原文发表于2024年的《人工智能与法》杂志（Fernández-Llorca D, Gómez E, Sánchez I, et al. An interdisciplinary account of the terminological choices by EU policymakers ahead of the final agreement on the AI Act: AI system, general purpose AI system, foundation model, and generative AI [J]. Artificial Intelligence and Law, 2024: 1–14）。译校者在此致谢作者的翻译授权以及同济大学法学院朱悦助理教授在沟通授权方面的协助。本译文发表在《网络法律评论》（第27卷，2025 年 12 月出版），廖慧姣 译 张韬略 校。

目次 

一、引言

二、人工智能系统

三、通用人工智能系统

四、人工智能系统VS人工智能模型

五、基础模型

六、生成式人工智能

七、结论

摘要：通过将人工智能研究和创新生态中快速发展的技术概念与术语整合至法律领域，欧盟的《人工智能法》构建了一个开创性的监管框架。为了确保立法的效力，法案中的具体定义必须使得人工智能技术专家和法律从业者都便于理解。本文旨在通过对最终政治协议之前不同版本法案（委员会提案、议会立场和理事会一般立场）中“人工智能系统”、“通用人工智能系统”、“基础模型”和“生成式人工智能”等术语定义进行跨学科分析，加强技术和法律界对这些关键术语的理解，并为人工智能法的准确实施做出贡献。同时，本文从法学和技术角度合理界定“人工智能系统”这一概念，探讨了该定义的技术基础及其在法案中的关键作用，并将这些讨论成果与通用人工智能系统这一概念及其在法案谈判阶段的嬗变分析相结合。此外，本文还区分了人工智能系统与人工智能模型之间的概念差异，并探究了基础模型这一术语所隐含的不同技术细节。本文认为，“基础模型”术语的定义应基于标准化评估与其通用能力相关联。最后，本文探讨了“生成式人工智能”的定义，认为将“内容”作为系统输出之一的“人工智能系统”术语已经包含了这一概念，并得出并非所有“生成式人工智能”都以“基础模型”为基础的结论。

关键词：人工智能系统  人工智能模型  通用人工智能  生成式人工智能  基础模型  人工智能法

一、引言

自欧盟委员会在2021年4月提交《人工智能法（提案）》（the proposal for the Artificial Intelligence Act）以来[1]，人工智能领域的市场和技术发展发生了翻天覆地的变化，其中包括了像ChatGPT等类似工具的问世[2]，这些工具展示了大型语言模型的通用能力。这些发展引发了公众的广泛关注，促使欧盟立法者在当前的《人工智能法》谈判中特别关注这些议题。[3]

与成员国的立法程序不同，欧盟的大部分法律均为三大机构协同作用的结果。具体而言，欧盟委员会（European Commission）作为执行机构，享有通过起草并发布法律草案来启动立法程序的权力。该草案将同时提交至由欧盟公民直接选举出的欧盟议会（European Parliament）及代表欧盟27个成员国政府的理事会（Council）。因有权基于达成一致的法律文本通过最终法案，欧盟议会与理事会被称为“共同立法者”，它们分别依据内部程序形成各自立场，并体现为诸如对委员会提案提出的一系列修正案。为更为有效地寻求共识，欧盟议会、理事会与委员会之间形成了“三方会谈”（Trialogues meetings）惯例，由各自授权的代表基于其最初立场开展政治协商。三方会谈中所达成的任何政治协议，均需转化为完备的法律文本，并获得共同立法者的认可。委员会虽然在三方会谈中不享有法定的决策权，但其通过向其他两机构提供技术支持，仍然发挥着重要影响。[4]

共同立法者在其表达的立场中，尤其是理事会2022年12月提出的一般立场（General Approach）[5]和欧盟议会2023年6月通过的文本[6]，引入了新的术语和概念，特别是“通用人工智能系统”（General purpose AI system）、“基础模型”（Foundation model）和“生成式人工智能”（Generative AI），并事先制定了相应的特别条款。这些术语和概念丰富了研究界所使用的专业术语生态。[7]

