拆解人工智能开放性：超越二元思维的治理框架

作 者：

Parth Nobel（斯坦福大学）

Alan Z. Rozenshtein（明尼苏达大学法学院）

Chinmayi Sharma（福特汉姆大学法学院）

译、编：多尔

来 源：本文载于ICLE官网，原标题「Unbundling AI Openness」，《威斯康星法律评论》（Wisconsin Law Review），2026年（即将出版），《明尼苏达法律研究论文》（Minnesota Legal Studies Research Paper）2025-45，发表于2025年8月27日，最近修订于2025年8月29日，全文详情请点击「阅读原文」

编者按

其他：

人工智能合作与竞争：买亦诟病，不买亦诟病（上）

人工智能合作与竞争：买亦诟病，不买亦诟病（下）

合成数据与人工智能的未来

Big Tech与AI 初创企业的「准并购」是否具有反竞争性？

论文译介 | "轻信型"定价算法中的反竞争相互依存

论文推荐 | 平台将「不透明」武器化——在数字受众测量中的自我优待

生成式AI与版权法下的合理使用

人工智能不是"智能"，而是"行动者"：从能动性角度重新理解 AI

论文译介 | 人工智能与杠杆化策略：反垄断的影响

论文译介 | TDM、生成式人工智能与著作权三步测试

论文译介 | 生成式人工智能时代的机器人投顾监管

关于版权在塑造音乐产业对大型语言模型（LLM）使用中的作用之观察

摘要：

关于人工智能开放性（AI openness）——即是否应将人工智能系统的各项构成部分向公众公开以供审视与改动——的论辩，迫使决策者在推动创新、扩大民主化准入、维护安全以及保障国家安全之间寻求平衡。通过吸纳初创公司与研究人员的参与，开放性能催生独立的监督与包容性的协作。然而与此同时，科技巨头也可能借此强化其既有优势，而对手国家则有可能借助开放性规避多年的研发周期与巨额投入，直接打造出与我们抗衡的系统，例如中国的Deepseek-R1。我们今日如何规制人工智能开放性，将塑造人工智能的未来走向，并决定美国在其中扮演何种角色。

决策者与学者均已意识到人工智能开放性的深远利害，但该论辩却困于一个有瑕疵的前提之上：即人工智能要么"开放"，要么"封闭"。这一危险的过度简化——源自开源软件领域的旧有思维——遮蔽了人工智能开放性背后的核心复杂计算。不同于传统软件，人工智能是一种复合型技术，其构建依托于从计算能力到人力等离散要素层层叠加而成的技术堆栈，而这些要素由利益各异的相关方掌控。每一要素的开放性既非二选一，亦非天然可取。有效的治理要求我们形成一种精细的认知，即各要素的相对开放程度如何在促进某些目标的同时，亦会侵蚀其他目标。唯有如此，我们方能确定所愿接受的取舍，以及如何达成这些取舍。

本文意在为决策者提供实现上述目标的分析工具箱。首先，本文提出一种全新的"差异化开放性"分类法，将人工智能拆解为其构成要素，并展示各要素均存在自身的开放性谱系。其次，本文运用该分类法系统分析各要素的相对开放性如何在政策目标内部与之间引发复杂的取舍。最后，本文将上述洞见加以落地，为决策者提供一套行动指南，以阐明法律如何被精细调校，从而实现要素开放性的最优配置。

人工智能开放性既非全有或全无，亦非天然善恶；它是一种工具，唯有精准运用，方能切实服务于公共利益。

关键词：人工智能、开源软件、开放谱系人工智能、差异化开放性、数据治理

III. 差异化人工智能开放性的校准

当前针对开放谱系人工智能（open spectrum AI, osAI）的默认取向，在很大程度上是被动的且不均衡的——其形塑更多源自技术偶然与制度惰性，而非审慎的治理。核心要素——如模型权重、数据集、以及提示——往往依照开发者的偏好或商业战略决定开放与否，而非基于公共政策的考量。然而，正如第二部分所揭示的，每一要素的开放或封闭程度，均对安全、创新、问责及国家安全产生直接的、且常常彼此冲突的影响。

本部分由诊断转向规制处方，审视决策者可资运用的具体法律与监管杠杆，以策略性地校准人工智能的差异化开放性。本文分析了与责任、竞争政策、知识产权、贸易管制、以及直接政府支持相关的工具，如何针对人工智能堆栈的特定要素加以施用。对于每一领域，本文均确立政策基准，并勾勒出具体干预措施如何用于在竞争性公共目标之间实现更为审慎的平衡。此一分析为设计差异化开放性在要素层面精确校准的政策，提供了一份具体行动指南，从而超越笼统的系统层级指令，推动一个更安全、更具创新性、更负责任的开放谱系人工智能（osAI）生态体系。

