或然性。其中，最主要的

GPTGemini

一开始就在各种信息类型上进行预训练，然后通过额外的多原因来源于Transformer算法所追求的最大化预测概率：主

模态数据，微调使其能够更好地理解和推理各种输入。作为流大型语言模型学习的是概率统计关系，生成的是或然率，

回应年月日正式发布了文本视频模型其