法律术语的选择至关重要，它将对人们制订的法律规则的适用效果产生深远的影响，尤其是在人工智能这样高度跨学科的领域。[8]

本文旨从技术和法律的视角来呈现并解释这些术语和概念，以促进其正确理解。为了给读者提供有用的背景信息，本文还将专门阐述委员会提案中的“人工智能系统”（AI system）的概念。

本文的讨论仅基于2023年12月9日达成最终政治协议之前，三个欧盟机构分别通过的文本。鉴于本文撰写时，《人工智能法》的最终文本尚未公布，因此本文不对之进行任何评价。尽管如此，本文相信此处所提供的分析，足以为正确理解这些已通过条款提供相应的背景信息和工具，这些条款为共同立法者基于各自立场谈判的结果。

二、人工智能系统

《人工智能法》中最具影响力的一大概念是“人工智能系统”的定义，它决定了哪些系统将被纳入该法案的监管范围，并根据其风险等级受到相应监管要求和义务的约束。

表1展示了本文所讨论的“人工智能系统”的不同版本的定义。尽管《人工智能法》的序言以及经济合作与发展组织（Organization for Economic Co-operation and Development，下文简称OECD）的其他解释文本中与该术语相关的内容都非常值得探究，但出于简洁起见，本文不对其展开分析。在欧盟法律中，序言可在执行条款存在歧义时提供辅助性的解释信息，但其本身并不享有法律约束力。

正如马齐尼（Mazzini）和萨尔佐（Scalzo）所指出的[9]，《人工智能法》遵循了一种被称之为“新立法框架”的欧盟产品法的立法逻辑，“人工智能系统”被视为一种产品。与其它产品法一致，人工智能系统的预期用途（即提供者所预期的用途，包括具体使用环境和条件：委员会提案第3(12)条）将发挥关键作用，包括风险级别的分类标准等。

委员会旨在提出一个能够排除传统软件的“人工智能系统”定义。理由正如委员会在《规制人工智能的影响评估》[10]中所言明的，传统软件缺乏人工智能系统所特有的典型特征和挑战。同时，该定义应具有足够的包容性，以包括机器学习、符号主义等其他人工智能技术和方法。此外，它还应能够适应该领域的新发展。就像萨莫伊利（Samoili）等学者所指出的[11]，《人工智能法》中的“人工智能系统”定义应服务于监管目标，以期为运营者提供明确的法律指引。因此，科技文献或其他非约束性政策文件中提出的其他“人工智能系统”定义，原则上难以满足这一目的。

为确保欧盟立法倡议与国际论坛中出现的概念保持一致，委员会借鉴了OECD在其2019年发布的《人工智能理事会建议》中所提出的“人工智能系统”定义[12]。然而，鉴于OECD的定义原本并非用于监管目的，因此委员会在提案中对其进行了一些完善。

首先，委员会采纳了“软件”而非“基于机器的系统”这一术语，目的是与欧盟其他立法文件中已确立的“软件”保持一致。例如，《医疗器械条例》（Medical Devices Regulation）将“软件”视为医疗器械进行监管，其中软件可以包含或本身就是人工智能系统。其次，委员会强调人工智能系统“能够针对人为设定的特定目标产生输出”，并指出这些输出可以包括“内容”（Content）。第三，委员会引入了一项新要求，即软件应“采用附件I中指定的一种或多种技术和方法开发”。为了确保法律的明确性，附件I列出了一系列机器学习、基于逻辑和知识的方法以及统计建模等技术，这些技术可通过授权法案进行更新。

尽管在选择上存在差异，但理事会和议会都普遍希望将“人工智能系统”的定义尽可能地与OECD的表述保持一致。

在理事会通过的《一般立场》中，理事会决定删除附件I中的技术列表，并将附件I原用于阐述和详细举例的概念整合进定义之中，即“采用基于机器学习和/或基于逻辑和知识的推理方法来实现特定目标”。此外，理事会使用“系统”一词替换“软件”，引入了“自主性要素”（Elements of autonomy）这一新概念，并强调了数据与输入之间的关联。

