作者简介 ：
张文睿，男，河北邯郸人，天津大学法学院博士研究生，研究方向：民商法学
刘颖泽，男，河北石家庄人，河北大学国家治理法治化研究中心研究人员，研究方向：民商法学
原文经《河北法学》网络首发于2025-05-28，为便于编辑和阅读，已将相关注释省略。
摘 要： 归责原则是生成式人工智能侵权的核心争点，但既有研究并未提供有效的解决方案，其原因在于忽视作为规则判断前提的行为分析。 行为分析是确定归责原则的基础和前提。 有鉴于此，不宜设置一刀切的统一归责原则，而应结合生成式人工智能不同运行阶段的差异化侵权行为来进行归责原则的分层建构。 具言之，在输入阶段，对服务提供者的数据侵权等行为采取过错责任原则，以期实现服务提供者过错与行为的统一，充分发挥注意义务的调节作用；在输出阶段，考虑到生成式人工智能的自主性和不可控性，应对服务提供者采取无过错责任原则，从而有效规避服务提供者的寻租行为，促进智能产业的技术创新发展。
关键词：生成式人工智能服务提供者；行为分析；过错责任；无过错责任；分层建构
引言
在生成式人工智能的赋能下，相关的行为和决策从人类转向智能系统，损害也开始从由人类和人类行为造成转向由智能系统及其行为造成，致使以过错为中心的责任追溯与分配机制失灵，传统侵权法律责任的归结认定范式面临结构性挑战，而侵权责任归责原则应做出何种因应成为了核心争点之一。诚然，当前并不乏关于生成式人工智能服务提供者（下文中必要时简称为“服务提供者”）归责原则的研讨，但多倾向于采取“一刀切”的归责路径，虽具相当的学理价值，在一定程度上推动了问题的形式化讨论，但未能紧密结合生成式人工智能从数据训练、内容生成到输出应用的全周期运行逻辑进行体系化延展，从而导致归责原则的论证缺乏与技术特性的深度契合。因此，当前关于生成式人工智能服务提供者侵权责任归责原则的探讨，仍呈现出较为明显的单一化倾向与简单化短板，既难以全面回应技术风险，亦无法为制度构建提供充分支撑。为应对这一挑战，迫切要求对生成式人工智能服务提供者侵权责任归责原则予以细致的分层化研究。
一、现状审视：生成式人工智能服务提供者归责原则的辨思
自生成式人工智能问世以来，关于其服务提供者归责原则的争论就从未停歇，逐渐形成了一般过错责任、过错推定责任、产品责任以及无过错责任四种观点。下文将分别检视各种观点的合理性，并指明其中的不足之处。
（一）一般过错责任
主张此观点的学者认为，一般过错责任可以有效协调行为自由保护与权益保护之间的关系，且系《民法典》第1165条第1款确立的一般归责原则，除非法律有特殊规定，否则应当适用。且生成式人工智能的运行和使用一般不会导致使用人或者第三人的基本权益遭受严重损害，在损害程度和波及范围方面均具有较低的风险外溢性，属于一般过错责任的规制范畴。司法实践也为服务提供者适用一般过错责任提供了支持，在“广州奥特曼案”和“杭州奥特曼案”的判决中，法院均以服务提供者未尽到注意义务为由，认定其存在主观过错。
对服务提供者适用一般过错责任存在四个方面的困境：第一，生成式人工智能的运行自主性、生成内容的不可预测性以及生成过程的不可解释性和不透明性，使得服务提供者的部分侵权行为难以被认定为一般侵权。第二，注意义务的核心是要求服务提供者在服务提供过程中采取合理措施，预见并防范这种风险。但法律可以给服务提供者设置“现有技术水平”、“一般理性人”或“合理的人工智能”等注意义务标准，却无法对生成式人工智能系统苛责注意义务，在无法确定损害是由服务提供者违反注意义务造成的，还是生成式人工智能自我成长结果的情况下，笼统地讨论服务提供者的过错认定标准，意义十分有限。第三，透明性和可理解性的下降，使得一般过错责任下精准划分各方责任的优势难以维系。在高度复杂化的生成式人工智能系统中，行为与结果之间的因果链条模糊，决策过程往往被算法所遮蔽，各方的“过错”无法认定，责任也就难以清晰追溯。第四，在我国当前的司法诉讼环境下，若对服务提供者采一般过错责任，被侵权人在自身认知有限，且难以获取专家证人帮助的背景下，难以证明服务提供者存在过错，如此，极有可能造成对被侵权人保护的不周延。因此，概括地认为对服务提供者采取一般过错原则进行归责，难谓合理。
