2023年11月20日 每日一猜答案：。 答案：ABC。
每日一猜答案分析：

【作者】 毕文轩（东南大学法学院讲师，东南大学*研究院助理研究员，法学博士）

【来源】北大法宝法学期刊库《比较法研究》2023年第3期（文末附本期期刊目录）。因篇幅较长，已略去原文注释。

内容提要：以ChatGPT为代表的生成式人工智能技术产生，在极大地提升人们工作效率的同时，也在相关领域带来了诸多法律风险。这种风险具体表现为：数据使用风险、生成内容滥用风险、算法滥用风险以及其他风险。目前我国虽然已经初步具备了有关人工智能的基本治理框架，但相关的理论以及实践仍在治理主体、治理规范设置、治理手段以及治理规则适用等方案上存在不足。生成式人工智能的出现，凸显了科技进步迭代过程中产生的“破坏性创新”现象，这也倒逼我国当前的人工智能治理模式需要从回应型治理、集中型治理向敏捷型治理转换。这要求我国在总体上坚持包容审慎的治理态度，具体包括从法律层面的制度构建、软法规范层面的填补式风险治理以及通过监管沙盒实现敏捷型风险治理等三方面来完善现有的人工智能风险治理体系，在技术创新与风险治理之间寻求平衡，从而实现数字经济的健康持续发展。

关键词：生成式人工智能；风险规制；ChatGPT；敏捷型治理；试验性监管

目次 一、生成式人工智能工作原理及其引发的法律风险 二、对既有规制方式的质疑 三、生成式人工智能法律风险规制的症结与出路 四、结语

生成式人工智能（Generative AI）是指基于算法、模型、规则生成文本、图片、声音、视频、代码等内容的技术。其是一个无监督或部分监督的机器学习框架，并通过使用统计学、概率等生成人工遗迹。不同于以往的人工智能，生成式人工智能不仅能够提炼信息，还可以通过利用现有的数字内容检查训练实例创建人工遗迹并学习其模式和分布。ChatGPT作为生成式人工智能的典型，其语言模型由OpenAI公司开发。从2018年至今，OpenAI已陆续推出GPT、GPT-2、GPT-3、GPT-4以及图像预训练iGPT等模型，并迅速火遍全球。包括DeepMind、谷歌、商汤、阿里等国内外科技企业也都开发了自己的语言模型并对大模型进行了全面的布局与投资。

生成式人工智能在给公众带来惊喜的同时，也带来了许多新的法律风险。例如，有用户投诉称自己之前在ChatGPT里输入的隐私信息被其未经许可擅自传播给其他用户，还有许多用户表示ChatGPT生成的内容有时会犯很多常识性错误等。由于ChatGPT等生成式人工智能的惊艳表现得益于其经过海量的数据投喂训练以及内部的算法操作，而在这一过程中所存在的数据安全、算法滥用等隐患就引起社会各界的广泛关注和担忧。为了促进生成式人工智能的发展并规范其使用，我国网信办于2023年4月11日发布了《生成式人工智能服务管理办法（征求意见稿）》（以下简称“《办法》”）并向全社会公开征求意见。该办法共21条，涉及到适用范围、生成式人工智能定义、责任主体认定、数据合规要求以及算法安全评估等多方面的问题。本文将就生成式人工智能使用过程中可能存在的法律风险及化解思路进行逐一分析，并结合新近出台的《办法》的规定，就生成式人工智能的风险规制与监管路径选择进行系统阐释，以期更好地为促进生成式人工智能产业的安全有序发展提供前瞻性建议。

一

生成式人工智能工作原理及其引发的法律风险

（一）生成式人工智能工作原理阐释

生成式人工智能目前包含两种类型：生成式对抗网络（Generati【【微信】】, GAN）和生成式预训练转化器（Generati【【微信】】rmer, GPT）。其中，GAN是常用的生成建模人工智能技术，其运行需要使用生成器和判别器两个神经网络的共同作用。GPT则是通过使用大量公开的数据来阅读并生成类似人类的文本，其被设计用来根据给定的提示或上下文语境生成类似人类的文本。为了更好地理解并阐述ChatGPT的法律风险及其化解策略，本文将对ChatGPT的基本工作原理作简要剖析：