与理事会一样，议会删除了附件I，但整体上较少偏离OECD所提出的概念。其中，议会删除了委员会提出的“内容”一词，并以“基于机器的系统”一词取代了“软件”，同时采纳了OECD关于“不同程度的自主性”（Varying level of autonomy）的表述。

相较于理事会所采纳的定义，议会所提出的定义并未提及人工智能的方法，亦未明确系统如何运用推理过程以达成目标，这将导致人工智能系统与非人工智能系统之间的界限变得模糊不清。此外，议会与理事会关于“人工智能系统”定义的差异还体现在，例如，删除了“内容”一词，采用了不同的自主性概念（使用“不同程度的自主性”而非“自主性要素”），以及为系统目标增加了“明示或暗示”的限定。

在欧盟进行立法审议的同时，OECD一直致力于修订其最初提出的“人工智能系统”定义。这一修订工作最终在2023年人工智能理事会的建议中落实[13]，并于2024年发布了包含概念更新后的解释性备忘录[14]。值得注意的是，修订后的OECD定义纳入了在欧盟层面曾引发争议的要素，特别是为了明确区分人工智能系统与更传统的软件系统，如“推理……如何生成输出”的要素，并提及“内容”是人工智能系统的一种输出。

三、通用人工智能系统

“通用人工智能系统”这一术语首次见诸于《理事会的一般立场》。在理事会就人工智能价值链中各参与方的角色与责任进行讨论之际，该术语作为一个新概念被提出。例如，这些参与方的软件工具和组件可被下游供应商用于开发处于《人工智能法》监管范围内的人工智能系统（例如高风险人工智能系统）。“通用”这一表述很可能源自人工智能系统的核心概念“预期用途”（Intended purpose），尽管这两个概念不应被视作互相对立。

事实上，在关于《人工智能法》的讨论中，法律术语“预期用途”常常被误解为“特定用途”（Specific purpose）。这种混淆可能源自于所有高风险人工智能系统（《人工智能法》的大部分条款都与之相关）都有其特定的预期用途（例如评估个人信用度、筛选求职者简历等），如前所述，“预期用途”是《人工智能法》对这些系统进行分类的核心逻辑。然而，正如定义本身所明确的（第 1(12) 条），“预期用途”的概念仅指“提供商预期人工智能系统的使用用途”，无论该使用是通用还是特定目的。

在提案引言的第六十条中，委员会认可了人工智能价值链的复杂，并强调了相关第三方与人工智能系统供应商之间合作的重要性，以便后者能够履行其在《人工智能法》下的义务。此类合作保留了相关主体的合同自由，并与产品法的立法宗旨相一致，将监管合规明确为最终（高风险）人工智能系统提供商的责任。理事会将“通用人工智能系统”这一概念界定为“供应商预期其能够执行一系列通用功能的人工智能系统，包括但不限于图像和语音识别、音频和视频内容的生成、模式检测、问答互动以及翻译等；通用人工智能系统可适用于多种应用场景，并且能够集成至其他人工智能系统中”（参见《一般立场》第 3(1b) 条款）。

根据理事会提出的立法文件，通用人工智能系统的核心特性体现在其既可作为下游人工智能系统中的一个组件，被纳入《人工智能法》的相关监管范畴，亦可独立作为受该法案监管的人工智能系统（参见理事会一般立场第 4b(1) 条及第 12c 条）。

鉴于前述因素，理事会建议对这类人工智能系统的提供商施加特定的要求与义务（与适用于高风险人工智能系统的要求与义务高度一致）。一方面，这些要求与义务将促进人工智能价值链中责任分配的平衡（特别是当这些系统作为高风险人工智能系统的组件被集成时）。下游供应商将从上游提供商的合规行为中获益。另一方面，委员会提出的方法也将确保这些系统符合《人工智能法》的相关要求。因为尽管提供者是“通用性”意图，但基于其通用功能，这些系统可能被用作高风险人工智能系统。为了保证通用人工智能系统的新规则符合《人工智能法》以风险为导向的立法逻辑，理事会明确指出，若通用人工智能系统的提供者已经善意地排除了所有高风险用途，则无需遵守这些特定要求与义务。