A. 责任

责任框架是塑造技术生态中政策结果的最强有力工具之一——但其当前对开放谱系人工智能要素的适用，未能针对具体要素进行细粒度调节，亦未能顾及差异化开放性的取舍。由此，osAI 开发者所面临的责任风险呈现不均且往往适得其反的态势。当下状态造成了两类交叠的问题：一方面是某些要素在缺乏保障措施情况下的过度开放；另一方面是责任风险对负责任透明度所产生的寒蝉效应，而这种透明度本可促进更好的监督与创新。通过改革判例法在 osAI 上的适用，或以成文法取代普通法，决策者可以抑制诸如数据集、模型权重与算力等要素的不受限制的开放，这些开放可能危及安全与国家安全，同时鼓励系统提示与操作记录等要素的负责任开放，因为这些部分能够实现真正的问责。

1. 基准

osAI 的法律责任问题复杂且充满矛盾。对于开发者与使用者而言，开放性既是一面盾牌，又是一柄利剑：既有的法律学说能够使开放组件免于责任，但这些组件固有的透明性亦可能带来独特的法律暴露，使得诉讼的可能性上升。

一方面，现行的侵权法与合同法学说为开发者提供了宽泛的责任豁免，使其能够在不嵌入保障或控制机制的情况下发布部分 osAI 组件——尤其是模型权重与训练数据。

首先，开发者受益于已确立的法律抗辩，而这些抗辩原告往往难以突破。侵权法中的经济损失规则通常阻却因纯粹经济损害（例如系统失灵引发的利润损失）而提起的救济请求，将此类问题归入合同法范畴。但在合同法之下，许多组件所发布的开源软件许可（OSS licenses，例如 MIT、Apache、GPL），几乎普遍地否认担保与责任，以"as is"的方式提供软件，并剥夺用户就缺陷提起诉讼的权利。除经济损害之外，侵权法在教义上亦对因错误信息或偏见性输出而受损的原告设置了障碍，若该损害未伴随可证明的身体或情感损害，则难以获得救济。

其次，osAI 组件的技术性质为反驳过失主张提供了有力论据。确立过失责任需证明被告违反了既有注意义务标准，即未能采取合理措施避免原告受损。反直觉的是，诸如数据集与模型权重等开放组件，因其与专有组件不同，天然难以保障安全，由此赋予开发者一种貌似合理的论据：其并未违反注意义务。一旦开发者发布这些特定组件，即失去对其下游用途的控制。他们可以主张，不应就未能完成不可能之事而承担法律责任：即在一个本质上被设计为可修改、可移除安全机制的系统中，嵌入不可移除的安全特征。若法院认可此抗辩，开发者便几无动力去嵌入或维持诸如一致性层、使用限制、或提示保护等安全组件，而这些尽管可被移除，却仍能抑制许多有害用途。

最后，osAI 生态的去中心化结构对诉讼设置了巨大的实操性障碍。在一个全球贡献者网络中，几乎不可能将具体损害追溯至某一责任主体，例如确定究竟是哪一主体向开放数据集中贡献了 CSAM（儿童性虐待材料）。这一保护伞亦延伸至 osAI 基础设施层的参与者，例如云服务商与托管服务，他们可以主张下游的滥用在法律上过于遥远，难以确立近因关系。他们还可能援引《通信端正法》（Communications Decency Act, Section 230），主张对其系统上由第三方生成的内容享有豁免，尽管此类抗辩的法律可行性仍有待诉讼检验。

另一方面，开放性虽可提供抗辩，但亦可能成为暴露开发者甚至使用者于独特责任形态的漏洞。某些开放组件所固有的透明性——如系统提示、操作记录及控制机制——为诉讼开辟了新的路径，而这些路径在专有"黑箱"（black box）系统中并不存在。一旦这些组件被公开，原告律师团队即可获得一份详尽的系统设计路线图，从而构建过失之诉。这一动态制造了寒蝉效应，使 osAI 开发者担忧增强安全性的透明度反而会加大其法律暴露。

