学位授予权的行政监督应当在以下两方面予以完善。

但实践中，选民或者代表单独或者联名提出候选人的这一法律精神，非但未能体现出来，相反，还出现了上面提名单，下面划圈圈的所谓圈选点选的普遍性做法，这就容易使选举流于形式。但彭真认为，代表候选人与应选代表名额之间的比例还是大一些为好，这可以给选民更多的选择余地。

很大程度上，是基于考虑到党派团结的因素，设想推迟选举和召开人大会议。对此，毛泽东说，北京郊区乡政府民主选举的结果，百分之五十的乡长被选掉了，这些人为什么被选掉？因为这百分之五十的人做了坏事，人民不高兴他们，为了发扬民主，对政权组织，特别是县、乡两级，来一次全国普选，很有必要。针对有的代表候选人取得外国永久居留权和具有外国国籍等情况，2010年修改的《选举法》进一步规定，接受推荐的代表候选人应当向选举委员会或者大会主席团提供个人身份、简历等基本情况。比如，普遍，算是普遍了，但也有限制……也不完全普遍，平等，城市选的代表多，乡村选的代表少，直接，我们只基层选举是直接的，其余都是间接的，无记名，我们一般是举手，还是有记名。也就是说，农村与城市的选民实行的是同票不同权。

在当时的历史背景下，快节奏地出台选举法，要回应和解决以下重要问题：1.《共同纲领》规定的实行普选、召开人民代表大会的条件究竟有没有具备？这涉及对整体形势的准确判断，并需向各方面作有说服力的说明。1979年《选举法》是彭真主持修改的。将我国从较为单一的场景的算法治理，演化为适应不同治理目标的生成型人工智能的复合型系统性治理。

分层规制的原因之一，在于只有在生成式人工智能的服务应用层有划分服务提供者—内容生产者的意义，在基础模型和专业模型层则与内容生产者规制目的关系不强。技术跃迁突破了现有法律制度的底层设定。 【摘要】生成式人工智能改变了数字社会的生产架构，向既有的技术治理体系提出挑战。以模型能力作为专业模型层的分级分类监管体系，可将数据、算法等标准有机统筹。

与此同时，训练行为也与个人信息处理行为、算法推荐服务提供、数据处理行为等现有法律体系中的相关概念有所不同。【关键字】生成式人工智能。

例如，ChatGPT可以被接入智能客服场景，当用户与智能客服发生对话时，其提供的内容既直接与基础模型的预训练数据与参数有关，也与专业模型的优化垂直领域训练数据直接相关。[12]讨论生成式人工智能的法律角色及法律治理，需要究其本质，探讨其在数字社会生产中对生产方式的影响。这种通用性改变了过去人工智能分为视觉、听觉、语义等不同领域分散研发的情况，实现了应用领域和场景更换。此外，如果在用户的提问引导下，生成式人工智能产出了不符合信息内容安全的结果，生成式人工智能服务提供者是否要承担内容生产者的义务呢？在与用户的互动中，生成式人工智能可以进一步依据用户需求和使用习惯调整输出内容。

基础设施的基础性源自其能够为产业变革和经济发展提供基础性支撑和行业赋能，如交通、能源、水利等基础设施。本文主要讨论生成式人工智能如何在法律体系中定位以及监管框架构建。内容的产生是一个动态迭代和优化的过程，可以通过收集反馈和评估效果不断调整和改进。当基础模型直接提供客户端的智慧问答时，就成为了服务应用层，如ChatGPT即基础模型直接为用户提供智慧问答服务。

第二，设置合理知识产权制度保障基础模型层训练数据的获取。生成式人工智能的技术跃迁正在推进产业变革，现有监管体系亦面临挑战，制度应如何回应？技术与社会制度的关系正在超越线性的决定论，制度可影响技术发展的进程但无法控制其进化的路径。

基础模型比起数字平台更加纵深地组织生产提供基础性服务。既往的研究与讨论中，数据要素的流动与共享的流动方式被想象为数据交易、公共数据开放，以及通过监管部门主导的强制企业打破封闭架构的互联互通。