（二）过错推定责任
过错推定责任的出发点在于节约诉讼成本，解决受害人举证困难的问题。与之相似的是中国社会科学院所发布的《人工智能示范法2.0（专家建议稿）》第70条第1款和由中国政法大学数据法治研究院等七家单位专家共同起草的《人工智能法（学者建议稿）》第85条。也有学者提出，只有在非法处理、泄露个人信息类侵权案件中，才应当对服务提供者适用过错推定责任。
过错推定责任缓和了被侵权人举证责任的困境，但亦存在短板。过错推定责任能够在多大程度上解决被侵权人举证责任的困难，关键仍是取决于服务提供者注意义务的高低。若服务提供者的注意义务较低，则其能够很容易地证明自身并不存在过错，无法妥善处置侵权行为的负外部性难题；而对服务提供者苛以较高水平的注意义务，在实际上不可能人为遵守时，那么过错责任实际上就接近于无过错责任。过错推定责任可能“名存实亡”。
（三）产品责任
支持此观点的学者认为，有形性并非判断人工智能产品的标准，生成式人工智能输出信息具有成为产品的可能，且产品责任契合生成式人工智能系统多层次、多样态的特征，能够实现与监管的良性互动。也有学者指出，产品责任的确存在容纳人工智能侵权归责的空间，但也存在其无法规制的部分，应当考虑建立相应的规则体系。同时，比较法上也有采取以产品责任规制人工智能的实例。2024年5月，欧盟正式批准通过《人工智能法案》，它与《产品责任指令》《关于缺陷产品责任的指令提案》一起形成了较为完整的人工智能产品责任规则体系。
这一观点的不合理之处有二：其一，生成式人工智能难以被认定为产品。首先，《生成式人工智能服务管理暂行办法》（以下简称《暂行办法》）已将生成式人工智能定性为“服务”，将其认定为产品有违背现行法之嫌疑；其次，生成式人工智能具有个性化服务特征，而产品是能够为社会不特定对象提供相同性质和功能的物；最后，生成式人工智能在进入市场流通之后，仍需要在服务提供者的监管之下迭代升级，而产品一旦投入流通，就脱离了生产者的控制，二者在可控制性方面存在差异。其二，尽管产品责任属于无过错责任的一种，但其中关于“缺陷”的认定标准仍包含对过错的考量，使其难以适用于服务提供者。《产品质量法》第46条以“不合理的危险”作为判断核心。对于“不合理”的判断，现行法并未明确，理论上一般遵循“消费者合理期待”标准。但合理期待本身就融入了对注意义务的分析，如此就会经受一般过错责任中过错证明的拷问。
（四）无过错责任
主张适用无过错责任的立足点在于：首先，适用过错责任原则存在诸多困难，服务提供者侵权与过错责任之间的基本理念存在冲突，但适用无过错责任有相当程度的正当性。其次，适用无过错责任并不会造成对人工智能创新活动的过度抑制，反而会使制度成本更低、救济效果更好。而相对保守的观点则认为，只有针对具有高度侵权风险的生成式人工智能应用板块，采取无过错责任归责。
当前，仅有少部分学者坚持无过错责任的观点，其或是基于单维度的视角对服务提供者适用无过错责任的合理性进行说明，或是注重于从侵权法内部体系来进行证成，但无论是何种论证思路，其更多是围绕无过错责任自身的理论基础进行展开，没有说明无过错责任与生成式人工智能的契合程度，存有缺憾。
（五）小结