ChatGPT是一个由OpenAI训练的大型语言模型（LLM Large Language Model），其是大模型在NLP领域不断发展的一种结果。根据OpenAI官方介绍，ChatGPT的生成机制分为如下四个阶段（见图1）：（1）对人工智能进行数据喂养来锻炼其自动生成后续文本的能力。通过让人工智能在海量数据中学习文字接龙，并将人工智能的回答与语料中下文的内容做对比。（2）收集人类数据并进行监督。研究人员让人类就一些问题写出答案，并将这些问题和答案交给GPT学习并优化其模型，以引导人工智能往人类期望的方向作答。（3）收集对比数据并训练奖励模型。研究人员让GPT对特定问题给出多个答案，并由人类来对这些答案的好坏做排序。基于这些评价数据，研究人员训练出一个符合人类评价标准的奖励（reward）模型。（4）强化学习算法针对奖励模型优化策略。这一阶段人工智能在进行自我学习的过程中，同时不断地根据奖励模型的反馈来优化自身的产出结果，以实现通过GPT的自我学习与优化。

图1 ChatGPT的生成机制原理

（二）生成式人工智能引发的潜在法律风险

根据对生成式人工智能技术原理的剖析，生成式人工智能所带来的法律风险主要包括如下四类：

1.数据合规风险

我国当前的数据合规体系是建立在以网络安全法为代表的网络安全体系、以数据安全法为核心的数据安全体系和以个人信息保护法为核心的个人信息保护体系之上，三者共同构建了我国的数据合规法律体系框架。数据的合规要求数据处理者在处理数据时应保障数据安全、网络安全和个人信息安全，并采取必要措施，以确保用户数据处于合法使用和获得有效保护的状态。生成式人工智能在我国法律体系下数据合规风险具体体现在如下四方面：

（1）大模型训练阶段的数据来源合规风险。ChatGPT等生成式人工智能在初期需要收集大量的数据进行训练，根据获取这些不同来源的数据可能存在下述风险：①如果ChatGPT获取的数据来自于对公民个人信息的汇集（例如人脸、指纹等），根据《中华人民共和国个人信息保护法》（下文简称“《个人信息保护法》”）第13条的规定，处理个人信息之前需要取得信息主体的同意。但在具体的数据训练环节，期待开发者对每个用户都做到知情同意几乎是不可能实现的。那么，知情同意困境与促进大模型开发训练之间存在的合规风险就亟待解决；②如果ChatGPT获取的个人信息来自于开放的公共数据，此时大模型开发者虽然可以根据《个人信息保护法》第27条的规定处理已公开的个人信息，但对于其利用个人信息进行训练是否属于“合理范围”以及是否会对“个*益有重大影响”仍存在极大的不确定性和合规隐患；③ChatGPT在训练阶段获取的个人信息还可能存在违反“最小范围”要求的风险。根据《个人信息保护法》第6条的规定，处理个人信息应当限于实现目的的最小范围。虽然OpenAI的隐私政策指出，其所有收集的数据都将仅用于合同指定目的，但其中既未明确用于合同指定目的的数据是否包括存储在其模型中的数据，也没有对其中涉及到的个人信息是否真的全部用于ChatGPT训练使用作出实际承诺，这无疑会增大数据合规风险；④ChatGPT的大量训练数据来自于对受著作权法保护作品的挖掘，考虑到我国当前著作权法的合理使用条款仍采取法定主义，类似文本挖掘行为等很难构成合理使用，如果开发者没有获得作者的授权，那么该行为将可能导致对作者著作权侵权；⑤如果ChatGPT获取的网络数据来自于开发者通过爬虫手段自行获取，也同样存在很大的合规风险。一方面，通过爬虫手段爬取用户信息可能因为手段的使用对目标业务和站点造成影响，并违反我国网络安全法第27条有关禁止个人非法获取个人信息的规定；另一方面，该行为也同样可能构成不正当竞争，因为根据最新的《中华人民共和国反不正当竞争法（修订草案征求意见稿）》第18条的规定以及我国近年来的相关判决，经过网络运营者智力劳动成果投入而形成的数据产品属于受保护的财产性权益。如果ChatGPT训练的数据是从已声明禁止第三方爬取数据条款的网站收集的，则该等数据可能被认定为企业的竞争性财产权益，擅自爬取行为可能违反反不正当竞争法相关规定而导致合规风险。

