生成式人工智能的爆发式增长，尤其是以大模型为核心的技术迭代，正在重塑人类社会的认知范式与行为边界。大模型具有自主决策性、技术链复杂与风险分层化的运行特征，分别引致刑法治理中的刑事责任认定困境、刑事责任划分困境与规范供给不足困境。大模型具有自主学习能力，存在算法黑箱和可解释性难题，难以适用传统刑法体系中的主观过错证明标准与因果关系理论。大模型具有复杂的技术架构和运行团队，不能简单套用传统刑法体系中的单方责任归属模式与形式化的单位犯罪处罚规定。大模型运行中面临前置法层面与刑法层面的双重风险，应当对大模型相关的前置法与刑法风险进行全面评估，协同推进大模型治理。为此，可引入“合理开发者”标准和概率模型以解决刑事责任认定难题；构建多方责任链条和技术主管人员追责标准以解决刑事责任划分难题；完善前置规范、推行多元共治、加强刑法供给以解决规范供给不足难题，助力实现技术向善的法治愿景。
引言
大模型是指以Transform架构为核心，通过对海量数据进行训练与反馈强化学习完成数据提取、整合、转化，从而完成自然语言处理、计算机视觉、语音识别等诸多任务的一类机器学习模型。大模型具有海量参数与复杂结构，既有研究并未对大模型的分类形成统一标准，但已经能够从建模目标方面对大模型进行区分：按照建模目标的不同可以分为生成式大模型与判别式大模型。生成式大模型又称生成式人工智能，是目前最为人们熟知的一类大模型，例如，可以进行实时知识问答的ChatGPT模型、可以实时生成视频的Sora模型，以及2025年初爆火的DeepSeek模型。虽然大模型不限于生成式人工智能，但从生成式大模型的爆发式增长中可以看出，大模型技术的不断迭代，正在拓展人工智能的能力边界，或将重塑人类社会的认知范式与行为边界。这一变化不仅推动了生产力的跃迁，更带来前所未有的刑事风险与刑法治理困境。
刑法学界对于大模型的研究集中于对生成式人工智能技术的多维研判。这一“多维”主要体现在主体资格认定、风险类型识别与责任归属方式等方面，学者的研究为我们勾勒出当前理论探索的图谱。在主体性维度，孙万怀认为生成式人工智能尚不具有完全刑事责任能力，仅能追责其背后的自然人或法人主体；陈伟、向珉希主张可以在特定情形下探索构建主体性标准，以回应高度自主的模型行为所带来的规则空白。在风险识别维度，李想、杨建民从数据安全角度出发，总结生成式人工智能所涉数据风险与虚假信息风险；刘仁文、房慧颖聚焦传统犯罪领域，总结生成式人工智能所涉传统犯罪类型，例如财产犯罪风险、知识产权犯罪风险。在责任认定维度，王志远、曹岚欣、叶竹盛、林曼婷等聚焦于生成式人工智能大模型运行链条中的角色分工，提出应根据模型的研发、部署、使用等不同环节合理划分注意义务与刑事责任边界。整体来看，当前研究聚焦于生成式人工智能全生命周期中的具体罪名适用与个别责任人员的刑事责任认定，体现出刑法学界从技术本体、法律属性到规制路径的多维展开，致力于在现有刑法框架内建构回应智能技术挑战的理论与制度方案。其中，“归责”困境作为人类与人工智能关系中伦理问题的核心，成为研究生成式人工智能技术时刑法理论必须正视与回应的重要课题之一。一般认为，在生成式人工智能语境下，承担责任的主体限于生成式大模型的开发者、使用者或第三方。然而，生成式大模型只是大模型的一种类型，当前对生成式大模型的研究虽然已经识别出诸多潜在的刑事风险，例如在抓取数据时存在数据犯罪风险，在生成内容时存在虚假信息犯罪、知识产权犯罪、财产犯罪风险，但是上述研究多局限于对单一风险或特定阶段进行分析，割裂不同的技术环节与应用领域，呈现碎片化特点，不能从整体上反映大模型运行中的刑事风险。因此，有必要将研究视角拓展至广义的大模型概念。大模型法治治理应当坚持“以人为本”的治理方针，将“价值对齐”作为防范伦理风险的核心手段。现阶段大模型仍然是能够为人类所掌控并且使用的一类工具，既然人类是大模型的主导者，那么承担刑事责任的适格主体依然是自然人或单位。但是，在人类与算法协同决策的框架下，基于大模型自主决策性、技术链复杂和风险分层化的运行特征，使当前刑法体系面临诸多结构性挑战，技术特性与法律规则的错位使得刑事责任的认定与刑事责任的划分成为难题，也使得既有法律规范难以周延规制涉大模型的相关犯罪行为。因此，本文拟在厘清大模型的运行机理与刑法治理困境之基础上，通过规范化分析，明晰相关刑事责任的认定与分配逻辑、完善规范供给，探寻大模型运行中的刑法治理进路，以此为人工智能时代的刑法教义学更新与制度设计提供智识增量，助力实现技术向善的法治愿景。
一、大模型的运行特征
大模型采用深度学习、机器学习、自然语言处理等多项智能技术，基于海量语料资源与超大规模参数，具有与传统人工智能不同的内在运行机理与外在行为模式。厘清大模型的运行特征是明确刑法治理困境、探寻刑法治理进路的前提与基础，唯有科学地探寻大模型的技术本质，方能为规制大模型潜在的刑事风险提供清晰、有效的法律框架。
（一）
自主决策性
大模型的自主决策性是指大模型可以自动生成内容，不需要人工参与。换言之，大模型运行中的自主决策性并非指模型具有独立的意识或意志，而是指在特定任务和预设框架下，大模型能够基于训练数据、算法与输入指示，在没有人类对其进行直接干预的情况下，处理并执行任务。具体而言，大模型的自主决策性体现为以下两方面。