以上诸观点虽各有理据，却在方法论上局限于对责任构成要件的整体判断，缺乏以技术生命周期为线索的解释性重构。故而，本文在对该问题进行研究之前，先行厘清了生成式人工智能的运行逻辑，进而剖析其不同阶段的侵权行为及其特殊性，最后确立适合于生成式人工智能服务提供者的多元化的、多样态的侵权责任归责原则。
二、行为分析：生成式人工智能服务提供者归责原则确定的前提
生成式人工智能是一种依托于大模型，具有拟人化特征并能进行生成式输出的智能产品，其运行周期总体上可分为“输入”和“输出”两个阶段，在不同的阶段，其表现出的技术特征也有所不同，也因此衍生出不同的侵权行为。
（一）生成式人工智能的“分阶段”运行
图1生成式人工智能的运行周期逻辑图
1.输入阶段
输入阶段包括三个子阶段：第一，模型设计，核心目标是定义模型的“骨架”与“规则”，即确定模型如何学习数据规律、如何生成符合预期的内容。诸如Ian Goodfellow推出的生成式对抗网络(GAN)，以及Open AI的GPT所采用的Transformer模型都会在这一阶段“注入到”生成式人工智能系统中，从而使得生成式人工智能具备生成文本、创建图像、模拟人类语音等能力。第二，模型训练，又称预训练阶段。此阶段系统会接触大量数据，但没有特定的任务要执行；相反，它通过分析文本来学习一般模式、语法、上下文，了解语言的基本结构、语法规则和语义信息，建立起对语言的一般性理解。第三，监督微调。服务提供者将初步介入生成式人工智能的运行，使用人工标注的高质量任务数据，通过监督学习的方式调整模型参数。服务提供者会辅助生成式人工智能，将此阶段的生成内容与原本的数据内容进行同步比对，以优化系统的生成能力。总体而言，在输入阶段，生成式人工智能更似是一个“襁褓中的婴儿”，不具有自主性。
2.输出阶段
在输出阶段，生成式人工智能已具备“逻辑思考”能力，显现出“通用性”和“专业性”两大特征。一方面，生成式人工智能开始面向社会公众，进行“人机交互”，促进人机之间更加自然、流畅的沉浸式对话；另一方面，输出阶段的生成式人工智能在基础模型的技术支持下，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。作为下游垂直细分领域的开发者，可以在基础模型的基础上简化开发工作，并以专业模型为基础开发服务应用。在“人机交互”阶段生成的信息数据，均会被生成式人工智能所收集，而后进入自学习阶段，进行自我优化和升级，但此时生成式人工智能的服务提供者以及用户已经无法直接接触到生成式人工智能。输出阶段，无论是面向通用领域的基础模型，还是面向特定专业领域的专业模型，均受制于生成式人工智能的Transformer架构和多头注意力机制，使得输出内容不可预测，输出过程难以透明，算法黑箱凸显，体现了生成式人工智能的自主性，也给归责原则的确定带来了困难。
（二）输入阶段的侵权行为分析
生成式人工智能服务提供者在输入阶段和输出阶段所呈现出的不同运行逻辑和技术特征使得其侵权行为特征并不相同，而行为分析是服务提供者归责原则确定的逻辑前提。因此，应先行对不同阶段服务提供者的侵权行为进行分析，以期为归责原则的分层建构奠定基础。
1.输入阶段的侵权行为类型
在输入阶段，服务提供者主要面临数据侵权风险。从数据依赖的角度来看，Transformer的有效性高度依赖于高质量、大规模的训练数据。注意力机制能够通过对数据内部关联进行加权建模，捕捉长距离依赖关系，从而提升表征学习的充分性与泛化能力。以此观之，生成式人工智能需通过大规模复制材料并精准提取相关数据，进行智能识别与重组，从而生成精确答案，其高效运作同样植根于强大的数据挖掘技术。因此，数据是生成式人工智能在输入阶段的“生命之源”。这一阶段所“喂养”的信息数据，或是服务提供者自行收集，或是由第三方有偿提供。无论是何种情形，均会面临数据侵权的风险。