[10] 参见徐伟：《论生成式人工智能服务提供者的法律地位及其责任——以 ChatGPT 为例》，载《法律科学》2023年第4期，第74页。[9] 张凌寒：《搜索引擎自动补足算法的损害及规制》，载《华东政法大学学报》2019年第6期，第41页。在特征上由于多产业泛化通用接入、供给数字社会生产的网络内容生态与模型验证训练和具有数据和算力的自然垄断性，而具备基础设施的通用性、赋能性特征。如基础模型的训练需要海量数据，训练数据中涉及的个人信息的处理和使用存在违反我国《个人信息保护法》中的最小必要原则要求的风险。进入专题： 生成式人工智能 人工智能 数字基础设施 ChatGPT 。在现有的治理框架内，技术提供者对信息内容安全的注意义务最低，内容生产者对信息内容安全的注意义务最高。

合成数据目前已应用在人工智能模型训练开发和仿真验证中，可以为数字孪生、智慧医疗等模型训练提供资源，并在金融、医疗、零售、工业诸多产业领域中落地实施。具有持续训练学习能力的预训练大模型，使得人工智能时代的技术基础设施超越了数据存储分析、支付物流、身份认证等类型的平台基础服务，而是向产业层面延伸。

二是其传播模式和技术指标使得原有规制工具难以适用。一是生成式人工智能呈现基础模型—专业模型—服务应用的分层业态，无法在现有的技术支持者—服务提供者—内容生产者监管框架中找到适配的法律定位。

由此可见，模型训练的目的是获得能力，这与既有法律制度中的信息内容监管、以风险为导向的分级分类治理的监管目标有所不同。大模型本身具有明显的商业化价值，其对于行业的赋能，显现了人工智能驱动新一轮科技革命和产业变革的巨大力量。

另一方面，生成式人工智能改变了网络信息传播方式，训练数据与参数指数级增长。张凌寒：《平台穿透式监管的理据及限度》，载《法律科学》2022年第1期，第106-114页。第一，生成式人工智能的基础模型作为新型数字基础设施，形态是新型集成型平台，本身具有公共性。2.服务应用层的敏捷治理与合理容错服务应用层的治理一方面应沿用原有的治理理念与监管工具，保证我国人工智能监管的协调性与一贯性，另一方面应建立敏捷治理的监管工具箱、细化合规免责制度，给新兴技术发展留下试错空间。

二、生成式人工智能改变网络治理底层架构带来法律定位困难与监管挑战我国网络法律制度框架基本搭建完成，一直以来的网络治理不约而同以网络服务提供者作为关键主体，因此平台责任一直是技术治理的核心议题。生成式人工智能表现虽然惊艳，但带来的风险与法律挑战同样令人担忧。

但生成式人工智能的预训练大模型海量的训练数据和数以千亿的参数设置显然进一步加剧了监管工具的适用难度。在服务应用层，仍关注信息内容安全、市场竞争秩序与用户权益保护等价值，一方面沿用原有监管工具，另一方面建立敏捷治理的监管工具箱、细化合规免责制度，给新兴技术发展留下试错空间。

[20]其次，基础模型的训练需要海量数据与算力的惊人投入，基础模型汇聚和掌控着人工智能的三要素数据、算法和算力，因而具有公共性。赵鹏：《私人审查的界限——论网络交易平台对用户内容的行政责任》，载《清华法学》2016年第6期，第115-132页。

生成式人工智能的治理应改变我国原有的技术支持者—服务提供者—内容生产者的监管体系，实施基础模型—专业模型—服务应用的分层规制。在基础模型的技术支持下，企业可通过深度学习平台等进行适应专业垂直细分领域和场景的个性化定制。薛军：《〈电子商务法〉平台责任的内涵及其适用模式》，载《法律科学》2023年第1期，第57-68页。基础模型的训练数据与生成结果之间的关系，早已超越算法黑箱的复杂性，数据规模产生涌现现象，更类似于食物被消化长成了骨骼肌肉。

生成式人工智能的专业模型在发展早期，应设置一定的免责规则，一定程度成为其提供设计精巧的避风港责任。我国在个人信息保护和数据立法领域与欧盟、美国并行，在算法治理和深度合成治理领域则成为领跑者。

结语以ChatGPT为代表的生成式人工智能在为人类社会带来便利的同时也给社会治理带来了前所未有的挑战。可以理解为大模型通过海量学习，经历记忆期和平台期，方可顿悟到其中规律，达到具有强大处理能力的泛化期。

可以将基础模型层理解为操作系统，世界范围内可能存在少量具有竞争关系的通用性基础模型，以及若干在特定行业高价值专业化的基础模型。合成数据是人为生成的，具有成本低廉和隐私保护优势，可以解决真实数据采集耗时费力、数据标注量大成本高和真实数据隐私泄露风险等问题。