第一，大模型具有自主学习能力。大模型的自主学习能力是其智能分析能力的具体展现。大模型的自主学习能力是指通过数据、算法、算力的组合协同，使机器能够自主学习。自主学习的本质是在原有的大模型基础上进行训练与调整，通过优化参数与泛化任务逐步优化算法并提升大模型的性能。一般而言，若大模型抓取和运作的数据无误，那么大模型生成的内容基本上不会存在虚假或错误信息。但是基于自主学习机制，若大模型被恶意数据“污染”或者相应训练数据存在偏差，那么其可能依照恶意数据进行学习从而输出与人类价值观念相悖的信息与观点。例如，微软公司开发的Tay聊天机器人因错误学习用户输入的恶意指令而被迫下架。因此，大模型的自主学习虽然可以使大模型具备动态优化能力，甚至这种反馈学习机制可能引领人工智能领域发生技术范式跃迁，但也不可忽视其中暗藏的系统性风险与治理挑战。
第二，大模型存在算法黑箱与可解释性难题。人工智能与人类理解之间的认知鸿沟，其重要表现之一在于算法黑箱与可解释性难题的并存。算法黑箱是指系统内部决策机制固有的不透明性，使得在缺乏解释技术辅助时，大模型的输入指令与输出结果间的关联不可观测、难以解析。可解释性难题则是指人类理解和解释这种不透明决策过程所面临的巨大挑战，它直接根植于算法黑箱的特性之中。两者虽紧密关联，但前者是系统的客观属性，后者则是人类认知的主观困境。质言之，在认识层面上，人类对于计算机科学技术以及人工智能模拟的结果存在认识盲区。特别是在大模型运行中，可解释性难题凸显，这是因为：其一，算法是大模型运行的核心，其运算本身即具有相对不可知的技术逻辑。算法的本质是计算机根据一系列指令执行或处理数据，该过程通常以计算机编程语言的形式呈现，并不能被大多数社会公众所理解，同时，算法设计者倾向于设计用户黏性较强的算法，用户怠于探知算法的运行机理，因此，算法黑箱持续深化。其二，大模型采用深度学习技术，深度学习的神经网络以及多层数据处理模式使得算法设计者与用户在理解算法的运算过程时存在困难。加之大模型具有自主优化能力，能够在训练中优化算法性能。值得关注的是，尽管算法黑箱与可解释性难题是客观存在的，现阶段实现技术系统的完全透明化仍然存在一定的困难，但是人工智能领域的从业者正积极探寻算法透明化的技术进路，采用“事后解释工具”“集成梯度”等技术尝试破解算法的不可解释性。
（二）
技术链复杂
大模型的技术应用环环相扣，形成紧密结合的、复杂的链式结构，这种链式结构不仅体现在技术架构上，也体现在不同环节相关主体的技术分工上。具体而言，大模型技术链条的复杂性体现为以下两方面。
第一，大模型的技术架构复杂。从微观层面来看，大模型的技术链条覆盖数据输入、数据运作与信息输出过程，这是大模型运行的底层逻辑，也是各类刑事风险的根源。从宏观层面来看，大模型的技术链条覆盖数据训练、模型部署与模型应用过程，这是对大模型技术全生命周期所作的阶段性划分。只有首先在宏观层面把握大模型的技术架构，才能深入微观层面探讨数据输入、数据运作与信息输出环节的具体风险。本文所言的大模型的技术架构是指，在宏观层面对大模型生命周期所作的阶段性划分。一般而言，大模型的生命周期可以分为以数据训练为主的模型训练阶段和以模型调适为主的模型部署阶段。在模型训练阶段，大模型被“投喂”海量数据，基于特定的算法与架构开始进行通用语言能力的学习，经数据训练可以形成预训练模型（又称通用模型或基础模型）。该模型是人工智能应用实现更新的基础。在模型部署阶段，经由模型微调可以将上述预训练模型适配具体应用场景，增强模型的实用性与相关性。模型部署主要是通过模型微调实现的，模型微调是指针对特定的任务调整模型的少量参数使其精准适配于特定领域。经训练与部署后的大模型可以面向公众开放服务。从数据训练到模型部署再到模型应用是一个复杂且资源密集的过程，该过程中所涉主体众多，不同主体的行为交织，给刑法治理带来挑战。
第二，大模型运行中的团队化趋势凸显。大模型的技术架构复杂，单一的学科或个人已无法独立应对研发任务，大模型运行呈现团队化特征，这是大模型技术链复杂的重要表现，也是大模型运行模式由单点技术突破转向系统协作攻坚的重要特征。一方面，链式技术架构正在重塑大模型团队的组织形态。如前述及，大模型具有“训练—部署—应用”的链式架构，这种层次划分要求从数据收集到模型落地的各个环节都应由研究人员严格把控。例如，在模型训练阶段需要算法工程师设计架构、完成算法布局；在模型部署阶段需要系统工程师优化训练框架；在模型应用阶段需要安防人员评估模型的安全性能。另一方面，人才结构的细化也能更好地回应保障技术安全的现实呼声。大模型在快速发展的同时面临伦理失范、数据泄露、算法偏见与输出幻觉等风险，传统的单线运行模式难以有效应对上述风险。基于链式技术架构形成的人才架构可以通过精细化的责任分工，在模型训练、微调部署与落地应用的全过程中监控安全风险，为大模型运行保驾护航。
（三）
风险分层化