此外，开放性还可能将责任负担转移至 osAI 组件的使用者。法院可能认定，检查、压力测试与改进开放组件的能力，即创造了一项法律义务。换言之，若某一用户在未进行合理审计或未实施增强安全的修改的情况下部署 osAI 模型，而后造成损害，则可能被认定为过失。这种潜在的下游责任，可能抑制对开放组件的采纳，减缓创新。

当前开放人工智能组件的责任格局充满不确定性。但这一基准仅仅是基准而已。决策者完全可以选择偏离此基准，以成文法取代普通法，从而鼓励或抑制某些开放组件的发展与扩散。

2. 改革

法院与决策者可以调整特定 osAI 组件的责任基准，以实现差异化开放性的最优配置——即在竞争性目标之间达到更为理想的取舍。例如，法院可以调整既有法律学说以适应新兴技术，并收窄相关抗辩。他们可以拒绝执行过于宽泛的责任免责声明，尤其在其将 osAI 组件（如模型权重或数据集）视为可预见性导致情感损害（例如非自愿色情 deepfakes）或身体损害（例如针对关键基础设施的网络攻击）的产品时。同样，法院亦可拒绝接受"发布本质上不安全的 osAI 组件并不违反注意义务"的论点，认定在明知滥用不可控且后果不可逆转的情况下仍选择发布不安全组件，本身即为不合理之举。

法院还可以将责任扩展至 osAI 基础设施提供者。例如，法院可能认定某云服务商若托管开放模型，则其若可合理预见其服务的下游滥用，便构成近因因果关系。相比数据或软件分发者，云服务商的法律关联更为紧密，因为他们通常具备监控并干预其平台使用方式的技术能力。对这些处于人工智能堆栈中拥有最高可见度与控制力的主体施加责任，可能较之对所有 osAI 组件分发者适用一刀切的规则，更能实现有效平衡。

最后，法院亦可校准 osAI 用户的责任。与其要求全面的技术审计——此类措施耗费巨大资源且可能抑制采用——法院可以确立一种可扩展的"注意义务"。在过失诉讼中，这意味着要评估 osAI 用户是否采取了与其部署风险相称的合理预防措施。在诸如医疗等高风险领域，这可能形成一种法律预期，即用户在部署前后均须查阅可得之文件资料，如model cards、README 文件或公开的漏洞披露。若 osAI 用户因忽视已知风险而造成损害，则可使其承担责任，从而将责任转移至最有能力管理部署风险的主体。同时，这亦可激励开放组件的开发者在操作记录中更加透明，从而促进该注意义务之履行。

然而，依赖法院调整普通法原则是一种渐进过程，可能无法跟上技术变革的速度。基于此，决策者可以直接介入，对人工智能开放系统（开放式人工智能，以下简称"开放式人工智能"）的责任进行校准。例如，立法机关有权突破现有法律障碍，不论是通过收窄"经济损失规则"、扩大可赔偿损害的范围，抑或明确规定《通讯规范法》第230条不得为利用开放组件构建的人工智能系统所造成的损害提供豁免。此类立法可以对整个人工智能技术堆栈施加前置义务，要求从事构建、托管或分发开放组件的主体，必须预见并监控其工具的下游效应。

然而，任何试图通过立法建立新的责任制度的举措，都可能产生反效果。首先，诉讼风险对于大型企业而言固然只是常规成本，但对于以社区驱动项目为核心的开放生态而言，却可能是"死亡判决"。大多数开放式人工智能项目财力有限，且缺乏保险，极易因诉讼防御费用而陷入困境，从而阻碍新进入者并消灭现有的开放生态参与者。

此外，如果责任框架校准不当，可能在本应保持开放的领域产生寒蝉效应。面对新的法律风险，开放式人工智能开发者可能会回避透明化，关闭诸如操作记录等组件，以避免其被用作过失的证据。同样，如果商业用户面临新的审查义务，可能直接放弃采用开放组件，认为其所需的财务和技术负担过重。即便是最有能力吸收诉讼成本的算力提供者，也可能为了规避新的监控义务及其附随风险，而选择限制服务的可获得性。结果可能是一个更加不透明、缺乏创新、亦不安全的生态。

早期的立法提案已经揭示出，在差异化开放的语境下校准政策的艰难。加利福尼亚州提出的《前沿人工智能模型安全与保障创新法案》（又称第1047号议案），虽最终遭到否决，却拟对前沿模型的开发者施加前瞻性义务，要求进行安全认证，并因未能充分缓解滥用而导致的可预见损害承担责任，且并未对开放式人工智能提供豁免。然而，该法案曾遭到批评，认为其过于"钝化"，可能因责任风险与复杂的安全程序成本而"打击开发者开源其模型的积极性"。