首先，服务提供者可能违反《个人信息保护法》中的知情同意规则。在知情同意规则的规范构造下，任何个人信息处理行为都必须经过信息主体的同意。但生成式人工智能对数据的需求是基础性的，海量的数据支撑方能保障算法的正常运行，如此便与知情同意规则产生了抵牾：若严格遵循知情同意规则，强制服务提供者在进行每次信息处理时都必须获取信息主体的有效同意，那经济成本将无法估量，服务提供者可能难以承受。其次，服务提供者也有可能违反《个人信息保护法》的“合法、正当、必要与诚信原则”和“最小化处理原则”，带来侵权风险。服务提供者应当保证“处理操作与目的相关的必要性和符合比例性”，但实际训练中需要海量的数据投喂，存在使用用户对话内容、用户文档训练模型数据的情形，超出了用户对最初数据采集的合理期待，从而违反这两项原则，衍生数据侵权行为。例如，2023年11月16日，金山公司宣布旗下具备大语言模型能力的人工智能办公应用WPS AI开启公测，其中《WPS隐私政策》中提到“我们将对您主动上传的文档材料，在采取脱敏处理后作为AI训练的基础材料使用”，此种做法被用户质疑是一种数据侵权行为。
此外，生成式人工智能服务提供者的数据处理行为可能同时构成对隐私权、知识产权的侵犯。因为服务提供者所使用的个人数据可能承载着个人隐私或知识产权，此类数据用于生成式人工智能的模型训练，将构成对公民隐私权和知识产权的侵犯，如不加以规制，在输出阶段的侵害后果和影响范围会进一步扩大。
2.输入阶段的侵权行为特征分析
在输入阶段的侵权案件中，侵权行为的认定与归责并不体现出明显区别于传统侵权行为的特殊性。一方面，从侵权行为的结构来看，由于生成式人工智能“尚处幼年”，所以它无法参与到侵权行为中。这一阶段的侵权行为存在于服务提供者（或服务提供者和专业的数据采集方）与被侵权人之间，结构较为简单，可预测性较强。另一方面，从技术特征来看，输入阶段的生成式人工智能仍处于训练优化期，算法逻辑未形成封闭自主的决策机制，输出结果高度依赖人工干预，包括训练数据的收集、筛选，预训练结果的调试等步骤，都需要在服务提供者的介入下进行。因此，生成式人工智能系统并不能够对损害结果产生原因力，更无法作用于损害结果的发生，其运行过程完全受控于服务提供者，损害结果应当归因于服务提供者的过错，而非归责于系统自主决策。所以，在此阶段，服务提供者的侵权行为不具有特殊性，其侵权责任认定需回归传统民法侵权理论。
（三）输出阶段的侵权行为分析
输出阶段，服务提供者面临的侵权风险更显复杂，诸多侵权风险在输入阶段并不明显，却在输出阶段集中爆发，并因算法的不透明性和不可解释性，导致侵权行为结构复杂、技术特征影响显著，产生了输入阶段不曾有的归责难题。
1.输出阶段的侵权行为类型
首先，服务提供者可能存在数据侵权行为，具体包括三类。第一，服务提供者仍有可能违反知情同意规则。生成式人工智能技术的高度自动化和复杂性特点使得其难以在收录用户的信息数据时向数据主体提供充分、全面的告知，数据主体无法完全了解个人数据的处理过程和结果。第二，数据泄露引发的数据侵权。人机交互的过程中用户会提供给生成式人工智能海量信息数据，而这些数据将被生成式人工智能所存储，并用于优化训练。倘若生成式人工智能系统本身受到攻击，引发数据泄露，极易衍生数据侵权行为。此前，Chat GPT开源数据库在2024年3月出现漏洞，就导致Chat GPT Plus用户的支付信息泄露。第三，个人信息删除权的“失灵”。尽管《暂行办法》明确赋予个人信息删除权，但算法黑箱的存在使得服务提供者也难以保证个人信息被完全删除。生成式人工智能可能会基于自身程序存储下本应被删除的个人信息，并将之用于此后的训练。亚马逊的律师已经表示，担心用户输入的信息可能被用作Chat GPT迭代的训练数据。