大模型运行中的风险分层化是指大模型在运行中存在民事侵权、行政不法甚至刑事犯罪的风险，依据情节严重程度的不同，可能由民法、行政法等前置法律规范进行调整，也可能需要通过刑法进行规制。具体而言，大模型运行中的风险分层化体现为以下两方面。
第一，在前置法层面，大模型运行中存在数据与个人隐私风险、知识产权侵权风险。其一，数据与个人隐私风险。前置法层面的数据风险体现为数据质量风险与数据安全风险，而数据安全风险又牵涉个人隐私风险。大模型的训练以规模庞大的数据集为原料，但是数据集中的数据质量参差不齐，可能导致大模型生成毒害内容。同时，大模型在抓取与处理数据时可能涉及核心数据或敏感数据，若抓取的内容与方式不当，可能违反《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》《中华人民共和国网络安全法》等法律规范。其二，知识产权侵权风险。实践中，大模型生成的内容若与他人享有著作权的作品存在实质性相似，则大模型的服务提供者可能承担相应的侵权责任。例如，在“新创华文化公司诉某科技公司著作权侵权案”中，法院判决大模型生成的“奥特曼”图片与著作权人的作品存在实质性相似，大模型的服务提供者应当承担侵权责任。我国2023年颁布的《生成式人工智能服务管理暂行办法》（以下简称《办法》）第七条第一项明确应当“使用具有合法来源的数据和基础模型”，但“合法来源”与“合理使用”的边界模糊，大模型的服务提供者与使用者面临知识产权侵权风险。
第二，大模型运行中存在刑事犯罪风险。该类风险涉及公共安全、公民权利与社会秩序等关键领域。其一，危害公共安全。生成式大模型基于数据训练，具有模仿人类语言的能力，犯罪分子可能利用有害数据训练大模型，使其生成违背人类伦理与价值观念的内容，宣扬恐怖主义、极端主义，从而危害国家安全与公共安全。其二，侵犯公民权利。大模型通过深度学习可以制作具有高度相似性的虚假图像、视频或音频，能够替换或合成人类的形象或声音，从而侵犯公民的人身权利。并且，大模型可能通过生成虚假的投资建议等方式实施诈骗，通过伪造的数据和分析报告，为被害人提供看似专业的投资建议，从而骗取被害人的财物，侵犯公民财产权利。其三，扰乱社会秩序。大模型的训练和迭代依赖海量数据的 “投喂”，然而，如果训练所需数据是通过非法手段获取的，例如通过黑客入侵或大规模网络爬虫抓取未授权数据、窃取商业秘密或个人敏感信息，那么就可能扰乱数字社会的运行秩序，构成侵犯公民个人信息罪、非法获取计算机信息系统数据罪等。
二、大模型运行中的刑法治理困境
大模型的出现开启了人机协同的新局面，然而，这一趋势正在动摇以“人类中心主义”为根基的现行刑法体系。大模型的自主决策性引发刑事责任认定的难题，技术链复杂则进一步加剧了刑事责任划分的困难。同时，相关法律规范的缺位，也使得具体行为的法律性质难以明确认定。大模型运行中的刑法治理困境本质上是技术特性与法律规则之间的错位，只有系统地厘清上述困境与矛盾，才能对症施策，探寻适配的治理路径。
（一）
刑事责任认定困境
如前文论及，大模型具有自主决策能力，可以不经人类干预作出决策或生成内容，其自主学习能力以及算法黑箱与可解释性难题使得“技术中立”成为研发者、运营者或使用者逃避责任的天然屏障。具体而言，刑事责任认定困境体现在以下两方面。
第一，主观过错证明难题。传统刑法将故意与过失纳入主观构成要件，并且在认定构成故意或过失时往往依赖可解释的行为逻辑，即行为人对自己造成的危害后果是否有认识以及认识的程度、行为人对危害结果的态度。但是大模型的自主学习能力将动摇上述认定路径，具体体现在：其一，大模型可能产生“幻觉”，生成虚假信息。大模型幻觉是指大模型在处理自然语言生成任务时，生成的内容偏离了输入指令或上下文语境，与客观事实相悖。这种幻觉实质上是输出内容的虚假与失真，并非简单的运算错误或被使用者误导。究其根源，大模型无法深度理解并准确运用人类语言所要表达的语义，在学习带有隐喻、情感色彩等颇具主观性的语料时，存在理解上的偏差，从而输出虚假信息甚至有害信息。除去使用者恶意引导的情形，即使初始语料库并未包含虚假或违法数据，大模型也可能在训练过程中发生偏差从而影响生成内容的真实性与准确性。此时生成的内容并非大模型的研发者、运营者或使用者能够认识并且能够作出回应的。其二，大模型自主学习能力的控制难度可能引发“技术反噬”。现阶段，大模型已呈现涌现性特征，基于人类反馈学习机制和深度学习机制，大模型在训练和应用中可能获得令人意想不到的能力，即在模型算法和数据突破一定的阈值后，大模型将具备未被明确编程的、可以处理高度复杂的或综合性问题的能力，这些能力无法简单地通过训练数据被预测，也无法通过调整算法与参数被排除，是大模型自主进化的结果。大模型的自主学习能力越强、模型规模越大，涌现性越明显，其输出内容越难被预测，自主学习能力越容易失控。这种不可预测性使得大模型输出的内容将超出研发者、运营者或使用者的预期，无法进行故意或过失要件的认定。