（2）大模型运行阶段的数据使用合规风险。在ChatGPT使用阶段的风险主要包括：①数据泄漏风险。用户可能会向大模型中披露个人信息、商业信息甚至是商业秘密等，通过ChatGPT的工作机理不难发现，用户在使用过程中的输入和交互信息也同样会被用于其的持续迭代训练，那么如何保障这些信息安全就存在很大的隐患。虽然OpenAI声明会采取适当的安全保障措施（如匿名化、加密等）来提高数据安全性，但根据报道显示相关的数据泄露风险仍然可能已经发生。②用户个人信息删除权行使困难。虽然OpenAI的隐私政策中规定了用户拥有对其个人信息的查阅、更正以及删除权利等，但考虑到请求生成式人工智能系统删除数据的复杂性特征，对于开发者能否真正删除个人信息的存在痕迹并满足现有合规的要求仍具有很大不确定性。③数据跨境流动的法律风险。当国内用户使用ChatGPT时，有关信息会传输至服务提供商的境外数据处理中心，再由应用反馈回复。在这一交互过程中，若用户将敏感个人信息传输至境外数据处理中心，此时后者是否需要针对个人信息的收集、存储进行具体的事前告知同意便存在难题。此外，如果国内某主体出于数据分析或信息统计等目的，将其收集的一定规模的个人信息传输至OpenAI境外数据处理中心，就很可能构成事实上的数据出境行为，如果未经审批许可将导致极大的合规隐患。

（3）大模型再训练阶段的数据合规风险。由于用户与ChatGPT之间进行人机交互所产生的数据还可能会被用于大模型在未来的继续迭代训练，也即大模型的再训练阶段。如果这些交互数据中仍涉及大量个人信息或者商业数据，对其初次使用时所征求的用户知情同意范围显然不能涵盖再训练阶段的要求，需要再次告知用户并取得同意。但现实中很难期待企业可以坚持知情同意准则，相关合规风险仍不容忽视。

（4）训练数据的准确性风险。由于ChatGPT训练的前期阶段，被投入数据的内容来自于开发者从网络中的获取与选择，由此便可能产生因数据的缺失或错误而导致最终呈现的内容不准确。具体而言，如果投入大模型中训练的数据无法保证能够涵盖所有可能的语言或命题，或者来自于网络公开环境中的数据如果存在有虚假的、误导性的或者错误的信息，那么当这些数据被输入大模型中加以训练就会导致其输出错误的结果。例如，如果ChatGPT在训练时使用的数据忽略或者歪曲了某些重要的历史事实，那么当有人对这些事实进行提问时将会从中获得错误的结果，并可能对其历史观的形成产生影响。因此，如不对生成式人工智能事前训练的数据质量加以监督，那么其所提供的不准确信息将会导致使用者的错误认知，尤其对于青少年等尚未建立正确价值观的群体而言，将会产生极大的负面效应。

2.生成内容滥用风险

生成式人工智能可以通过其强大的算力合成假文章、生成假新闻等制造各种事实性错误，此外，不法人员会通过利用深度合成技术生成的虚假信息，来实施侮辱诽谤、造谣传谣、侵犯个人隐私甚至是通过深度合成技术仿冒他人实施*等行为，严重扰乱网络传播秩序和社会秩序，这些因人工智能生成内容导致的滥用风险给当前的网络治理工作带来了极大的困难。同时，随着当前生成式人工智能技术的迅速蔓延，实施上述深度合成伪造等内容滥用的产生和传播成本会显著下降，但相关的执法和监管成本却明显提升，这无疑加大了当前网络治理的难度，也为确定更加科学化、精细化的治理提出了更高要求。

3.算法滥用风险

其一，算法透明性与可解释性风险。生成式人工智能的运行离不开算法，而算法的实施又会带来“算法黑箱”。“算法黑箱”的产生源自于两方面原因：从内部视角上看，由于机器学习的本身技术特点，算法通过自我学习创制的规则在技术层面往往难以被自然人所观察并理解；从外部视角上看，由于算法决策的规则常常会被算法开发者所隐藏，故而其对于被决策的主体缺乏透明性，被决策的主体也就难以知道决策的过程和逻辑。为了解决“算法黑箱”所带来的负面效应，当前各国都在致力于大力推动企业的算法披露和公开，即要求算法服务的提供者披露、解释其算法的原理、逻辑及决策过程的义务同时，被决策者还可以要求对算法进行解释的权利。虽然算法的透明性要求在一定程度上缓解了算法服务提供者与被决策者在算法决策中的不平等地位，但通常情况下的算法透明度要求条款都比较抽象概括，缺乏更明确具体的指引，故而算法服务提供者往往不知道应当如何具体落实算法透明度的义务。此外，即便是算法主体做到了算法的透明公开义务，依然存在对于算法可解释性程度较低的问题。第一，由于缺乏统一的解释标准与解释主体，导致结果的可信度较低；第二，由于被解释的算法可能与隐私安全或者商业秘密相重叠，故而可被用来呈现的主体范围有限，导致解释效果不理想；第三，由于现有的应用领域有限，导致具备可解释性的人工智能算法仍然很少，不利于实践需要。