根据理事会所给出的定义，通用人工智能系统涵盖了能够生成内容的系统，包括音频、视频以及文本（例如问答、翻译）等。因此，诸如ChatGPT这样的人工智能系统（由OpenAI于2022年11月30日推出，即在理事会制定其一般立场期间），可被视为符合理事会所提出的通用人工智能系统概念的一个实例。

然而，理事会对于通用人工智能系统的定义似乎更为宽泛，因为它同时涵盖了所谓“狭义”的人工智能系统，即通常限于执行较为有限的任务或功能的人工智能系统，例如在特定领域进行图像和语音识别或模式检测。尽管这类人工智能系统与前述展示更广泛能力且能执行多种任务的系统存在差异，但它们同样也是人工智能价值链的一部分，并且可以作为组件被集成至下游的（例如高风险的）人工智能系统中。

议会针对通用人工智能系统提出了不同的定义，将其称为“可用于和适应广泛应用的人工智能系统，这些应用并非有意或专门设计的目标"（第 3(1d) 条）。这一定义似乎排除了上述狭义的人工智能系统，本质上只关注那些能够处理超出特定训练目标任务的系统。因此，该定义更直接地指向了自ChatGPT问世以来，公众所熟知的那些具有强大能力的人工智能系统。

本文专注于探讨在《人工智能法》背景下，三个欧盟机构所采用的术语。值得注意的是，不同群体（包括科技界以外的人士）常常交替使用若干其他术语来指称诸如ChatGPT这类人工智能工具及其相关底层技术，例如生成式预训练变换器（Generative pre-trained transformers）。这些术语涵盖了大型预训练模型（Large pretrained models）、大语言模型、基础模型、前沿模型（Frontier models）以及生成式人工智能。

四、人工智能系统VS人工智能模型

考虑到前述术语的变化，明确人工智能模型与人工智能系统之间的差异具有重要意义。简而言之，系统这一概念较模型而言更为宽泛，因为后者仅为前者的组件之一。

人工智能系统由多种组件构成，这些组件不仅限于模型，还包括接口、传感器以及常规软件等元素。从科学与技术的视角出发，国际标准化组织（ISO）[15]将人工智能模型定义为“系统、实体、现象、过程或数据的物理、数学或其他逻辑形式的表达”，而机器学习模型则被定义为“一种基于输入数据以生成推理或预测的数学结构”。

因此，模型若不与其他软件组件集成为系统，则无法发挥效用，亦即根本无法使用。实际上，正如容克勒维茨（Junklewitz）等学者所强调的，唯有系统方能执行任务并顺利运作，这包括与用户、其他基于机器的系统以及更广阔的环境进行互动[16]。以ChatGPT为例，它是一个人工智能系统，是一款聊天机器人，而GPT 3.5才是驱动该聊天机器人的核心模型。

在非技术性对话中，“系统”与“模型”这两个术语在涉及诸如ChatGPT以及类似应用的人工智能工具时常常被交替使用。然而，若不仅在人工智能系统层面，而是在构成该系统的各个组件（例如人工智能模型）层面制定具有法律约束力的规则，那么这两个概念之间的差异便显得至关重要。

实际上，与理事会为新类别的通用人工智能系统制定附加规则的做法不同，议会决定在人工智能价值链的上游环节引入新规则，并提出了基础模型（Foundation model）这一概念。基础模型被定义为“一种在广泛数据上进行大规模训练的人工智能模型，旨在实现输出的通用性，并可适应各种不同的任务”（第 3(1c) 条）。相应地，议会为这些基础模型的提供商设定了多项义务，包括：进行风险评估与管理、实施数据治理、满足模型的可预测性、可解释性、可纠正性、安全性和网络安全的性能要求、降低能耗并提高能效、准备技术文件、建立质量管理系统以及进行备案（第 28b 条）。

