国内外AI 企业纷纷发布大模型，好看是好看，就是解决不了根本问题。

当一辆自动驾驶出租车在旧金山街头卷入致命事故，当人工智能生成的深度伪造内容引发股价剧烈波动，当算法驱动的信贷评估系统被指控存在歧视性——一个日益尖锐的问题摆在监管者、企业和公众面前：谁来承担最终的法律责任？ 如果人工智能系统本身无法被追究责任，而其行为后果又无法清晰、公平地追溯至一个适格的法律实体，这项变革性技术的商业前景与广泛应用将面临根本性制约，甚至可能遭遇重大挫折。

 

人工智能，尤其是高度自主的复杂系统（如L4/L5级自动驾驶、自主决策的金融交易算法、独立生成内容的大模型），其行为过程往往超出人类开发者或操作员的实时、精确控制。传统的“产品责任”或“服务提供者责任”框架在应用于AI时，正暴露出显著的局限性：

1. 归因困境： 损害发生时，精确归因于设计缺陷、数据偏差、算法缺陷、部署环境因素还是用户误操作变得极其困难且成本高昂。例如，在自动驾驶事故中，区分是传感器瞬时失效、地图数据错误、边缘场景算法处理不当，还是其他道路参与者行为所致，需要耗费巨资进行技术“黑匣子”解码与复杂的事故重建分析。2024年加州公用事业委员会（CPUC）关于Cruise自动驾驶事件的调查报告，就凸显了这种归因的复杂性和漫长的调查周期对受害者赔偿及企业运营造成的巨大影响。

2. 责任分散与规避： 人工智能的产业链条长且复杂，涉及硬件制造商、软件开发者、数据提供者、系统集成商、云服务提供商、终端运营商/使用者等多个环节。在缺乏清晰法律框架的情况下，各环节主体倾向于将责任推向链条的其他部分，形成“责任分散”效应。这种推诿不仅延误了受害者获得救济，也增加了企业整体的法律不确定性成本。近期针对某大型科技公司AI聊天机器人生成诽谤性内容的集体诉讼，就陷入了关于责任应归于模型开发者、部署平台还是最终用户的激烈争论。

3. “无主”技术的信任崩塌： 商业应用的核心在于信任。当消费者、客户、合作伙伴无法确信AI系统造成的损害会有明确、可靠的责任主体进行赔偿和纠正时，信任的基石便开始松动。金融行业对AI驱动的风险评估工具的谨慎采用、医疗行业对AI辅助诊断的严格监管要求、以及消费者对自动驾驶安全性的持续担忧，很大程度上源于对“出事谁负责”这一根本问题的不确定性。麦肯锡2025年全球AI信任度调查显示，“明确的责任划分”是机构客户采用AI解决方案的第二大考量因素，仅次于数据安全。

法律主体不清带来的问题远不止于个案纠纷，它正对整个AI产业的健康发展产生深远的负面影响：

• 抑制创新投入： 研发机构和科技企业面临巨大的潜在法律风险敞口。无法预估和有效管理的责任风险，使得投资者在评估AI项目（尤其是高风险应用领域如自动驾驶、医疗诊断、关键基础设施管理）时更加谨慎，可能提高融资门槛或要求更高的风险溢价。初创企业在此环境下尤为脆弱。根据彭博行业研究（BI）的数据，2024年专注于高风险AI应用的初创公司A轮融资平均估值较2023年下降了约15%，部分投资者明确将“责任框架不清晰”列为关键风险因素。

• 抬高合规与保险成本： 企业被迫投入巨额资源进行内部风控、审计、冗余设计以及购买高额责任保险以对冲未知风险。然而，在责任主体不明的市场环境下，保险公司难以精确定价AI相关责任险种，导致保费高昂且覆盖范围有限，甚至出现保险公司拒保某些应用场景的情况。这显著增加了AI产品的商业化成本和运营负担。伦敦劳合社市场已开始推出专门的“AI系统责任险”，但保费水平反映了当前极高的不确定性。

• 阻碍有效监管落地： 监管机构在制定规则时，核心前提是明确责任对象。如果无法确定谁应为AI的行为负责，监管规则就难以精准发力，要么失之于宽，无法有效控制风险；要么失之于严，过度束缚技术创新。欧盟《人工智能法案》（AIA）虽确立了基于风险分级的监管框架，并试图明确各环节义务（提供者、部署者等），但在处理高度自主AI造成损害的最终、严格责任归属上，仍需成员国国内法进一步细化，其实际效果有待观察。美国各州在自动驾驶领域的责任立法差异，也给跨州运营的车企带来了合规难题。

• 阻碍技术迭代与数据共享： 对责任的恐惧可能导致企业过度限制AI系统的功能边界，或在数据共享（尤其是涉及潜在敏感后果的数据）上极度保守，这反过来又可能限制AI系统的性能提升和安全性验证。

聪明的读者如您，如何看待这种确实存在的法律风险和问题呢？谁该为AI的“责任真空”买单？