类似地，欧盟《人工智能法案》对通用人工智能模型的提供者施加文件化、风险管理和合规义务，并使其承担一定责任。同时，该法案也暴露出在缺乏对人工智能技术堆栈差异化开放的深入理解时立法的风险。例如，该法案豁免了许多"开源"模型的透明化要求（只要其公开模型权重、架构与使用数据），从而使得开放式人工智能开发者可以在部分开放组件的情况下获得优待，而将更为关键的组件（如训练数据集）屏蔽于公共监督之外。即便该法案适用于某些高风险的"开源"模型，也未能要求披露数据集，而数据集理应在安全与民主控制的名义下接受一定程度的监督。

一种更为精细的立法路径，应当将责任下移，集中施加于开放组件的商业用户，而非尚未商业化的开发者——这一点在开放式人工智能生态中被第1047号议案与欧盟《人工智能法案》所忽略。例如，欧盟拟议中的《产品责任指令》就提供了一个颇具前景的模式，其明确为不从事商业活动的开发者设定"安全港"，从而在保护上游非商业创新的同时，确保责任归属于实际商业化并部署开放式人工智能技术的"经济经营者"。

另一种立法干预途径，可以通过强化劳动环节中的开放性来促进责任追究，即便技术组件处于封闭状态。例如，加强举报人保护与反报复机制，即可借助"人"的因素，识别风险决策的源头。这一举措为人工智能技术堆栈引入了一种透明性维度，使责任依然得以作为促进安全的工具，而不必依赖最容易被滥用的组件（如模型权重）的完全开放。

最后必须注意：即便是最为精确校准的责任制度，也可能与宪法界限发生冲突。《第一修正案》可能限制对某些软件或数据型开放式人工智能组件的发布或分发进行规制——例如源代码、数据集、系统提示或模型权重——如果法院将其视为信息，则其属于受保护的言论形式。事实上，具有里程碑意义的伯恩斯坦系列案件已经确立，软件源代码作为研究人员之间思想交流的载体，构成受保护的言论，而对其分发施加规制负担即构成违宪的事前限制。

即便此类判例未被适用于数据集与模型权重等其他组件，个人仍可能主张其享有通过获取并使用开放式人工智能组件来接受信息与思想的权利，从而独立触发《第一修正案》的保护，尽管其宪法审查的强度可能较低。尚未解决的问题在于，那些虽能启用人工智能功能但缺乏人类可读性的组件——如模型权重、源代码、系统提示与操作控制——是否同样属于表达行为；若是，法院又将适用何种审查标准。宪法对开放组件保护的边界仍属不明，因此决策者若欲对其分发施加责任，必须准备好在言论自由权利与开放式人工智能治理之间驾驭这一模糊的界限。

鼓励在开放式人工智能系统中形成适当差异化开放配置的竞争政策，是激发创新与强化全球领导力的关键，但其不得以牺牲安全与民主控制为代价。人工智能生态系统表现出高度集中化特征，仅有少数企业支配着技术堆栈的各个层面——从算力与数据到基础模型与部署平台——而现有的执法格局有限且常常自相矛盾。要对抗此类垄断性危害，亟需一整套潜在的改革工具，包括事前的结构性规则、更新的事后反垄断执法，以及旨在开放人工智能技术堆栈中关键非技术性要素——即劳动市场——的政策。

AI 生态系统呈现出极度集中化。在整个 stack 中，少数企业主导了训练数据的获取、基础模型的开发、关键计算硬件的供应、AI 商业化的发展平台，以及可用的人才专长。此一结构性现实，再叠加长期以来对反垄断执法的"轻触"态度，正如前联邦贸易委员会（FTC）主席Lina Khan 所指出的，已缩小了能够参与该生态的市场主体范围。尽管近期有所努力，如 2024 年美国司法部（DOJ）与FTC 对 Nvidia、Microsoft 与OpenAI 等公司的联合调查，显示出向更为积极的执法方向转变的可能，但在新一届Trump 政府之下，这些调查能否真正转化为诉讼仍属未定，尤其考虑到该政府的去监管立场，以及其近期为推动美国 AI 领导力所作的倡议。