其次，服务提供者可能存在人格权侵权行为。生成式人工智能存在生成虚假内容的风险，极易侵犯人格权。生成式人工智能的“臆想”可能使其编造有关他人涉嫌性骚扰等方面的消息，造成对他人名誉的损害；还可能自动生成虚假图片、音频、视频，不仅可以“以假乱真”，还能够“无中生有”，导致对他人隐私、肖像等人格权益的侵害。例如，在殷某桢诉北京某智能科技公司等人格权纠纷案中，被告甲公司、乙公司等未经其许可，利用AI技术将原告的录音制品处理为可商业化使用的文本转语音产品，导致相关声音在多个平台播放量超32亿次，构成对自然人声音权益的侵犯。在域外，美国的Main Sequence，Ltd.诉Dudesy，LLC案同样是生成式人工智能引发人格权侵权的典型案例。
最后，服务提供者还可能存在著作权侵权行为。生成式人工智能的基本运行原理就是重组已有材料，生成新内容，此过程中，服务提供者未经授权使用的材料存在著作权侵权风险。当前生成式人工智能所引发的侵权案件，几乎都涉及著作权侵权问题，例如爱奇艺诉海螺AI版权侵权案，再如安迪·沃霍尔视觉艺术基金会诉戈德史密斯案，以及Getty Images诉Stability AI案，Andersen等多位视觉艺术家诉StabilityAI的集体诉讼案等。因此，输出阶段服务提供者对著作权领域的冲击亦不可忽视。
2.输出阶段的侵权行为特征分析
首先，侵权行为的结构更加繁复，不仅服务提供者，数据集权利人、用户都可能与侵权内容的最终生成之间存在一定原因力，侵权行为的主体呈现出复杂化的趋势。其次，从技术特征来看，输出阶段的侵权行为呈现出智能化特征。由于算法的升级和算力的引入，生成式人工智能可以进行“智能行为”，且其对最终生成内容发挥了何种作用无人知晓，如此服务提供者就不再是侵权行为原因力的全部来源，还包含了生成式人工智能本身的“行为”。人类几乎没有办法理解生成式人工智能所使用的深度学习神经网络算法，其复杂结构中的多层神经网络的权值，致使服务提供者、用户以及生成式人工智能与具体损害结果之间的原因力大小难以判断。尽管在根本意义上，生成内容仍是服务提供者引发的结果，但它与传统侵权不同之处在于服务提供者在设计算法程序时无法预见具体加害行为的出现。由此产生了归责原则的难题：由于在复杂机器学习算法中，将错误的或有偏见的决策结论追溯到某个具体的数据输入或参数存在困难，往往难以证明算法不当考虑了某种信息或对该信息赋予错误的权重而应对该损害负责，因此，径行将损害结果归责于服务提供者不存在正当性基础。
综上所述，输出阶段的生成式人工智能侵权给传统侵权法体系带来了显著冲击。传统的人工智能侵权案件中，人工智能的重心在于“分析”而非“生成”，市场上的人工智能产品主要是分析式产品。从功能上看，分析式人工智能的应用主要是帮助人们进行预测，进而提升决策效率，因而经济学家们习惯于将这类人工智能称为“预测机器”，其中规则和逻辑是手动编程的，以使机器能够解决问题。这类人工智能充其量只能充当一个辅助角色。因此具有可预测性和可解释性，是“人”的行为的延伸，所以使其背后的“人”承担相应的侵权责任，并不存在法律上的障碍。但是与传统人工智能相比，生成式人工智能除了拥有预测功能外，还能根据决策独立作出判断、生成内容：一方面，通过思维链和问题分解等逻辑框架，生成式人工智能展现出非常强大的推理和规划能力；另一方面，其通过与环境的互动，从反馈中学习并执行新的动作，获得交互能力。因此，生成式人工智能在运行过程中的可解释性、可预测性显著下降，算法黑箱的难题凸显，如此，再强行将生成式人工智能的“智能侵权行为”归结于服务提供者，会“强人所难”。