在人工智能的价值链中，与任何其他的组件相同，人工智能模型亦可由人工智能系统最终提供商之外的第三方提供，而最终提供商决定人工智能系统的使用目的。因此，重点在于合理考虑上游人工智能模型可能涉及的任何义务，确保其适当性、可行性，并根据相关参与方的角色定位进行调整。例如，在复杂的工程产品中，包括软件在内的组件可能由多个主体提供，并最终由某一个制造商或开发者进行集成。除人工智能模型供应商提供的工具之外，人工智能系统的提供商通常也拥有其他工具以应对潜在的风险（例如用于适应特定应用或场景）。

鉴于人工智能模型的提供方式多样，其情形可能会变得更加复杂。例如，当模型以软件库的形式提供时，模型的提供商可能难以掌握模型在下游的部署情况，亦无法确保模型的使用不会引发问题或事故。

尽管如此，这并不代表人工智能模型的提供商在合规方面无需承担任何责任，特别是在下游法律合规可能依赖于仅提供商所持有的信息的情况下。因此，似乎有必要要求上游提供商对下游人工智能系统的提供者保持适当程度的透明度，以缓解知识不对称的风险，并确保总体责任的分配正义。

五、基础模型

“基础模型”这一术语由斯坦福大学人本人工智能研究所（the Stanford Institute for Human Centered Artificial Intelligence）于2021年8月提出。该概念所指的是一种新兴的机器学习范式，即在大量数据集（大规模且广泛的数据）上进行预训练的大型模型，其可应用于众多下游任务及应用。[17]

在机器学习领域，针对特定任务对模型（基础模型）进行预训练，并将其调整以适应不同任务或任务集的方法十分常见。这通常依赖于迁移学习（Transfer learning）技术，依据特伦（Thrun）和米歇尔（Mitchell）的解释[18]，即通过微调的方法（也即使用另一项任务的新数据，重新计算预训练模型的参数）将从一个任务中获得的知识调整并应用于另一任务。

然而，当这种机器学习方法应用于基础模型之上时，将展现出不同的维度差异。其主要体现在模型的通用能力上，这主要源于模型的架构和规模（例如神经网络中的参数数量）、训练数据和计算规模，以及训练方法的不同。

在训练过程中，基础模型通常关注于通用的学习目标，这些目标主要集中在数据结构本身，即直接从数据属性中提取表达，而无需依赖特定的标准答案。学习目标的实例包括根据句子预测下一个单词、依据文本提示来捕捉图像的分布，或者捕捉并编码数据（包括图像、音频或文本）的代表性特征。

基于目前所处的技术发展和架构阶段，模型的性能很大程度上受到其本身规模以及训练数据的数量和质量的影响。值得注意的是，这些相关规模（例如模型规模或数据量）又会因模态（即文本、图像、视频或音频）的不同而有所差异，并会持续发生变化。例如，德林（Devlin）等人在2019年提出的BERT语言模型[19]，因其包含3.4亿个参数并在一个约包含有33亿个标记的数据集上进行训练，被视为是在超大数据集上训练的超大模型。然而，四年之后，大型语言模型的标准提升为具有数百亿或上千亿个参数并在超过1万亿个标记的数据集上训练的模型（例如，图荣（Touvron）等人发布的最先进模型Llama 2[20]，包含700亿个参数，并使用2万亿个标记数据集）。

鉴于定量因素可能随着技术进步而发生显著变化，任何试图以规模（如数据量、模型参数或训练算力等综合指标）界定基础模型范围的法律定义，都应内置一种灵活且能够及时更新的机制，以确保该定义能够适应未来的发展。同时，必须重视技术进步（例如新型神经网络架构）所带来的潜在影响，即便模型参数较少或使用较少的数据和算力进行训练，也可能展现出强大的性能。如图2的数据显示，尽管模型训练所需的算力是预测其性能的关键因素（以MMLU基准为例）[21]，但有证据表明，数据质量、模型架构等其他因素同样发挥着不可忽视的作用，这便解释了为何像Phi-3 3.8b这样的模型能够超越规模更大的模型[22]。最终，所有可能与监管基础模型目标相关的因素都应受到密切监控和记录，以确保它们保持可适用性，这些因素还需在政策角度与可能关注的性能类型或潜在风险紧密相连。