这种集中化并非没有优势。在全球技术竞赛中，整合或许是一种战略必需，从而培育具备规模与资源的"国家冠军"，以击败国家支持的竞争对手。依此观点，一个分散的市场或许效率更低。从监管角度看，主体数量较少也便于监管者进行监督与执法。然而，此种集中化的基线却付出沉重代价。它剥夺了支配性企业在投入有意义的安全防护、支持开放科学、或优先考虑民主问责而非市场控制方面的竞争压力。甚至，它可能带来独特的国家安全风险，因为全国大部分 AI 能力均集中于少数几个高价值目标之手。

竞争政策提供了一套强有力的工具，以通过校准差异化开放来对抗当前 AI 生态系统的垄断性危害。如前所述，仅仅开放部分组件（如model weights）是不足的，若其他组件（如算力与专有datasets）依然封闭。真正的去中心化取决于对核心要素的可检视性、可复用性与可再构建性，以及支撑 AI 引擎之人才的流动性。以下干预措施，针对 AI stack 的不同层次，可被用于释放创新并强化民主控制。

最直接的干预措施是通过事前规则规制现有基础设施，借鉴更广泛的网络与平台规制范式。例如，结构性分离政策——禁止单一企业在市场的不同层次同时运营——可通过强制手段打破现有公司对 AI stack 多个层次的控制。例如，一家公司不得同时开发 基础模型并提供支撑生态系统的关键云计算服务。这将防止纵向整合企业通过限制访问、抬高价格或优先其自身部署的方式，使 osAI 竞争者处于不利地位。同时，它亦可防止那些掌握下游云服务使用情况信息的公司，在相关应用一旦被验证成功后，基于此优势提供更优版本，从而扼杀第三方应用的生存空间。

一种较不刚性的替代方案是反歧视义务，其规制对象为企业行为而非公司结构，要求支配性企业——尤其是算力提供者——须以公平、合理且非歧视性（FRAND）条款向 osAI 竞争者提供服务。最后，互操作性强制，如要求采用 Anthropic 所提出的 MCP 等标准化模型与数据接口的协议，可解决供应商"锁定"问题。通过强制 AI stack 组件之间的技术兼容性，互操作性使用户能够在平台之间迁移——例如，从缺乏互操作性的专有硬件迁移至开源替代方案——而无需重构其整个系统。

尽管这些工具为打开市场提供了广泛选项，但其各自带来取舍：结构性分离可能抑制纵向整合带来的效率，并在新分散的市场中增加辨识"安全提供者"的难度；而反歧视与互操作性规则则对监管者施加了显著且持续的监控负担。

在结构性规则之外，更新的事后反垄断执法同样可显著改善竞争格局。监管机构可实施更严格的并购控制，以阻止有潜力的研究实验室或数据提供者被收购，尤其需警惕科技巨头通过重大投资与许可协议，而非直接收购，来"变相收购"公司的新策略，并重新审视云服务领域的掠夺性定价。此外，还可更积极地规制支配性企业的其他排他性行为，例如，企业在初期开放或至少宽松提供访问 model weights 的 API，随后却利用第三方依赖关系来攫取租金。此种方法亦可被改造以打击"开放洗白"——即企业虚假宣称开放性以博取声誉红利，而事实上却隐匿关键组件。诸如 FTC 等监管机构可将误导性的开放性声明（例如，偏离 OSI"Open Source AI Definition"这一明晰基准的行为）视为"在或影响商业中的不公平或欺骗性行为"，即不正当贸易行为，并利用清晰的基准区分真正的 openness 与单纯的市场宣传。

但必须强调，执法应始终具备组件特异性。阻止两大数据提供者的合并可能有助于逆转寡头格局，而禁止对小型初创企业的收购，则可能抑制创业活力，因为许多初创企业创始人的动力正源于"退出"，即被大型企业收购的前景。

最后，竞争政策还能够在一个关键的非技术性要素——劳动市场——中促进开放。竞业禁止协议在实践中限制了劳动流动性，并减缓了安全知识与技术专长在整个产业中的扩散。正如 FTC 所指出的："为了确保市场的竞争性与创新性，至关重要的是，具有创新思想的优秀人才必须能够自由流动，并且，尤其关键的是，不得受到竞业禁止条款的阻碍。" 正是这种对劳动流动性的赞许，孕育了硅谷。因此，对竞业禁止及其他限制性雇佣实践的积极规制，对于确保人力专长——这一 AI stack 的核心要素——能够自由流通，具有根本意义。

译/编者简介：北大法本/芝大法硕/律所工作几年/把读书视作对同胞的道德义务/把工作视为表达自己的首要途径/探索一切未知而迷人的分散性知识中🐳