具体地说，法律义务，它们是人们行为的重要理由。

[10]也有学者称法律和国家政策本质上是一致的,法律是政策的表现形式之一,是对国家政策的具体化。因建设单位或工程总承包企业未按合同约定与建设工程承包企业结清工程款,致使建设工程承包企业拖欠农民工工资的,由建设单位或工程总承包企业先行垫付被拖欠的农民工工资。

在司法裁判中运用国家政策，有助于司法机关认定事实性质、确认和分配权利义务、厘清法律责任等。[24]在本案中，法院根据国家政策确定了案件的事实性质，从而明晰了裁判争议点，为确定合同责任奠定了基础。此外，为了更好地发展经济、提升社会福利、维护国家稳定，每届政府都会形成一定的工作主题或工作重心，并利用行政权力来制定相应的路线和方针。[12]蔡守秋的观点发表于20世纪80年代，不可避免地会受时代因素的影响。[64]立法法将规章单列一节,对规章的制定主体、制定依据、制定权限、制定程序等作了规定。

[45]任何政策的制定都会涉及决策的取舍，也会融入对特定价值的衡量。(2)若下级国家机关制定的国家政策与上级国家机关制定的法律规范发生冲突，如设区的市人民政府制定的国家政策与省级地方性法规不一致时，也应当按照法律规范优先适用的原则，适用上级国家机关的法律规范。现阶段，ChatGPT因无法实时融入新知识，其生成内容的可信度受到实质性影响。

另一方面，提供者还应提供可以影响用户信任、选择的必要信息，包括预训练和优化训练数据的来源、规模、类型、质量等描述，人工标注规则，人工标注数据的规模和类型，基础算法和技术体系等内容。联合国则敦促各国毫无延迟地实施《人工智能全球伦理框架》。此外，还可通过弹出提醒让用户知晓系统的设计条件和知识界限，防止系统在可信度不足的情形下生成误导性、危险性、偏误性输出。经深入调查，安全事件发生后至关闭服务之前的几个小时内，约有1.2％的ChatGPT Plus用户处于活跃状态，可能无意间看到其他在线用户的姓名、邮箱地址、支付地址、信用卡后四位数字等支付信息。

第一重挑战在于技术的社会后果通常在研发等早期阶段难以被准确预见。例如，可通过模拟人类使用人工智能模型的过程，衡量数据解释是否会对用户的决策产生影响。

该主体在欧盟《人工智能法案》中第3条第2款被认定为提供者（provider）。2021年3月，OpenAI曾宣布其GPT－3语言模型已经被超过300个应用程序使用，平均每天能够生成45亿个词，这意味着仅单个模型每分钟就能生成310万词的新内容。如果说推荐算法通过让信息分发边际成本接近于零的方式撬动了社交媒体的行业格局，ChatGPT则通过让智力分发边际成本接近于零的方式颠覆了整个人工智能行业。数据质量方面，标注数据质量参差不齐，可能导致模型生成毒害内容。

因此，目前ChatGPT无法通过增加2021年9月以后训练数据集的方式进行再次训练，专家们尚无法在稳定性和可塑性之间找到有效的平衡方法。为进一步赢得数据优势，OpenAI一方面开放接口权限供各类应用程序使用，另一方面开放插件嵌入多元场景。从技术实现效果来看，通过机器学习推理进行渗透，展开训练数据的提取攻击可以收集敏感信息并窃取知识产权。这些标签多闭源运行，存在显著的不透明性。

受该理念启发，新加坡、芬兰、英国、法国等数据保护机构和国际组织已将其应用于隐私保护领域之中。研究者进一步发现，模型规模与数据存储呈现显著相关性。

引发这一变化的关键原因在于，真正负责的研发模型且对模型安全具有终局影响力的主体可能并未与应用层用户产生直接交互，而与用户在各个具体场景中紧密互动的服务提供者对上游大模型却不具有最终控制力。国际标准化组织还专门制定了信息安全首席审计员资格的行业标准。