另一种定义基础模型的方法并不依赖于那些随着模态和技术发展而显著变化的因素，而是着眼于系统本身所具备的独立胜任广泛计算任务的能力。该方法要求构建一个任务分类体系，并设定关于最小任务数量及性能水平的特定阈值[23]。

鉴于基础模型展现出的卓越性能（尤其是那些引发潜在风险的能力）是吸引立法者关注的原因，最合理的定义方式是将监管手段与这些卓越性能的存在相挂钩，而非其他因素。从技术层面来看，标准化的评估协议或工具（如基准测试）是实际识别基础模型性能和局限性的核心手段。针对模型进行标准化基准评估，同样是对模型集成的人工智能系统所可能引发的相关风险进行知情评估的基础。基础模型的评估协议和工具是人工智能社区积极研究的一项主题，目前仍在开发和验证阶段。

最终，必须指出，基础模型能够用于生成文本、图像、视频或音频形式的内容。因此，基础模型可以构成通常所称为“生成式人工智能”的基础，这一点将在下一节进行阐述。然而，我们应当留意，基础模型同样适用于“非生成式”的用途。这些用途通常涉及更为有限的输出类型（如数值或离散值），而非生成更长篇幅的自由形式内容。如文本或图像分类即属于此类应用。

六、生成式人工智能

生成式学习是机器学习领域中众所周知的一大概念。例如，Jebara在2004年指出，区分专注于预测数据标签的“判别式模型”（Discriminative models）与致力于学习数据分布的“生成式模型”（Generative models），是该领域的一个经典议题。[24]然而，近期“生成式人工智能”这一术语的使用变得日益频繁，尤其是在诸如ChatGPT或Midjourney等面向大众的产品问世之后，它特指那些能够生成文本、图像、视频或音频等各类内容的人工智能模型或系统。这些工具生成的内容往往受限于用户所提供的输入提示（如问答、文本转图像、文本转视频或文本转音频等形式）。然而，从技术层面而言，生成能力并不必然依赖于提示（如自动生成系统）。

生成式模型的发展历程已十分悠久。自2014年起，诸如变分自编码器（VAEs）、生成对抗网络（GANs）或循环神经网络（RNNs）等架构，已被广泛应用于开发生成式模型。然而，相较于其他前沿架构，这些架构在可扩展性方面存在一定的局限性，所以它们通常以较小规模进行参数数量、数据集和算力的配置。因此，基于VAEs、GANs或RNNs的模型往往不被视为基础模型。尽管如此，随着生成式预训练变换器（GPT）和扩散模型等其他架构的出现，性能更强大的生成模型得以产生。这些模型近期通常与生成式人工智能的概念紧密相关，并被视为基础模型。

需要注意的是，生成式人工智能这一概念已经包含在委员会和理事会对人工智能系统的定义中，因为上述定义都提及了生成“包括内容的输出”。此外，“使用人工智能系统的生成的图像、音频或视频内容，这些内容与现有的人物、物体、地点或其他实体与事件显著相似，并让人误以为是真实的（深度伪造）”（第 52(3) 条）这类人工智能系统输出被引入了特定的透明度义务。

议会的立场（第 28b(4) 条款）规定了对目的在于生成内容的人工智能系统中所使用的基础模型提供者，以及专门用于生成式人工智能系统的基础模型提供者所应承担的具体责任。该立法方式似乎将生成式人工智能的概念与基础模型紧密关联，但因此忽略了其他能够生成内容的人工智能模型类型。