第二，因果关系认定难题。刑法中的归因判断是指，通过行为人的行为与危害结果间的因果关系确定危害结果可以归属于行为人的行为。在大模型研究中，归因判断需要特别关注算法黑箱与可解释性难题是否会阻断相关主体的行为与危害结果间的因果关系，导致因果链条的断裂。这是因为：其一，因大模型的运作原理不可解释，难以适用传统因果关系理论中的“条件性”判断标准。如前文论及，因算法黑箱的存在，社会公众无法理解大模型运作数据的技术逻辑，大模型作出决策与生成内容的过程具有相对独立性。质言之，大模型输入指令与输出结果之间的算法过程是不可回溯的，输出结果未必是输入指令的真实映射，即输入与输出间并非线性关联，因此，危害结果未必归因于相关主体的研发、运营或使用行为。其二，“技术黑箱”问题难以适用传统因果关系理论中的“相当性”判断标准。对我国当前因果关系理论有重大影响的是相当因果关系理论，相当因果关系理论认为，“从行为时来看，能够在经验上预测结果的发生以及结果实现的因果流程时，则肯定因果关系的存在”。该理论强调，只有当条件关系符合一般人的日常生活经验时，才能认可因果关系成立。但在大模型归因情形中，算法黑箱所形成的技术壁垒阻断了以“日常生活经验”作为评价标准的可能性，一般社会公众无法对输入指令形成符合日常生活经验的认知。
（二）
刑事责任划分困境
大模型“训练—部署—应用”的技术流程与团队协作的运行模式，导致责任主体呈现碎片化特征。大模型的研发者、运营者和使用者均可能实施引发危害结果的行为，归责的关键是如何将危害结果归属于特定行为，即危害结果究竟需要归因于研发、运营、使用的哪一个或哪几个环节。具体而言，大模型的刑事责任划分困境体现在以下两方面。
第一，多方参与的责任划分难题。大模型的分布式计算和参数共享机制导致开发者、使用者、平台等具有风险控制能力的主体多方参与，各方主体都可能存在监管漏洞以致危害结果的发生，因此，承担刑事责任的主体不限于单方主体。例如，在自动驾驶汽车领域，当自动驾驶汽车引发交通事故时，往往牵涉汽车制造商的责任认定。这是因为制造商是大模型自动驾驶系统的研发者，其与驾驶系统间形成了信赖委托关系，制造商有能力评估或预测自动驾驶系统的安全性能，也有能力矫正自动驾驶系统存在的安全隐患，若制造商未能及时应对抽象危险，应当对危害结果承担刑事责任。又如，在生成式人工智能领域，当使用者利用生成式人工智能生成的内容实施犯罪时，往往牵涉生成式人工智能服务提供者的责任认定。这是因为生成式人工智能服务提供者是大模型的运营者，是法益被侵害时因果链条的初始开启者。正是由于服务提供者向使用者提供生成式人工智能服务，才导致法益侵害结果发生。加之我国多部政策文件对服务提供者的行为作出义务性规定，在刑事归责时应当将服务提供者视为适格的责任承担主体。从上述举例中可以看出，大模型在研发、运营和使用环节均存在引致危害结果的风险事由，不能简单地认为使用者是直接引发危害结果的主体、应当由使用者承担刑事责任。
第二，单位犯罪中责任人员范围的限定过窄，引发对技术主管的追责难题。如前文论及，大模型的运行呈现团队化特征，若在大模型的研发、运营或应用环节基于团队意志实施了不法行为，可能成立单位犯罪。但是对大模型运行团队以单位犯罪进行追责存在一个核心难题：现行刑法对责任人员的范围限定过窄。根据《中华人民共和国刑法》第三十一条的规定，对单位犯罪的处罚适用“双罚制”，即对单位判处罚金并对其直接负责的主管人员和其他直接责任人员判处刑罚。对于“直接负责的主管人员”与“其他责任人员”的认定，无论是通说抑或三元区分说，均以“具有一定的管理职权”与“实际参与危害行为”作为判断标准。但在大模型运行团队中，核心技术人员不必然是传统刑法中的“直接负责的主管人员”与“其他责任人员”。例如，算法总监等技术决策人员并非团队主管人员，也并非直接研发算法的责任人员，其仅为研发或运营提供决策或建议，按照传统刑法在单位犯罪情形中对自然人处以刑事处罚的判断标准，技术决策人员并不能受到刑事处罚。实际上，技术决策人员等技术主管人员是大模型研发运营团队中的核心人员，该类人员掌握核心技术，实际操控核心技术的应用与运作，其专业过失极易引致危害结果，应当对这一类技术人员赋予特别义务，将其纳入单位犯罪的追责范围。
（三）
规范供给不足困境
大模型运行中面临前置法层面与刑法层面的风险，但当前法律体系难以匹配大模型技术的迭代速度，现行法律规范无法进行周延规制，大模型的法律治理面临规范供给不足困境。一方面，前置法规范的滞后性以及监管的碎片化严重制约前端技术风险的防控；另一方面，刑法处罚的严厉性决定刑法在治理大模型时处于后置地位，但实践中犯罪行为模式的异化与危害结果的扩大使得刑法须直面规范供给问题。具体而言，大模型运行中的规范供给不足困境体现在以下两方面。
