2. 生成式AI技术原理与法律接口

要理解生成式AI的法律风险，不能只停留在“AI会胡说”“AI会侵权”这类结论上，而必须把法律问题挂接到具体的技术环节上。大模型的训练、推理、微调与检索增强生成（RAG）是四条既相互衔接又各自独立的技术链路，每条链路上都有不同的数据来源、处理动作和输出结果，因而对应着不同的法律节点。本节先建立“技术环节—法律接口”的对应关系，为后续章节的合规分析提供坐标。

一、训练：从语料到参数，法律风险在输入端集中爆发

大模型训练的本质，是用海量语料反复调整模型参数，使模型学会语言的统计规律。以预训练为例，典型流程是：采集网页、书籍、代码、论文等原始语料，经过清洗、去重、过滤后，按子词切分（如BPE）转为token序列，再以自监督方式做“预测下一个token”的训练。假设一个示例性训练任务使用约1TB原始文本，清洗后保留约600GB，切分为约2000亿token，在数千张GPU上训练数周。这一过程中，法律节点主要集中在输入端：

• 语料来源合法性：爬取网页是否遵守robots协议、是否绕过技术措施、是否违反网站服务条款；购买或授权语料是否覆盖训练用途。
• 著作权风险：将他人作品复制、存储、切分并用于训练，可能涉及复制权、改编权；训练是否构成合理使用，目前各国司法态度不一。
• 个人信息与数据合规：语料中若含姓名、身份证号、联系方式、医疗记录等，需评估是否属于个人信息，是否取得同意或具备其他合法性基础。
• 商业秘密与国家安全：使用内部文档、客户数据训练，可能泄露商业秘密；涉及重要数据出境或敏感领域语料，还需履行相应评估。

训练阶段还有一个容易被忽视的节点：数据留存与模型记忆。模型可能“记住”训练数据中的片段，在特定提示下复现出来，这使训练端的侵权风险延伸到输出端。因此，训练数据的来源记录、授权链条、清洗规则和留存策略，本身就是合规证据的一部分。

二、推理：模型输出即服务，法律风险在输出端显现

推理是用户输入提示词后，模型生成回答的过程。技术上，输入文本被token化后送入模型，模型逐token计算概率分布并采样输出，直到遇到结束符或达到长度上限。推理阶段的法律节点围绕“输入—输出”展开：

• 输入侧：用户可能输入个人信息、商业秘密、违法内容或侵权材料，服务提供者是否负有过滤、拦截或提示义务。
• 输出侧：生成内容可能侵犯著作权、名誉权、肖像权，可能构成虚假宣传、欺诈或违法信息；若输出与训练数据高度相似，还可能引发“实质性相似”争议。
• 标识义务：根据《生成式人工智能服务管理暂行办法》等要求，服务提供者应对生成内容进行标识，防止公众混淆。
• 日志与可追溯：保留输入输出日志，既是安全评估要求，也是侵权纠纷中判断过错与责任的关键证据。

推理阶段的风险具有“高频、即时、不可完全预知”的特点，因此合规重点往往落在内容安全过滤、用户协议、投诉响应和标识机制上，而不是逐条审查每一次输出。

三、微调：在通用模型上注入领域能力，法律接口转向“二次使用”

微调是在预训练模型基础上，用较小规模的任务数据继续训练，使模型适配特定领域或风格。常见方式包括全参数微调和参数高效微调（如LoRA）。以LoRA为例，示例性配置为：基座模型7B参数，微调数据约5万条问答对，秩r=8，学习率1e-4，训练1～3个epoch。微调的法律节点与训练类似，但更聚焦：

• 基座模型许可：基座模型的开源协议是否允许商用、是否要求署名、是否限制衍生模型发布。
• 微调数据授权：领域数据往往来自企业自有文档、客户对话或第三方数据集，需确认是否包含个人信息、商业秘密或第三方著作权。
• 模型权属与输出责任：微调后的模型权属如何约定，微调后输出侵权时责任如何分配，需在合同和技术文档中明确。

微调不是“重新训练一个模型”，而是在既有能力上叠加领域知识，因此它同时继承基座模型的风险，又新增了微调数据带来的风险。

四、检索增强生成：外挂知识库，法律节点前移到检索与引用

RAG通过在生成前检索外部知识库，把相关片段拼入提示词，再让模型基于这些片段作答。典型流程是：文档切分为chunk，经嵌入模型转为向量存入向量数据库；用户提问时，问题同样向量化，检索Top-K相似片段，拼接为上下文后交给模型生成答案。示例性参数为：chunk大小512token，重叠64token，Top-K=5，相似度阈值0.75。RAG的法律节点集中在“知识库”和“引用”上：

• 知识库内容合法性：入库文档是否拥有合法来源和授权，是否包含个人信息、商业秘密或侵权材料。
• 检索与引用的准确性：若检索到错误或过时信息，模型可能生成误导性答案，引发虚假陈述或专业责任。
• 来源标注与著作权：引用他人作品片段是否注明出处，是否超出合理使用范围。
• 访问控制：知识库若按用户权限隔离，需防止越权检索导致信息泄露。

RAG的价值在于把“模型记忆”转为“外部可查”，但这也意味着合规责任从模型参数转移到了知识库治理和检索策略上。

五、把技术流程翻译成合规动作

将上述四类流程放在一起看，可以得到一条清晰的合规思路：训练和微调阶段，重点在于“数据与模型从哪里来、有没有权利基础”；RAG阶段，重点在于“知识库是否干净、引用是否规范”；推理阶段，重点在于“输入输出是否可控、是否可追溯”。企业落地时，不必对每个token都做法律审查，但应当建立与流程对应的控制点：

需要强调的是，四类流程并非彼此孤立。训练数据中的侵权内容可能被模型记忆并在推理时复现；微调数据中的个人信息可能被模型吸收；RAG知识库中的过时信息可能导致错误输出。因此，合规管理应当覆盖从数据进入、模型形成、知识检索到内容输出的完整链路，而不是只盯住最终生成的那一段文字。