四、加强外来法学知识的选择性借鉴建构中国自主法学知识体系还有一个维度，那就是加强外来法学知识的选择性借鉴。

由于西方国家的政党是竞争性政党，它们通过定期选举而轮流执政，所以无法形成各个政党统一的宪法审查制度，所有政党的政策与规范性文件须接受国家的宪法审查，从而形成了西方国家一元式的司法审查体制与机制。中国式法治现代化的主要标志是建成社会主义法治国家、法治政府、法治社会，集中统一权威高效的中国特色国家监察体制以及党和国家二元并存的合宪性审查制度。

（二）在法治轨道上全面建设社会主义现代化国家党的二十大报告提出在法治轨道上全面建设社会主义现代化国家的重大战略思想和科学命题，蕴含着习近平新时代中国特色社会主义思想的法治轨道理论，揭示了法治与现代化、法治轨道与全面建设社会主义现代化国家的内在逻辑，体现了我们党对社会主义现代化国家建设规律、中国式现代化发展规律、中华民族伟大复兴历史规律的科学把握和正确认识，展现了马克思主义现代化理论中国化时代化新境界。法律面前人人平等必须体现在立法、执法、司法、守法各个方面。法治是人类文明的重要成果之一，法治的精髓和要旨对于各国国家治理和社会治理具有普遍意义，我们要学习借鉴世界上优秀的法治文明成果。可见，法治是全世界各国普遍认同的理想与价值。2018年2月24日，习近平在中共十九届政治局第四次集体学习时的讲话中指出：现代意义上的宪法是西方先搞起来的，是资产阶级革命的产物。

（一）全面依法治国是实现中国式现代化的总方法论全面依法治国是党的十八大报告首先提出来的，并被纳入了四个全面战略布局。中国式现代化的实现伴随着法治现代化的实现，没有法治这一方法作保障，中国式现代化就难以实现。产业模式和技术参数指标决定了透明度的监管工具箱的适用困难。

赵鹏：《私人审查的界限——论网络交易平台对用户内容的行政责任》，载《清华法学》2016年第6期，第115-132页。第二，训练数据的质和量是生成式人工智能高质量发展的基础，《办法（征求意见稿）》专门对数据质量提出要求。由此可见，基础模型的训练已经成为了一个融合了数据、算法、算力的专门过程，需要出台专门的、独立的规范予以规制。基础模型最重要的是进行训练，无论是预训练还是优化训练，都是对数据、算法、算力等要素资源的精巧组合，最后形成具有超大规模参数量的基础模型。

但是，生成式人工智能的基础模型层和专业模型层要么只在企业内部训练运行，要么向垂直细分领域的企业（B端）提供接口以赋能，并不直接与用户（C端）发生交互。[14] 参见姚前：《ChatGPT 类大模型训练数据的托管与治理》，载《中国金融》2023年第6期，第51页。

生成型人工智能的基础模型可以以高质量生成内容形式赋能，为网络生态提供内容资源。生成式人工智能的基础模型因可接入千行百业而具有通用性，推动着数据要素流动以及具有公共性的融合计算服务体系建立。1.专业模型层的审慎包容与分级分类专业模型层的治理以审慎包容为理念，关注重点领域与场景的分级分类，设置合理的法律责任水平。 【注释】[1] 参见郭春镇：《生成式 AI 的融贯性法律治理——以生成式预训练模型(GPT)为例》，载《现代法学》2023年第3期，第89页。

[17] 参见《实现平台互联互通将为中小企业创新发展提供更好环境》，载《21世纪经济报道》2021年9月14日，第1版。在信息内容领域更是明确了技术支持者—服务提供者—内容生产者的监管框架，规制对象一般为服务提供者和内容生产者，技术支持者仅由于对信息内容的影响刚刚被纳入监管范围。此次生成式人工智能的监管思路，相比于深度合成的监管确实体现出监管逻辑更新和制度体系迭代的新趋势。生成式人工智能的底层通用能力直接打破了网络治理领域一直以来的网络服务提供者与信息内容生产者的二元藩篱，更是进一步将技术支持者的功能与上述二者相融合。

生成式人工智能正在改变数字社会生产结构与社会关系。生成式人工智能治理应符合其功能业态的技术逻辑，也应基于其在数字社会生产的地位，重新认识和调整生成式人工智能的法律定位，将模型作为新型的法律治理对象。

过去算法监管针对的是分散化的模型研发模式，现在的预训练大模型具有通用性和泛化性，带来了标准化的人工智能研发范式。可以将基础模型层理解为操作系统，世界范围内可能存在少量具有竞争关系的通用性基础模型，以及若干在特定行业高价值专业化的基础模型。