七、结论

鉴于《人工智能法》中关键法律概念（特别是人工智能系统、通用人工智能系统、基础模型和生成式人工智能）的重要性和复杂性，本文旨在从技术和法律角度厘清这些概念的差异。

在强调人工智能系统概念需要适当区分人工智能系统与传统软件/非人工智能系统之后，本文观察到通用人工智能系统的概念（未包含在委员会提案中）在理事会和欧洲议会版本的《人工智能法》中存在差异。本文还探讨了人工智能系统与人工智能模型这两个术语之间的概念差异，并根据特定技术属性分析了基础模型这一概念。尽管从法律角度对基础模型可以采取不同的定义方法，且每种方法都不完美，但本文认为基于标准化评估协议或工具来识别相关能力似乎是最合适的方法。人工智能社区正在努力开发整体评估框架来衡量这些模型的性能。最终，本文认为生成式人工智能的概念已经被包含“内容”作为系统输出之一的人工智能系统的定义所涵盖，而且并非所有生成式人工智能都基于基础模型。本文希望，通过介绍三个机构在挑选其《人工智能法》版本的具体术语和使用措辞的考量，能够为人们更好地理解《人工智能法》文本的起源和演变（包括其最终形式）提供有用的信息和背景知识。

注释（上下滑动阅览）

[1]European Commision. Proposal for a REGULATION OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL LAYING DOWN HARMONISED RULES ON ARTIFICIAL INTELLIGENCE (ARTIFICIAL INTELLIGENCE ACT) AND AMENDING CERTAIN UNION LEGISLATIVE ACTS. [EB/OL].(2021-04-21) [2025-02-10]. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:52021PC0206.

[2]OpenAI. ChatGPT. [EB/OL]. [2025-02-10]. https://openai.com/chatgpt/overview/.

[3]Helberger N, Diakopoulos N. ChatGPT and the AI Act[J]. Internet Policy Review, 2023, 12(1): 1-6; Hacker P, Engel A, Mauer M. Regulating ChatGPT and other large generative AI models[C]. Proceedings of the 2023 ACM Conference on Fairness, Accountability, and Transparency. 2023: 1112-1123; Boine C, Rolnick D. General Purpose AI Systems in the AI Act: trying to fit a square peg into a round hole[J]. We Robot, 2023: 1-41.

[4]European Parliamentary. Understanding trilogue: Informal tripartite meetings to reach provisional agreement on legislative files. [EB/OL]. (2021-05-19) [2025-02-10]. https://www.europarl.europa.eu/thinktank/en/document/EPRS_BRI(2021)69061.

[5]Council of the European Union. Proposal for a Regulation of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) and amending certain Union legislative acts- General approach. [EB/OL]. (2022-11-25) [2025-02-10]. https://data.consilium.europa.eu/doc/document/ST-14954-2022-INIT/en/pdf.

[6]European Parliament. Amendments Adopted by the European Parliament on 14 June 2023 on the Proposal for a Regulation of the European Parliament and of the Council on Laying Down Harmonised Rules on Artificial Intelligence (Artificial Intelligence Act) and Amending Certain Union Legislative Acts. [EB/OL]. (2023-06-14) [2025-02-10]. https://www.europarl.europa.eu/doceo/document/TA-9-2023-0236_EN.pdf.

[7]ESTEVEZ A M, FERNANDEZ L D, GOMEZ G E, et al. Glossary of human-centric artificial intelligence[J]. 2022: 1-83; Smuha N A. From a ‘race to AI’to a ‘race to AI regulation’: regulatory competition for artificial intelligence[J]. Law, Innovation and Technology, 2021, 13(1): 57-84.

[8]Koivisto I, Koulu R, Larsson S. User accounts: How technological concepts permeate public law through the EU's AI Act[J]. Maastricht Journal of European and Comparative Law, 2024,31(3):412-432; Schuett J. Defining the scope of AI regulations[J]. Law, Innovation and Technology, 2023, 15(1): 60-82.