其二，算法偏见与算法歧视。除了算法的可解释性风险外，由于数据偏见所导致的算法偏见或算法歧视现象也需要格外注意。如果生成式人工智能的前期训练的数据存在某种程度的偏见或者歧视，那么经由算法机制产生的回馈结果自然也会存在此种偏见或歧视，甚至生成式人工智能的使用还会进一步延续和放大此种负面效果。例如，来自代表性不足群体的学生可能会因为用于训练ChatGPT的训练数据偏向于某类人群而使他们的论文得到不公正的评分，可能导致这些在教育方面已经处于劣势的人群被更加边缘化。此外，ChatGPT等语言模式还可能会传播和放大歧视和偏见，这也是使用生成式人工智能不容忽视的又一风险。例如，如果用来训练它的数据对特定群体存在不利的偏见，在ChatGPT不断自我学习的过程中此种偏见就会被不断强化，可能导致这些人群遭受比以前更加严重的歧视。

其三，算法模型与应用的滥用风险。对于算法模型及其应用的直接滥用行为具体表现为如下五种：（1）算法服务提供者在利用生成合成类算法自动合成各式信息，未作显著标识造成虚假信息的夸大传播；（2）算法服务提供者采用定向推送类算法在首页首屏、弹窗等，扎堆推送负面信息诱发社会恐慌和其他不良影响；（3）算法服务提供者利用排序精选类算法生成热搜、榜单等，片面追求流量，大肆炒作低俗恶俗等有悖社会主义核心价值观内容，败坏社会风气；（4）利用算法模仿特定人物的风格发布情书、辞职信、文章等写作或对话服务，造成公众混淆；（5）算法在开发和部署运行过程中存在影响他人利益或者社会公共利益的安全风险。当上述直接滥用算法模型的做法出现在生成式人工智能系统中，其所产生的损害和影响将会超过传统人工智能算法致害的范围，既损害了相关利益主体的合理利益，还对现有公共秩序和善良风俗造成了冲击，如不加以介入将会产生极大的风险隐患。

其四，算法可问责性风险。在技术中立的背景下，算法往往由于价值缺失、设计缺陷或信任危机而产生严重的算法风险。但是，对算法进行问责就需要具体呈现算法造成的实际损害，并在算法实施者与算法侵害者之间建立必要的因果关系。因为虽然许多算法的具体行为可能会给公众利益带来一定的侵害，但这种侵害有时仅表现为一种可能性而并非现实发生，有时又仅仅是若干侵害原因中的一种，故而很难将其的实施与最终的损害之间建立起直接关联。此外，即便可以证明算法的实施与损害后果之间的关系，仍存在现实的操作困境，即如何规避算法开发者的商业秘密抗辩，并合比例性的实施算法的评估工作，而非为了评估频繁地中断算法的运行。换言之，对于生成式人工智能实施过程中可能产生的算法侵害而言，现有法律规范一方面缺乏必要的损害认定和归责机制，另一方面也缺乏一种对于算法进行持续性评估并将负面影响降到最低的风险防范机制，这就对大模型算法的最终可问责性成立带来了诸多障碍。