我国也构建了算法安全评估以及新技术新应用评估制度，针对技术创新带来的影响与潜在风险展开系统评估。以ChatGPT为代表的生成式人工智能具有模型即服务（Model as Service, Maas）的部署特性，在完成各类任务时会收集到海量数据。据Gartner预测，生成式人工智能在未来两到三年就会进入技术成熟期并迅速商业化落地。1.标注数据质量参差不齐引发生成毒害内容为了模型生成内容更好地实现与人类意图对齐（align），ChatGPT引入了基于人类反馈的强化学习机制。另一方面，当ChatGPT实现大规模商业化落地之时，如果与国外的大模型代差过大且不得不用之时，基础底座模型可能受制于人，进而在产业智能化升级和现代化进程上受到不利影响。4月11日，《生成式人工智能服务管理办法（征求意见稿）》公开征求意见，就训练数据合法性、人工标注规范性、生成内容可靠性以及安全管理义务等予以规定。

鉴于生成式人工智能在训练过程中对数据的高度依赖性，在数据安全和数据质量领域可能存在诸多风险，可以适当拓展算法备案制度的数据治理效能。第四，接受者，即接受人工智能生成内容的主体，如生成广告的消费者、学习人工智能生成教学课件的学生等。

面对类ChatGPT式的新型人工智能，如何平衡发展与治理的关系，如何确保生成式人工智能安全可控发展成为当下亟需关注的重要议题。一般而言，微调不会对上游模型带来实质和重大影响。

第二，部署者（deployer），即为特定用途而微调模型的主体，包括垂直集成场景中的开发者和其他对模型微调后的部署主体。2.面向产业链特性构建多元精准的数据主体责任矩阵面对技术所带来的社会控制困境，科林格里奇从技术工具主义视角出发，提出应从技术的可改正性、可控制性和可选择性三个方面入手，遵循技术逻辑施加产品形塑效应以应对挑战。

尽管OpenAI已及时通知受影响的用户，但这一事件暴露了ChatGPT的数据安全隐患。此外，由于需要海量数据集甚至多模态数据集进行训练，还可能涉及数据交易平台以及第三方数据提供商或者合作机构等分享特定领域的数据。3.数据集时效性偏差引发可信度危机尽管ChatGPT以聊天机器人的形象呈现，但其实质上是一个大型自然语言处理模型，在许多关键场景中拥有广泛的应用前景。ChatGPT作为生成式人工智能的代表，存在多种数据质量和安全风险。

因此，面向生成式人工智能的数据治理框架需要进行纯粹技术工具主义的转向，从提升个体主体性、构建面向产业链的数据主体责任矩阵以及探索数据治理风险前瞻机制等三个核心思路协同展开。如前所述，生成式人工智能具有架构复杂、参数海量的特点。

从模型训练视角来看，上游研发环节还可能存在各类型的第三方服务提供商（subprocessor）。这意味着当用户缺乏对生成式人工智能数据处理机制的清晰认知时，可能在使用过程中不经意提交自己的敏感信息。

对于ChatGPT而言，其数据安全问题已经成为攸关发展的重要议题。监管沙盒制度发端于金融科技领域，2015年由英国金融行为监管局提出。

从设计和运行阶段来看，以ChatGPT为代表的大型自然语言处理模型在以下三个方面可能产生数据安全风险。未来，还需在生成式人工智能数据治理领域加以持续不断的探索，关注如何将数据伦理与法律治理有机结合，如何创建科学高效的治理工具和治理科技，以及进一步探讨适应生成式人工智能产业链特性的主体责任归责框架，以期为我国生成式人工智能的科技创新与健康发展提供关键性理论支持。由此可见，运用高质量中文语料，训练能够体现我国价值观和文化特点的大型语言模型具有不言而喻的重要意义。ChatGPT是基于预训练的大型文本生成式人工智能，其不仅解决了前述问题，而且在识别、理解、决策、生成等人工智能任务的泛化性、通用性、迁移性方面表现出显著优势和巨大潜力，成为人工智能产业链条中的元能力引擎。

故而频现用户在与ChatGPT对话过程中误将商业、医疗等机密和敏感信息输入系统，导致数据被用于系统迭代并引发信息泄露的事件。倘若网信部门和有关主管部门未发布明确要求，即使用户依据《个人信息保护法》第48条主张个人信息处理者履行解释说明义务，也难以有效填平生成式人工智能为用户带来的信息沟壑。

对于这一性能局限，当前尚无可靠的技术解决方案。具体到大型语言模型，因训练数据集的代表性不足，可能导致针对不同特征的个体与群体的内容输出存在显著差异。

以ChatGPT为例，其产业链条中至少有以下四类行动主体：第一，开发者（developer），即最初创建和预先训练模型的主体，以OpenAI、谷歌、百度、华为等大模型开发者企业为代表。法国数据监管机构业已收到两起与ChatGPT数据安全相关的投诉。