三、分层建构：生成式人工智能服务提供者归责原则的确立
生成式人工智能服务提供者在输入阶段和输出阶段的侵权行为呈现出不同特征，因此，其归责原则不能够简单的一概而论，而应当结合生成式人工智能不同运行阶段的特征进行分层建构。
（一）输入阶段：过错责任原则
在输入阶段，应当对生成式人工智能服务提供者采取过错责任原则进行归责，如此不仅符合侵权责任归责体系的要求，还能够充分发挥注意义务的多重优势，也更能契合生成式人工智能在输入阶段的运行特征。
1.符合侵权责任归责体系的要求
首先，输入阶段服务提供者的侵权行为，相较于一般侵权行为，并不具有特殊性，已经达到了运行结构透明、过程易于理解、参数标注清晰的程度，所有的损害结果都可以追溯到人，具有可解释性和透明性，所以，理应对服务提供者适用过错责任，这也契合过错责任的基本价值—在法律地位之维系和行为自由二者之间的利益冲突中，行为自由居于优先地位。生成式人工智能在输入阶段的成长与演进过程中所需要的行为自由，相较于原有的法律秩序具有优先性，对服务提供者适用过错责任归责，恰好能够协调其所需的行为自由与原有法律秩序之间的利益冲突。
其次，无过错责任的归责依据是高度危险，旨在使责任人对某个特定的高度危险领域负责。所以，无过错责任是将责任与一个正常的状态联系起来，该状态中存在很大造成伤害的可能性。与普通的生活风险相比，过度即危险特别巨大，特别频繁或者特别容易造成伤害。而在生成式人工智能服务提供者输入阶段的侵权案件中，侵权行为集中在数据、非物质性人格权以及知识产权的领域，并不涉及到“具有高度科学性与技术性的侵权行为”，更不会给他人的人身、财产安全带来巨大风险，因此，在输入阶段无需对服务提供者适用无过错责任。
2.有利于发挥注意义务的优势
注意义务是侵权责任范围的“控制器”，既平衡服务提供者行为自由和受害人权益保护，又协调服务提供者与使用者之间的内部责任划分。若调高服务提供者注意义务标准，则服务提供者责任范畴扩张，能够更好地实现被侵权人救济和损害填补目标。若降低服务提供者注意义务标准，则服务提供者责任范围限缩，更有利于人工智能应用被推广。如此能够灵活掌握服务提供者的责任范围，有利于避免服务提供者因过度顾虑潜在法律责任而阻碍技术创新。同时，注意义务的合理设定亦要求服务提供者在技术开发与应用过程中，必须审慎评估其行为后果，强化主体的责任意识，使其在技术设计上更趋谨慎，主动采取预防性措施，提升技术安全性与社会可接受度。
此外，关于生成式人工智能的研究和立法已为服务提供者注意义务的设定提供了良好基础。就前者而言，相关学术成果已足以明确服务提供者的注意义务标准。一方面，应当坚持以“现有技术水平”为标准，综合考量时间维度、行业维度和地域维度，对服务提供者苛以“一般理性人”的注意义务。通常而言，一般理性的服务提供者在算法设计时，应当避免植入偏见性价值判断，并排除涉黄涉暴等明显危害性信息；对故意引导实施侵权行为的情形，须对相关主体予以严格的责任追究；对因算法不透明所产生的歧视性、虚假性信息，应当采取适当防范措施，例如开展事实抽查或者向用户进行提示等。就后者而言，我国现行法及立法建议草案中涉服务提供者的保护性规范提供了丰富的注意义务内容。例如，《暂行办法》中具有保护个人权益的目的且针对具体性义务的“保护性规范”，均可以作为认定服务提供者过错的重要依据。同理，在《人工智能示范法（专家建议稿）》第四章以及《人工智能法（学者建议稿）》第四章中规定的义务内容，也都可以通过保护性规范的方式转化为服务提供者注意义务设定的重要依据。
3.契合输入阶段的运行特征
