金杜：2023大模型合规白皮书_81页_1mb

大模型合规白皮书（2023）总结

一、大模型发展历程

1. 技术演进路线

   • 早期阶段（1956-2005）：符号逻辑模型探索，专家系统雏形。
   • 快速成长阶段（2006-2019）：深度学习兴起，Transformer架构突破。
   • 全面爆发阶段（2020至今）：预训练大模型成熟，GPT等模型引领产业变革。

2. 技术创新特征

   • 超大规模参数训练、多模态支持、少样本学习能力；
   • 数据依赖性强、黑盒特性、偏见风险与泛化不足的早期局限；
   • 现阶段通过架构优化、数据增强等技术显著提升性能。

二、全球监管现状

（一）主要国家实践

1. 欧盟

   • 《人工智能法案》：风险分层监管（不可接受风险/高风险/有限风险/最小风险）；
   • 强制要求高风险模型进行CE认证、透明度披露与人工监督。

2. 美国

   • 分散式州级立法（如伊利诺伊州、加州相关法案）；
   • 联邦层面推进（NIST框架、AI权利法案草案、ASSESSAI法案）；
   • 注重算法公平性、数据隐私与开源合规。

3. 英国

   • 通过《在线安全法案》规范生成内容；
   • 重视算法伦理审查与技术开发者责任认定。

（二）中国监管体系

• 法律框架：

  • 纵向监管（网络安全法、数据安全法等）与横向监管（生成式AI暂行办法）并行；
  • 提出“负面清单+科技伦理审查”机制。

• 重点监管领域：

  • 数据跨境传输（如个人信息出境标准合同）、算法备案、内容安全；
  • 对生成式AI服务提供者与技术支持方区别义务。

三、合规要素与责任划分

（一）主要主体责任

（二）关键合规维度

1. 数据合规：

   • 来源合法性、去标识化处理、跨境传输审查；
   • 合理使用争议（如版权规避、训练数据侵权风险）。

2. 内容与算法：

   • 禁止歧视、公平机制、模型透明度；
   • AIGC版权归属争议与“著作权盾”解决方案。

3. 知识产权与竞争法：

   • 避免剽窃开源代码、防止共谋行为；
   • 开源许可冲突与商业模式设计。

四、未来展望与发展建议

（一）核心趋势

1. 合规框架一体化：全球标准趋同但区域差异持续存在；
2. 技术伦理深度融合：强调社会价值导向、文化适应性；
3. 行业差异化监管：医疗、金融等高风险领域强化评估制度。

（二）企业与政府建议

附录：合规义务一览表