1. 课程导入与全景认知
人工智能产品责任与侵权风险管理，是一门把技术事实翻译成法律事实、再把法律事实转化为可执行管理动作的交叉实务课程。它要回答的核心问题不是“AI是否危险”，而是：当一个AI产品造成损害时，谁承担责任、依据什么规则、需要证明什么、企业应当提前做什么。学习本课程，目标不是背诵法条，而是建立一套能在研发、上线、运营、事故处置各阶段反复使用的判断框架。
一、先厘清三个核心概念
人工智能产品，指以机器学习、深度学习、规则推理等技术为核心功能，并以软件、软硬一体或服务形式交付的产品。它既包括自动驾驶系统、智能医疗影像软件，也包括推荐算法、智能客服、生成式内容工具。判断是否属于本课程讨论范围，关键看两点：是否具备自主性或半自主性决策，以及是否对外部主体产生可观测影响。
产品责任，传统上指因产品存在缺陷造成他人损害时，生产者、销售者依法承担的侵权责任。其经典构成是：产品存在缺陷、发生损害、缺陷与损害之间有因果关系。AI产品带来的挑战在于，“缺陷”可能不是制造瑕疵，而是数据偏差、模型设计选择、更新迭代、人机交互提示不足等更隐蔽的形态。
侵权风险管理，则是企业在损害发生前，通过制度、流程、技术和证据管理，降低侵权发生概率、减轻责任后果、提高抗辩能力的一整套活动。它与合规管理不同：合规关注“是否违反监管要求”，侵权风险管理关注“一旦有人受损，责任如何分配、证据是否充分”。
二、法律与技术的交叉框架
本课程采用“四层交叉框架”组织知识，避免把法律和技术割裂成两张皮。
- 第一层：主体与角色。 包括AI开发者、数据提供者、模型训练者、产品集成者、部署运营者、最终用户。同一家企业可能同时扮演多个角色，责任边界随角色变化。
- 第二层：技术生命周期。 数据采集与标注、模型训练与验证、产品集成与测试、上线部署、持续监控、更新迭代、退役下线。每个阶段都对应不同的风险点和证据要求。
- 第三层：法律归责路径。 产品责任、过错责任、合同责任、个人信息侵权、名誉权与人格权侵权、知识产权侵权等。不同路径的构成要件、举证责任和抗辩事由不同。
- 第四层：管理控制点。 风险识别、影响评估、技术文档、日志留存、人工复核、告警与召回、事故响应、保险与合同分配。
这四层不是并列清单，而是逐层映射：技术生命周期中的每个动作，都要问“它对应哪个主体角色、可能触发哪条归责路径、应当留下什么管理证据”。例如，模型训练阶段使用未授权数据，可能同时触发个人信息侵权和知识产权侵权；若该模型上线后输出歧视性结果，又可能触发产品责任与人格权侵权。风险管理的关键，就是提前识别这种“一因多果”的连锁关系。
三、实务地图：从风险到证据的闭环
把上述框架落到日常工作中，可以形成一条“风险—控制—证据”的闭环。以智能招聘筛选系统为例：
- 风险识别。 训练数据中历史招聘结果可能包含性别偏好，模型可能放大这种偏差，导致女性候选人被系统性降权。对应主体是模型开发者与部署企业，可能触发人格权侵权与过错责任。
- 控制设计。 在数据层做偏差检测与重采样；在模型层加入公平性约束或后处理校准；在产品层向HR明确提示“系统输出仅为辅助建议，不得单独作为淘汰依据”。
- 证据留存。 保存数据来源与授权记录、偏差检测报告、模型版本与评估指标、人工复核记录、用户提示界面截图。这些材料在诉讼中直接决定企业能否证明“已尽合理注意义务”。
- 结果判断。 上线后持续监控不同群体的通过率差异。若某群体通过率显著低于基准，触发再评估与模型调整，而不是等到投诉发生。
这个例子说明，侵权风险管理不是法务部门的单点工作，而是嵌入产品生命周期的工程与管理动作。法律规则提供判断标准，技术流程提供控制手段，证据管理提供抗辩基础。
四、本课程的学习路径
后续章节将沿着“概念—规则—技术—流程—案例—工具”的路径展开。你会逐步掌握：如何识别AI产品中的缺陷形态，如何区分不同主体的责任边界，如何设计影响评估与文档体系，如何在事故发生后组织证据与应对诉讼，以及如何通过合同和保险转移部分风险。每一章都会尽量给出可操作的判断标准、示例参数和交付物，而不是停留在原则宣示。
最后需要强调：AI产品责任并非要求企业消除一切风险，而是要求企业以与风险相称的注意程度进行设计、提示、监控和响应。能否证明这种注意程度，往往比技术本身更决定责任结果。这正是本课程要训练的核心能力。