第一，前置法缺位。我国已在前置法层面对大模型治理开展了积极尝试，但仍然面临以下问题。其一，相关规范具有滞后性。我国于2023年颁布的《办法》是大模型技术应用领域的重要法规，是落实《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》和《中华人民共和国网络安全法》等法律文件的重要体现。《办法》重点为生成式人工智能服务提供者设定了服务规范与法律责任，能够有效规制大模型技术在各行业、各领域的应用，但是忽略了对上游研发者与下游应用者的管理。这种将模型部署作为规制重点的治理方针，虽然有利于我国大模型技术的安全发展，值得高度肯定，但是却忽视大模型运行中的全过程风险，因此《办法》“仍有较大完善空间”。并且，在认定相关主体的行为违反前置法规定时，通常以违反相应义务为判断标准，但前置法层面鲜有对各方义务的明确规定，增加了违法判断的成本。其二，监管呈现碎片化特征。在大模型的法治治理中，突出的问题是监管主体失位，缺乏对企业自治的强制性规定。实际上，大模型研发企业是各类风险的源头，其相比于其他主体而言具有明显技术优势，因此，研发企业能够从源头上化解大模型运行中的风险与危机。当前缺乏对企业自治的相关规定，不利于有效防控技术风险。同时，大模型监管中不同地区的立法标准不一，不同部门的审核责任存在交叉或真空，大大削弱了监管成效。
第二，刑法供给不足。大模型的应用改变了传统犯罪的行为模式、扩大了危害结果的程度与范围，现行刑法在应对相关刑事风险时存在局限与不足。具体体现在：其一，犯罪行为模式的演变使得部分罪名的适用依赖于刑法解释。大模型的应用使得犯罪行为模式呈现算法化特征，行为人开始利用算法实施犯罪。例如，通过调整算法使其生成违法内容、利用算法模型截取流量，但是因为刑法并未对算法相关的行为作出具体规定，因此罪名的适用需要经由刑法解释。其二，危害结果的扩张对刑事立法提出新的要求。大模型技术的应用往往借助网络进行传播，其受众与范围是难以估计的，一条“有热度”的视频可能拥有千万级播放量，若其中包含违法内容，其对社会公众的影响将远远超出传统犯罪行为带来的危害。并且前文论及，大模型产生的刑事风险已扩散至公共安全、公民权利与社会秩序等领域，将大模型用于犯罪行为的危害性不可小觑，因此，应当适时增设人工智能领域相关罪名，以防控人工智能应用可能产生的刑事风险，有效应对大模型技术等新兴技术对刑法理论带来的冲击。
三、大模型运行中刑法规制路径的系统化革新
大模型运行中面临刑事责任认定困境、刑事责任划分困境与规范供给不足困境。为保障大模型的健康运行，刑法应当积极纾解上述困境，应对技术进步带来的刑事风险。
（一）
刑事责任认定困境的纾解
大模型的刑事风险与刑法治理困境是风险社会的典型产物，对其进行刑法治理，需要充分认识技术产生的知识壁垒。如前文论及，大模型的自主决策性可能阻断主观过错的认定与因果关系的成立，在厘清刑法治理困境的基础上，笔者提出，应当将“风险管理”作为大模型刑事责任认定的理论支撑，在认定主观过错时，采用“合理开发者”标准；在判定因果关系时，采用概率模型。
1.在主观过错认定中引入“合理开发者”标准
“合理开发者”标准是对现行刑法中主观过错认定标准的革新，笔者将在下文论述“合理开发者”标准的内容及适用原因。
首先，“合理开发者”标准是指相关主体以行业技术、伦理准则、现行法律法规以及风险可控性为判断基准，对自身行为负责。具体而言，大模型的研发者、运营者等未尽到合理的注意义务是认定其具有主观过错的前提。而合理注意义务的确定应以前置法的规定为基础。换言之，在认定相关主体的行为构成刑事犯罪时，须首先认定行为违反前置法所规定的义务，即前置法是“合理开发者”标准中的合理注意义务的来源。当大模型研发者、运营者等未履行前置法规定的义务时，可推定其对大模型引致的危害结果具有预见性。按照“合理开发者”标准，即使大模型生成的内容超出了相关主体的预期，但是若相关主体明知存在注意义务但未履行或由于疏忽未履行，应当分别认定为故意或过失。
其次，现行刑法体系中的主观过错认定标准不利于推进大模型监管。在当前出现的涉生成式人工智能的犯罪中，刑法理论与实务已形成对相关主体主观过错的认定标准，并且，随着利用人工智能实施犯罪的案件越来越常见，在大多数情况下都能肯定人工智能服务提供者具有故意或过失。这是因为现阶段大模型的研发者、运营者与使用者已对大模型生成的内容形成初步认知，即使无法准确预知具体内容，大量案例也使相关主体认识到大模型运行中可能存在的犯罪形式。但是，大模型的自主学习能力犹如“潘多拉魔盒”，其开发越深入，生成的内容越不可预测，相关主体便可依此否认自身具有主观层面的过错，由此，大模型将陷入法律监管的“真空地带”。若放弃对失控大模型的监管，实则是忽略科技发展中的技术风险，这将违背技术理性，甚至对人类进步产生极大威胁。因此，即使大模型的运行后果超出相关主体的预期，也必须责令“守门人”承担相应的责任，筑牢安全红线。
最后，在进行主观过错认定时引入“合理开发者”标准是合理、可行的。传统刑法体系中过失犯的认定往往以高度的结果预见可能性为判断依据。由上文论述可知，“合理开发者”标准并不兼容预见可能性，而是呈现将注意义务延伸至风险前端的趋势。质言之，“合理开发者”标准强调相关主体对各自负责环节的主动审查，积极预防，而非被动履职。这是符合政策导向的。例如，《办法》第十三条明确“提供者应当在其服务过程中，提供安全、稳定、持续的服务”，实际上意味着在进行主观过错的认定时，可以考虑相关主体是否在技术方面展开了尽职调查。需要注意的是，在设定注意义务时应当考虑免责情形的设置，合理全面地设定注意义务。
综上所述，笔者认为应当构建“合理开发者”标准，通过调适注意义务，完成对相关主体主观过错的认定。