4.其他风险

（1）隐私保护风险

在生成式人工智能的训练、应用和模型优化过程中所投放的数据中可能包含了公民个人信息或隐私，如果不对其加以必要的处理，则可能产生大模型对公民个人信息的误用或滥用，侵犯个人的隐私权益。具体而言，在大模型中训练数据给公民隐私带来的风险既可能产生于数据层面的不当使用，也可能产生于大模型自身层面的不当处理。在数据层面，除了训练的数据来源本身包含了大量未经脱敏或处理的个人信息外，还存在模型开发者故意购买使用包含他人隐私的数据并投入大模型中进行训练的情形，这种恶意滥用行为会导致生成式人工智能将公民个人隐私的侵害后果和影响范围进一步扩大。近来就有新闻报道称，部分ChatGPT Plus的用户数据可能被泄露，其中包括了用户聊天记录的片段以及用户信用卡的最后四位数字、到期日期、姓名、电子邮件地址和付款地址等信息。意大利个人数据保护局以没有就收集处理用户信息进行告知且缺乏大量收集和存储个人信息为依据，自2023年3月31日暂停了ChatGPT在意大利的使用，直到OpenAI与意大利个人数据保护达成协议，更新了隐私保护政策并设置了重新登陆的年龄验证后，4月28日ChatGPT被许可恢复在意大利的运营。这也更进一步证明了当前的生成式人工智能仍存在极大的隐私保护风险。此外，需要注意的是，生成式人工智能训练数据的“长尾效应”也同样会给公民的隐私保护带来巨大的隐患。所谓“长尾效应”是指原来那些不受重视、非主流但是种类繁多的产品累积起来，由于数量巨大，其产生的收益甚至能够超过主流产品的现象。该理论最早由著名的《连线》杂志主编克里斯・安德森（Chris Anderson）提出，并用来描述和解释诸如亚马逊和Netflix之类网站的商业和经济模式。事实上，该理论在生成式人工智能的训练场景下也依然适用。由于大模型的训练需要海量数据，这就导致用于训练的数据不但包含了许多位于“头部”明显易得的共性数据，还包含了诸多位于“尾部”在平日里被忽视的个性数据。但事实上，在后者这些数据中往往可能包含有大量的个人隐私信息，当前生成式人工智能的运作机制使得许多从前在互联网中早已被“忘记”的个人隐私信息再次被重新发掘出来并被二次使用，又加之大模型极强的自我学习和迭代能力，使得公民隐私的保护愈发困难。这也被学者称为，生成式人工智能时代我们已经失去了“被遗忘权”。而在大模型自身层面，其模型设计和推理能力都相较之前有了极大的提升，许多看似安全的信息在经过模型不断推理演算后也可能得到个人的隐私信息，由此使个人的隐私信息保护越发艰难。

（2）导致数字鸿沟加剧

数字鸿沟是用来理解“数字不平等”概念的一个重要视角，其是指不同社会经济水平的个人、家庭、企业和地区之间获取信息和通信技术（ICT）的机会以及他们使用互联网开展业务活动方面的不平等。具体表现为，处于数据鸿沟劣势方的国家、地区、团体、个人等完全或相对地被排除在数字技术的收益之外。因此，美国国家远程通信和信息管理局（NTIA）将数字鸿沟界定为“信息富有者与信息贫困者之间的鸿沟。数字鸿沟是形成数字不平等的关键因素，并影响着一个国家的社会发展和经济增长，无论是早期的接入鸿沟、使用鸿沟，还是当前的智能鸿沟，都对数字劣势方在就业、教育、社会政治联系以及健康等各种结果方面造成不平等的效应。随着生成式人工智能大模型的不断迭代更新，以算法鸿沟、技术鸿沟为代表的新数字鸿沟将引发新一轮的数字不平等，包括但不限于不公正决策、减少少数族裔或弱势群体的公共参与、加剧社会不公平、损害政府公众之间的信任以及降低模型的可靠性。这些技术鸿沟通常表现在技术主体之间以及技术主体与使用者之间。前者表现为各阶段数据技术行为主体出于自身利益考虑，对其他行为主体产生戒备，数据交流共享难以畅通；后者则表现为作为大模型技术作用对象的普通大众，将会面临极高的数字风险但却收益甚微。

综上，生成式人工智能之所以可以实现更高层级的智能呈现，得益于对其提供的海量数据训练和模型的自学习能力。但恰恰是大模型在数据挖掘与机器学习的过程中，又会带来新的法律风险。

二

对既有规制方式的质疑

（一）生成式人工智能风险规制的现状

1.宏观层面：人工智能监管和治理规范已经形成初步框架

随着学界和业界对人工智能认识的逐步提高，我国当前阶段对于人工智能的监管和治理规范已经形成了初步的框架，这具体表现在如下三方面：

其一，在国家层面，由国务院、国家新一代人工智能治理专业委员会、国家市场监管总局、人力资源与社会保障部等陆续发布的《新一代人工智能发展规划》《新一代人工智能治理原则――发展负责任的人工智能》《关于平台经济领域的反垄断指南》以及《关于维护新就业形态劳动者劳动保障权益的指导意见》等相关人工智能治理的重要政策文件，作为国家顶层的政策架构为推动对人工智能实施有效监管和治理、深化创新驱动改革、促进高质量发展、推进国家治理能力和治理体系的现代化提供了有力的支撑。

其二，我国当前已初步形成了包含法律、部门规章、地方性法规、国标、行业自律标准的多层次治理规范结构，形成了从中央政府到地方政府以及行业组织的分级别、多层次的治理内容框架体系，形成了包含强制约束力的制定法（硬法）与新型行业自我规制的自规范准则（软法）相结合的综合治理体系（见图2）。