输入阶段的生成式人工智能处于“白箱”状态，具有完全可解释性，服务提供者能够对其行为有合理的预见范围，因此，适用过错责任更契合此阶段的运行特征。过错责任的理论基础是理性的人应当为自己的行为后果负责，他不能也不应指望法律给予家长式的保护。因此，他既可以享受自己行为的有利后果，也要承担不利后果。而在生成式人工智能的输入阶段，这一“理性的人”只能是服务提供者，因为在此时，生成式人工智能的开发设计、生产过程和实践机理高度透明且风险可控，其所有的“行为”都是在服务提供者的驱动下进行的，呈现“工具性”色彩。服务提供者应当能够预见到特定的行为结果，因此过错责任原则对于输入阶段的生成式人工智能有更好的适应性。
既有的司法实践也对输入阶段的生成式人工智能服务提供者适用过错责任原则。在Sarah Andersen等多位艺术家在美国对Stability AI、Midjourney、Deviant Art等AI大模型公司提起版权侵权集体诉讼案中，这些AI公司被指控未经授权，将艺术家受版权保护的作品用作AI软件的训练图像，构成版权侵权。美国地方法院William H.Orrick, J.认为AI模型若“保留受版权作品的元素”，且分发模型构成“发行侵权复制品/衍生作品”，则AI软件创建者与生成器开发商存在过错，版权侵权成立。
如上所述，输入阶段生成式人工智能的可解释性与透明性和服务提供者的合理可预见性能够相吻合，侵权行为可以追溯到具体的“人”，而对人设定合理的注意义务，并不存在法律适用难题和法律解释困境。故而，应当对输入阶段的服务提供者适用过错责任原则。
（二）输出阶段：无过错责任原则
输出阶段，由于生成式人工智能已经具备了“自我意识”，呈现出侵权行为结构的复杂化、侵权行为的智能化等特征，生成式人工智能对损害结果也能产生一定的原因力，此时过错责任原则难以适用，法律无法给不具有自由意志的生成式人工智能设定注意义务。所以，在算法黑箱等技术的负面影响下，过错责任原则已是“心有余而力不足”，不妨转换思路，不再以过错作为责任承担的依据，而采无过错责任原则。
1.适用无过错责任的正当性基础
首先，就危险开启／控制理论而言，不能再简单否认生成式人工智能造成的风险没有达到“高度危险”的程度。一方面，从致害范围来看，其辐射范围较广，可影响范围较大。单纯从侵犯权利的类型和结果来看，或许生成式人工智能并未达到“危险性不同寻常”的程度，但其“危险性”与“寻常性”之间也未必对应，日常生活中使用的生成式人工智能，可能对人类生存构成系统性威胁。另一方面，生成式人工智能也可能造成个人隐私泄露、数据安全威胁、名誉损害，甚至提供错误信息教唆他人自杀或谋杀等危害，所带来的危险未必不够巨大。
其次，基于风险分担思维来看。一方面，服务提供者可以通过价格机制来分担和转移侵权成本的风险：当服务提供者因生成式人工智能侵权支付赔偿时，其会将这部分成本计入服务价格，转由所有用户共同分担。在成本分散由大多数社会公众长期性负担后，不幸事件对责任承担者的冲击将逐步减缓，且在服务之真正成本（包含侵权成本）反应于消费者之价格时，社会与经济资源始可获得更有效之分配。另一方面，无过错责任原则本身就与责任保险制度密不可分。相较于被侵权人而言，服务提供者更能掌握与算法系统风险有关的优势信息，更有能力进行第一方保险，也有更强的谈判能力，因此基于无过错责任激励服务提供者寻求保险通常更有效率，相应的，其也就有了更强的风险分担能力。
再次，从报偿理论的视角来看，服务提供者之所以开发新兴技术，正是为了将其投入到市场进行应用，进而从中获益。以提供Chat GPT服务的Open AI公司为例，其市场估值已达到800亿至900亿美元。“对于那些享有特殊权利的人，他们应当承担因此而带来的不幸”，这已然成了一种基本的价值理念。