2.在因果关系认定中引入概率模型
“概率”原是统计学概念，看似与法律所追求的“确定性”格格不入，但是在风险社会中，概率模型可能成为解释算法结果与相关主体行为间因果关系的有效路径。因果关系判定中的概率模型是指通过概率分析，某一事件的出现增加了危害结果发生的概率，那么可以认为该事件是引致危害结果的表面原因；进一步进行概率测试，若该事件的出现使危害结果发生的概率提升至一定阈值，则可以肯定该事件与危害结果间成立刑法上的因果关系。在现行刑法体系中引入概率模型是合理、可行的。
首先，即使大模型运行中存在算法黑箱，对相关主体进行追责也可能具有合理性。算法不能割裂大模型产生的危害结果与相关主体行为之间的因果关系。原因在于：其一，算法的价值准则需要人为设定。持不同价值判断的人会设计出不同的算法，因此，在算法运行中需要设定伦理规范使其在决策时能够作出正确的决定。这种伦理规范是人为设定的，虽然现阶段人类无法理解大模型算法运行的技术逻辑，但是人类有能力为大模型设定价值准则，使其决策尽可能符合社会伦理。其二，算法的运行需要人类的参与。算法的运行并非完全自主，人类有能力在算法运行的过程中进行干预与监督。尤其是大模型的技术架构塑造了一种人机共生的新型关系，形成了人与技术互动的“请求—回应”关系，大模型依赖于人类指令，并且人类可以设置安全措施进行实时监控。综上所述，即使大模型存在算法黑箱难题，也不能否认人类对算法的支配性，不能割裂危害结果与相关主体行为间的因果关系。
其次，现行刑法体系中的因果关系认定标准存在适用难题。传统刑法理论认为刑法上的因果关系应当具有必然性与确定性，即“危害行为包含着引起危害结果发生的必然根据，危害行为对危害结果的发生起着引起和决定的作用”。但笔者已在上文论及，在人工智能领域，算法黑箱导致因果关系具有不确定性，传统因果关系理论陷入适用困境。社会发展与治理风险如影随形，在现代社会治理中，刑法必须面对具有或然性特征的风险与不确定性问题，因此，需要通过概率计算预测风险。概率模型成为刑法判定不确定性因果关系时有效可行的应对方法。
最后，引入概率模型具有可行性。实践中，很多国家和地区已对概率模型展开积极研究。2019年欧盟责任与新技术专家组在《人工智能与其他新兴数字技术》报告中提出，技术造成损害的可能性可以减轻原告对于损害结果的因果关系证明负担，“可能性”体现了在涉及新兴技术的责任认定时，可以采用概率论的相关方法。2023年美国加州法院陪审团在审理“特斯拉自动驾驶致死案”中，以“统计学显著性关联”的标准认定自动驾驶系统的决策算法与事故间的因果关系，是概率模型的具体应用。在我国刑法体系中，概率模型的引入具备理论兼容性与实践适配基础。通说虽以“必然因果关系”与“偶然因果关系”二分框架为主，但相当因果关系说已作为重要补充被广泛接纳。相当性判断的核心在于“行为导致结果发生的通常可能性”（即概率意义上的高度盖然性），这与概率模型中“统计学显著性关联”的逻辑内核高度契合。例如，在介入因素复杂的案件中（如被害人特殊体质、第三方行为介入），司法实务常借助“通常性概率”排除异常因果链条，实质已隐含概率思维。并且，在科技加速迭代的风险社会语境下，将概率模型引入刑法体系具有显著的制度创新价值，其核心在于通过数据驱动的决策模式，将传统裁判中的主观经验法则转化为可验证的概率参数，从而构建具有动态校准能力的可复现裁判标准。
综上所述，笔者认为可以引入概率模型完成相关主体与危害结果间因果关系的认定。
（二）
刑事责任划分困境的纾解
2023年西班牙发生一起利用人工智能的深度伪造技术生成少女裸照的案件，行为人大肆传播技术生成的照片，甚至利用照片进行勒索，情节恶劣。该案中，除生成照片的人工智能技术使用者外，软件的开发商、运营商均存在不同程度的监管漏洞。笔者认为，在多方参与的大模型刑事案件中，应当以相关主体的风险控制能力为核心，建立全链条刑事责任分配体制，并且应当合理划分大模型团队中相关人员的刑事责任。
1.划分主体责任类型
在大模型运行的全生命周期中需要多方主体参与，应当合理地划分不同主体的刑事责任，需要厘清以下三方面问题：一是承担刑事责任的主体，二是分配刑事责任的依据，三是分配刑事责任的限度。
首先，承担刑事责任的主体是大模型研发者、大模型运营者与大模型使用者。前文论及，大模型的技术链条涵盖训练阶段、部署阶段与应用阶段，训练阶段生成预训练模型，部署阶段生成适配于特定任务的模型。据此，可以根据应用模型的不同将大模型的业态划分为三个层级，即“基础模型—专业模型—服务应用”。在训练阶段负责基础模型开发业务的是大模型研发者。研发者借助人工智能基础设施，辅以算力、大数据、机器学习等技术，进行算法与基础大模型的开发，研发工作的重心在于大模型的技术研发与架构设计。在部署阶段负责开发下游领域专业模型的是大模型运营者。运营者深度介入具体场景，通过调整模型参数、对模型进行专业知识与专业数据的优化训练使其适配于特定领域。运营工作的重心在于大模型的部署调整与日常维护。在应用阶段享受大模型服务的是客户端的使用者，使用者通过输入提示词引导大模型输出相应内容。