图2 我国当前阶段人工智能治理的内容框架

其三，我国目前阶段对于人工智能的治理规范主要集中于确保人工智能的安全性、使用的透明性、算法的可解释性以及符合伦理性等方面。此外，由国家网信办、工信部、公安部等联合发布的《互联网信息服务深度合成管理规定》对于深度合成技术与服务的的主体责任和义务给予了进一步明确，这对于后期具体到生成式人工智能的规范治理而言具有重要的参考价值。

2.微观层面：《办法》提供了更加明确的监管指引

国家网信办发布的《办法》则从合规义务及责任、安全评估及算法备案、数据来源合法性、用户信息保护以及投诉接收处理机制等微观层面对生成式人工智能的监管提出了具体要求。《办法》作为继《互联网信息服务算法推荐管理规定》《互联网信息服务深度合成管理规定》之后的第三部监管特定技术服务的部门规章，有助于完善当前生成式人工智能的规制体系。其主要内容包括如下方面：

一是对生成内容的复合性要求。《办法》第4条对生成式人工智能产品生成内容与提供服务提出了合规要求，即生成的内容要体现社会主义核心价值观，应当确保真实准确无歧视。而第16条则要求服务提供者对其生成内容标识。不难看出，《办法》针对生成式人工智能的生成内容提出了更为细化的要求，并将其内容与相关的主体进行了绑定，强化了特定主体对于生成式人工智能生成内容的责任承担。

二是对提供服务的安全评估与算法备案要求。《办法》第6条对生成式人工智能产品提供前需要进行的安全评估与算法备案作了具体要求。其中，根据《具有舆论属性或社会动员能力的互联网信息服务安全评估规定》第3条所列举的五类需要进行安全评估的情形可知，是否需要进行安全评估的关键在于网络服务提供者是否具有较强的媒体、社交的社会属性。同样，《互联网信息服务算法推荐管理规定》第24条明确规定需要填报相应信息并完成算法备案的对象，也需要其具有舆论属性或社会动员能力。由此可见，《办法》实际是将生成式人工智能视为类似论坛、公众号等“具有舆论属性或社会动员能力的互联网信息服务”，并将其纳入相关的监管流程，以便后续具体操作的落地与执行。

三是对训练数据的合规要求。《办法》第7条要求生成式人工智能提供者应对预训练与优化训练的数据来源合法性负责，即所训练的数据应符合我国网络安全法等法律法规的要求，不含有侵犯知识产权的内容，且提供者还要保证数据的真实性、准确性、客观性、多样性。同时，《办法》第11条就生成式人工智能提供者对用户信息的保护义务作了规定，如果训练的数据中涉及到用户个人信息，提供者应履行个人信息保护义务，并在使用前取得用户主体的同意。具体而言，生成式人工智能服务提供者不得非法留存能够推断出用户身份的输入信息，不能根据用户输入信息和使用情况对其进行画像或标签化用户特征，亦不可未经许可向他人提供用户的个人信息。

（二）利用现有法律规范进行规制的体系性漏洞

虽然我国近年来出台了一系列有关人工智能的治理规范，甚至一些规范在全球范围内也是处于领先地位。但是，相比于来自现实层面的监管诉求，我国当前的规制体系仍然存在着许多不足和漏洞。

1.在治理主体方面，监管主体过多且难以形成监管合力

当前，我国对人工智能的监管主要呈现多头监管的现状，有关部门包括国家市场监督管理总局、国家互联网信息办公室、工业和信息化部、科技部等。如此设置当然是考虑到了人工智能所导致的风险会涉及多个领域，故而在不同领域实施监管并制定相应的政策自然需要以各部门的专业性作为依托。但是，过多的主体都参与到治理过程中会产生新的问题，例如监管的竞争与推诿，即对于可能存在潜在利益的事项各个部门可能会争相制定相应的监管政策，并积极推动执法工作；而对于情况复杂、涉及面广且潜在利益不足的事项，各个监管主体则可能会选择避而不谈。如此“九龙治水”的治理模式既无法为治理目的的最终实现提供全面的支持，还可能会造成治理资源的分配不均，不同监管规则冲突抵牾，进而影响行业竞争格局与公共利益。此外，虽然国家层面也通过成立人工智能治理专业委员会等机构来实现

对于chatgpt的发展有什么感想 关于chatgpt感悟与思考