[9]Mazzini G, Scalzo S. The proposal for the Artificial Intelligence Act: considerations around some key concepts[J]. Camardi (a cura di), La via europea per l'Intelligenza artificiale, 2023: 1-29.

[10]European Parliament. Impact Assessment of the Regulation on Artificial intelligence. [EB/OL]. (2021-04-21) [2025-02-10]. https://digital-strategy.ec.europa.eu/en/library/impact-assessment-regulation-artificial-intelligence.

[11]Samoili S, Cobo M L, Delipetrev B, et al. AI Watch. Defining Artificial Intelligence 2.0. Towards an operational definition and taxonomy of AI for the AI landscape[J]. JRC Research Reports. 2021.

[12]OECD. RECOMMENDATION OF THE COUNCIL ON ARTIFICIAL INTELLIGENCE. [EB/OL]. (2019-05-22) [2025-02-10]. https://one.oecd.org/document/C/MIN(2019)3/FINAL/en/pdf.

[13]OECD. Recommendations of the council on artificial intelligence. [EB/OL]. [2025-02-10]. https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&ved=2ahUKEwi566nvp8CLAxUQHUQIHSCgH_UQFnoECBcQAQ&url=https%3A%2F%2Flegalinstruments.oecd.org%2Fapi%2Fprint%3Fids%3D648%26lang%3Den&usg=AOvVaw3bU62HpvCxeAcd6gxRGeJ6&opi=89978449.

[14]OECD. Explanatory memorandum on the updated OECD definition of an AI system. [EB/OL]. (2024-03-05) [2025-02-10]. https://www.oecd.org/en/publications/explanatory-memorandum-on-the-updated-oecd-definition-of-an-ai-system_623da898-en.html.

[15]ISO/IEC 22989:2022(en) Information technology — Artificial intelligence — Artificial intelligence concepts and terminology. [S/OL]. [2022]. https://www.iso.org/standard/78052.html.

[16]Junklewitz H, Hamon R, André A, et al. Cybersecurity of Artificial Intelligence in the AI Act [EB/OL]. (2023-9-11) [2025-02-10]. https://op.europa.eu/en/publication-detail/-/publication/7d0a4007-51dd-11ee-9220-01aa75ed71a1/language-en#:~:text=This%20report%20focuses%20on%20the%20cybersecurity%20requirement%20for,set%20out%20in%20Article%2015%20of%20the%20regulation..

[17]Bommasani R, Hudson D A, Adeli E, et al. On the opportunities and risks of foundation models[J]. arXiv preprint arXiv:2108.07258, 2021.

[18]Thrun S, Mitchell T M. Lifelong robot learning[J]. Robotics and autonomous systems, 1995, 15(1-2): 25-46.

[19]Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. BERT: Pre-training of deep bidirectional transformers for language understanding[C]. Proceedings of NAACL-HLT 2019: 4171–4186

[20]Touvron H, Martin L, Stone K, et al. Llama 2: Open foundation and fine-tuned chat models[J]. arXiv preprint arXiv:2307.09288, 2023.

[21]译者注：MMLU（Massive Multitask Language Understanding）基准是一个用于评估自然语言处理（NLP）模型在多个任务上的表现的基准，由亨德里克斯（Hendrycks）等研究员于2020提出，旨在衡量大规模预训练语言模型（如GPT系列、BERT等）在多个NLP任务中的通用能力。Hendrycks D, Burns C, Basart S, et al. Measuring massive multitask language understanding[J]. arXiv preprint arXiv:2009.03300, 2020.

[22]Abdin M, Aneja J, Awadalla H, et al. Phi-3 technical report: A highly capable language model locally on your phone[J]. arXiv preprint arXiv:2404.14219, 2024.

[23]Uuk R, Gutierrez C I, Tamkin A. Operationalising the Definition of General Purpose AI Systems: Assessing Four Approaches[J]. arXiv preprint arXiv:2306.02889, 2023.

[24]Jebara T. Machine learning: discriminative and generative[M]. Springer Science & Business Media, 2012.

来源：知识产权与竞争法

编辑：Sharon