其次，分配刑事责任的依据来源于义务规定。涉大模型的相关犯罪多为法定犯，其构成必须同时满足行政违法性与刑事违法性，只有在违反了相关前置法律规范，构成行政违法的前提下，才可能对相关主体的行为进行刑事处罚。而相关主体的行为是否构成行政违法往往与其是否履行了前置法规定的义务相关联。因此，若相关主体未履行相应义务，构成刑事违法的，应当承担相应刑事责任。具言之，前置法应当为研发者设定“安全设计”义务，使其负有对大模型设计过程中的风险进行审查、过滤、自检、纠正的义务；应当为运营者设定“场景审查”义务，使其负有对特定场景进行自主审查、设置防护措施、及时纠正错误的义务；应当为使用者设定“合法使用”义务，使其负有合法依规使用大模型的义务，不得滥用大模型实施违法犯罪活动，并且应当对使用者进行“专业使用者”与“普通用户”的二元区分，为大型应用企业设置高于普通使用者的风险审查义务。
最后，分配刑事责任的限度取决于风险管控范围。大模型运行中不同环节的责任主体对运行风险的管控范围各不相同。其一，研发者的风险管控范围主要集中于算法架构与技术安全。也即研发者的工作重心是管控技术，缺乏对实际应用场景的参与，其能力难以覆盖部署后的环境变量与业务流程风险。其二，运营者深度介入模型应用的具体场景，负责将大模型嵌入具体系统并持续监控其运行状态。由于运营者通常不掌握模型内部的参数细节，因而在对核心技术的管控方面存在局限。其三，使用者在日常交互中通过输入提示内容，其对于防止敏感内容或者违法信息的输出具有一定管控能力。但使用者由于不具备修改模型底层逻辑的能力，无法全面控制模型在复杂场景下的潜在偏差。质言之，相关主体仅可能在其管控范围之内承担相应责任，而不能要求其超出风险管控范围承担责任。
2.完善技术主管人员追责进路
如前文论及，现行刑法对单位犯罪中责任人员范围的限定过窄，会导致对大模型研发应用团队中实际责任人员的追责困境。对此，当大模型的研发或应用引发严重危害社会的结果时，对实际控制大模型关键技术、实际制定大模型安全策略的技术主管人员追责，具有一定程度的必要性。需要厘清的问题是：如何确定承担责任的技术人员的范围？笔者认为可以将“决策参与度”与“技术影响力”作为评价标准。
一方面，“决策参与度”契合刑法对单位犯罪中“负有一定管理职权”的主管人员进行处罚的立法原意。《中华人民共和国刑法》在单位犯罪确立初期存在“单罚制”与“双罚制”的刑罚制度之争，但两种处罚路径均涵盖对单位中自然人的处罚。实际上，单位犯罪虽以单位的名义实施，但犯罪行为的直接领导者是单位中的自然人，特别是能够作出使单位实施犯罪这一决策的主管人员。因此，在单位犯罪情形中必须对单位主管人员进行处罚。但为避免牵涉未参与犯罪决策的主管人员，可将“决策参与度”作为评价标准，对单位中相关责任人员的决策进行评估，确定其是否应当受到刑罚处罚。
另一方面，“技术影响力”满足刑法对大模型单位犯罪中对核心技术控制人员进行处罚的现实需求。在大模型相关犯罪中，若相关责任人员并未参与单位犯罪的决策，还需考察其是否具备一定的技术影响力，不能以“未实际参与”作为逃避责任承担的理由。评估技术影响力需要综合考量该类人员所掌控技术的重要程度、该类人员对技术的掌控程度、即使没有直接应用技术但是是否对技术的采纳与决策产生一定的影响等因素。
“决策参与度”与“技术影响力”是对传统刑法中责任人员范围的突破，实质上扩大了处罚范围，除将现行刑法中“直接负责的主管人员”与“其他责任人员”纳入追责范围，还增加了对技术应用负直接责任的技术主管人员独立担责的情形。
（三）
规范供给不足困境的纾解
完善大模型的法治治理进路，须加强多元主体间的分工协调与统筹监管，通过前置法与刑法的协同配合，形成规范性与灵活性兼备的治理进路，以协同治理的监管理念，促进大模型技术等新兴技术的健康发展。
1.完善前置规范，推行多元共治
在前置法层面系统完善相关政策标准，统一政策规定，建立健全政府、企业等多方参与的协作机制，才能共同应对复杂挑战，实现更有效、更公平的治理格局。
首先，应当明确大模型全生命周期中研发者、运营者和使用者的责任与义务。在为大模型相关主体设定责任义务时应当坚持包容审慎的原则，设定与技术发展水平同步的义务。需要特别注意的是，应当对处于不同环节的责任主体赋予不同程度的义务。具言之，可以为大模型研发者设定高度危险责任，责令研发者对大模型的固有风险承担责任，此处“高度危险”是指通常情况下，大模型引致的某种风险具有超常危险性，这种危险是研发者可以预见的，有别于“技术反噬”产生的风险；可以为大模型运营者设定过错推定责任，《办法》已初步设定生成式人工智能服务提供者的责任，应当在此基础上对各项义务进行细化，明确过错推定原则适用的具体场景；可以为大模型使用者设定基础注意义务，即仅对明显的恶意引导、恶意传播行为承担责任。
其次，应当构建政府、企业、技术社群与公众共同参与的治理架构，避免单向度监管模式的法治困局。传统的社会治理模式本质上是单向度治理模式，在此模式下，政府是监管治理的核心，但是在人工智能社会，传统监管模式具有相当的局限性，应当构建多元共治的治理格局。具言之，政府应划定监管底线，即为新兴技术划定红线；企业是第一责任人，应当赋予其自治义务，确保企业行为在法律法规的框架中进行；技术社群负责制定伦理准则，该社群是由众多企业组成的行业自律组织，可以依据行业内部的技术发展水平制定相关的行业准则；公众享有对大模型进行监督和纠偏的权利，有权举报含有违法内容的大模型应用。