信息内容安全的治理体系依照从内容生产（内容生产者）、传播过程（服务提供者）和用户接收终端（用户）流程构建。生成式人工智能的预训练大模型类似于其在海量数据的自监督学习阶段完成基础教育，然后再由垂直产业企业根据自身需要进行专门性训练和参数微调，类似于专业教育。作为下游垂直细分领域的开发者，可以在基础模型的基础上简化开发工作，并以专业模型为基础开发服务应用。当不同的企业与应用被链接到基础模型上之后，又成为基础模型的流量入口累积更多的数据，被用来进行进一步反馈性的模型训练。[17]基础模型则提供了新的数据共享与互联互通的思路，具有超越性技术能力和资金支持的企业，通过碾压式技术开发和成本投入，实现海量数据资源池与模型训练的规模效应。[21] 参见谭晨辉、刘青炎：《OpenAPI 出现、起源与现状》，载《程序员》2008年第7期，第40页。

[19]生成式人工智能的基础模型层一方面充分符合本身作为载体的公共性，另一方面对接入基础模型的下游生产者具有准管理的公共性权力。早期网络法发轫于知识产权领域，是因为文字和音乐等作品最先被数字化并可在网络上流动。

该层兼具技术与内容生产者角色，如应用于搜索引擎、智能问答、音视频生成，直接为客户端用户提供服务。最后，被认定为具有公共性的平台，应合理行使平台内公共性管理权力。

三、生成式人工智能分层业态下的法律定位：基础模型层是数字基础设施面对一套技术系统，首要的是判断其究竟是一个独立的技术系统，还是一整套生产方式。然而，生成式人工智能的功能远不止提供信息内容服务，智慧问答只是其诸多功能中的一个。

社会成本本身即包括法律责任水平。因此，大模型的服务商对整个产业生态系统具有了前所未有的技术层面的控制力。大模型本身具有明显的商业化价值，其对于行业的赋能，显现了人工智能驱动新一轮科技革命和产业变革的巨大力量。[19] 参见刘权：《网络平台的公共性及其实现——以电商平台的法律规制为视角》，载《法学研究》2020年第2期，第44页。

算法推荐和深度合成监管中确立的备案、评估等制度也应进行调整，以适应生成式人工智能的技术发展。生成式人工智能整体呈现将技术支持、服务提供与内容生产三位一体融合的技术形态，打破了现有的网络治理法律制度对数字社会生产方式在结构方面的底层设定。

此外，如果在用户的提问引导下，生成式人工智能产出了不符合信息内容安全的结果，生成式人工智能服务提供者是否要承担内容生产者的义务呢？在与用户的互动中，生成式人工智能可以进一步依据用户需求和使用习惯调整输出内容。生成式人工智能改变了网络信息传播方式，这使得信息内容安全方面的责任认定和责任分配规则面临挑战。

分层治理也鼓励企业分别发展基础模型层和服务应用层，区分对企业和对用户模式。高质量的模型训练，需要高质量的训练数据。

其知识产权侵权、生成虚假信息问题受到广泛关注，同时，它在训练过程中需要被投喂海量数据的来源问题、它所生产的内容中潜在的歧视问题，给数据安全、算法安全、网络谣言、数据主权、国家安全等方面带来潜在风险。[15]我国目前初步构建的多系统分级分类法律体系将基础模型的风险判断因素有机融合，在基础模型的风险级别判断标准上，包含了数据处理量级及广泛被应用的场景两大考量因素。[2] 参见王卫：《平衡科技创新与隐私保护多国计划加强对 ChatGPT 监管》，载《法治日报》2023年4月10日，第5版。同日，国家网信办发布《生成式人工智能服务管理办法（征求意见稿）》（下文简称《办法（征求意见稿）》），拟规范生成式人工智能的发展。

一般认为，我国人工智能治理中对于算法系统设计使用的公开透明、算法结果的公正、相应问责机制的建立等制度基本由现有算法监管体系实现。如何界定生成式人工智能的法律定位并在此基础上形成与生成式人工智能的技术特点与产业形态相适应的治理框架是法律回应技术发展的应有之义。

从技术指标上看，大模型参数规模逐步提升至千亿、万亿，数据特征高维、模态格式多样的趋势也逐渐明显，计算复杂度会随之呈指数增加，这意味着人工智能的可解释性更差。与此同时，管制和创新，也即安全和发展，是网络立法的永恒命题。

专业模型的分级分类应以模型能力作为分级分类的考量指标，模型能力直接与训练数据量级、算法性能相关。基础模型比起数字平台更加纵深地组织生产提供基础性服务。