最后，应当建立统一的大模型监管体系，弥合地区之间、部门之间的监管规定差异。实践中，各地区的立法进程不一，各部门的监管责任划分不明，笔者认为可以依据模型参数与应用场景，建立统一的大模型监管体系。该体系依据模型参数的大小与应用场景的不同对大模型进行风险等级划分，进一步根据风险等级确定治理导向与监管部门。对于风险等级较高的大模型，可以根据各地实际设置不同的监管措施，但是应当统一设定较高的监管标准，并且可以将监管责任的划分向技术部门倾斜；而对于风险等级较低的大模型，各地应当设定相对较低的监管标准，监管责任应当向内容审核部门倾斜。
2.加强刑法供给，筑牢安全红线
针对大模型技术等新兴技术犯罪的风险，加强刑法规范供给，织密刑事法网，在关键领域和薄弱环节构筑起不可逾越的安全防线，才能全面提升刑法防范与化解重大风险的能力。
首先，应当明确刑法在参与大模型技术等新兴技术治理时秉持的原则。刑罚具有严厉性，在规制新兴技术风险时，刑法应当有所为有所不为。具言之，刑法应当坚持不阻碍技术发展原则与谦抑性原则。技术革新与风险相伴相生，人类历史上的每一次技术进步都伴随着风险与负面影响，但是谋求社会发展不能因噎废食，刑法是技术进步的“护航者”，应当保护技术的革新与发展。因此，在规制大模型技术风险时，须控制刑法介入的力度与时间。正如前文对研发者所承担义务之论述，刑法在追责时须充分考量相关主体对技术的控制程度，避免挫伤其研发热情。同时，刑法应当发挥社会治理“最后一道防线”的作用，严格把握治理的限度，若前置法有能力从根本上解决或遏制大模型应用中的严重风险，刑法就没有必要将该行为认定为犯罪行为。刑事立法不能作出过于频繁、活跃的修改，其调整需要把握合理的尺度。
其次，可以对部分罪名进行扩大解释以适配大模型应用情形。一是可以对《中华人民共和国刑法》中的“计算机信息系统”进行扩大解释，使其涵盖人工智能系统。人工智能系统是特殊的计算机信息系统，对其进行明确有利于避免司法实践中的争议。二是可以对《中华人民共和国刑法》第二百八十七条第三项“违法犯罪活动”进行扩大解释，涵盖利用大模型实施违法犯罪活动的情形。但在扩大解释的同时需要警惕过度扩张倾向，只有涉大模型违法行为实质提升了犯罪效率或规模，才能进行扩大解释。
最后，应当采取渐进式立法路径，逐步将涉人工智能犯罪的相关罪名纳入《中华人民共和国刑法》体系。涉大模型等新兴领域的犯罪往往是法定犯，刑法应当在前置法对相关违法行为的规制相对成熟时，再介入新兴领域的治理，并且在推进刑事立法时，应尽可能通过增设较少数量的新罪名规制新的犯罪类型。刑法治理大模型的重点在于监督并纠偏大模型全生命周期中各个环节的管理秩序，之所以拓展追责链条，就是为保障研发、运营和使用的每一环节都遵循科学正确的秩序。这种科学正确的管理秩序是确保算法安全的现实需求。现行《中华人民共和国刑法》中的计算机犯罪条文主要侧重保护计算机信息系统的安全，而计算机信息系统安全难以涵盖对大模型技术的安全有效的监管秩序。防控大模型全生命周期的运行风险已超出计算机犯罪条文的规制范围。笔者主张增设“妨害人工智能管理秩序罪”，该罪名区别于传统的计算机犯罪，专门规制实践中利用大模型技术等新兴技术实施引致严重危害后果的违法行为，例如故意规避技术安全审查机制的行为、非法提供大模型规避工具的行为、滥用大模型实施犯罪的行为、生成危害国家安全与公共安全内容的行为等。该罪的构造应以行为人实施了技术滥用行为与该行为具有重大法益侵害风险为构成要件，“妨害”管理秩序既可以指对各类技术研发设备实施物理意义上的破坏，也可以指对抽象的监管秩序的破坏。计算机犯罪条文主要规制通过技术手段破坏计算机信息系统的行为，而本罪的规制范围兼具对行政监管机制的侵害和对技术运行秩序的破坏。
结语
在人工智能技术革命重塑全球治理格局的当下，大模型的深度社会化应用不仅重塑人类社会的认知边界，更对传统刑法理论与刑事责任体系形成全面解构。大模型的自主决策性、技术链复杂与风险分层化特征引致刑事责任认定、刑事责任划分与规范供给不足困境。对此，刑法应当因时而变、因势而新，积极纾解上述困境。大模型技术的迭代与刑事法治的演进始终处于动态博弈之中。大模型引发的刑事责任问题，本质是工业文明向数字文明转型中的制度阵痛。本文提出的主观证明标准、因果关系模型以及责任链条划分有赖于司法实践的推进与理论研究的持续深入。
本文提出的观点与方案并非盖棺之论，实际是在传统刑法理论框架内开辟“技术适配通道”，通过解释论创新维系规范体系的时代生命力。更重要的目的在于通过对大模型技术的剖析与相关刑法问题的探讨，激发学界和实务界对人工智能时代刑事法治的深层思考，共同推动构建兼具前瞻性、包容性、协同性的大模型治理体系，为大模型技术的安全、有序发展筑牢法治根基，为数字文明时代的法治进步贡献智识力量。
原文链接
房慧颖 | 大模型运行中的刑法治理困境与体系化进路