最后，基于保护弱者的立场，在输出阶段的侵权案件中，所产生的损害结果是各方均无法精准预见的，此时责任承担的依据便不再是对“过错”的制裁而是对“不幸损害”的分配。因此，应以无辜的程度来正当化责任的分配：对异常损害的发生，各方当事人都很无辜，只是相比之下，受害人“更无辜”，更应得到救济。在难以认定过错的情况下由服务提供者承担侵权责任确实略失公平，但若将此种损害径行分担给受害人，更不妥当。所以，在此种侵权案件中将天平偏向于弱势群体一方，更加合理。
2.适用无过错责任不会阻碍创新发展
当前反对适用无过错责任的重要原因在于其会抑制技术创新，尤其是在综合国力竞争日益激烈的当下，对服务提供者苛以过重的负担，将会严重阻碍产业发展，这一风险丝毫不逊色于生成式人工智能所引发的侵权风险，因此服务提供者不应适用无过错责任。这是对无过错责任的固有偏见。
首先，无过错责任能够避免服务提供者的寻租行为，促使其更好地监督、反思已有的生成式人工智能技术。在一般过错责任和过错推定责任视域下，由于服务提供者都存在转嫁责任的可能性，其会将更多的精力放在过错的证明而非技术的提升上，致力于让受害人“背锅”。但在无过错责任之下，侵权风险会配置给服务提供者，所以不存在转嫁责任的可能性，且服务提供者能够预见到自己的预期事故损失，作为理性主体，他在从事民事行为时会追求私人成本的最小化，因此，在无法通过自证无过错而免责的情况下，服务提供者自然会将精力和成本转向风险预防层面，而风险预防的最佳手段就是通过提升技术水平来减少侵权事件的发生，以期达到最小社会成本的注意水平，降低侵权成本。
其次，无过错责任亦能促进社会资源合理配置。一方面，诉讼第一定律是：与其把钱花在支付律师和专家费上，不如用这些钱来赔偿受害人。若采用过错责任原则，服务提供者和受害人双方必然会在过错证明上投入大量成本，但过错的证明标准具有不确定性，举证成本会随之攀升，并且所得到的结果很可能令双方当事人都感到不满。与其如此，不如将之直接转化为对受害人的赔偿。另一方面，无过错责任之下，司法裁判者不需要在伤害发生后反向推测各致害参与方在事前本应采取何种合理注意措施，免除司法厘定合理注意水平的麻烦。相较于过错责任视域下寄希望于司法者在侵权案件发生后进行事后判断，由具有更强专业能力和控制能力的服务提供者基于理性决策模式去进行风险预防更具有可操作性。具体可参照产品责任的立法模式，在事前遵循“最小成本预防者”原则，划定应就生成式人工智能侵权风险作出预防的主体范围。只要主体范围足够清晰，且主体之间交易成本可控，那么相关各方可通过协商约定的方式在相互之间重新安排责任，但责任范围内的主体需要先行对外承担无过错责任。如此，司法者便无须受事后裁量视角困扰，也会将侵权成本内化于服务提供者之间，在社会资源总体配置上更为合理。
结语
2025年8月21日，国务院发布《关于深入实施“人工智能＋”行动的意见》，该意见指出，要“强化政策法规保障……完善人工智能法律法规、伦理准则等，推进人工智能健康发展相关立法工作”。在人工智能产业高质量发展的背景下，生成式人工智能的广泛应用，使得现有的侵权法体系面临诸多挑战。生成式人工智能服务提供者归责原则的确立即是其中之一。其既与生成式人工智能的技术特征相关，又受到侵权责任归责体系的影响。而当前对于该问题的探讨集中于法律层面，多以单一化的方式来确定服务提供者的归责原则，不符合生成式人工智能本身的多样化、多层次的技术需求。因此，本文在结合生成式人工智能运行周期的基础上，对服务提供者归责原则采取分层建构的路径，即在输入阶段，对服务提供者采过错责任归责原则；在输出阶段，对服务提供者采无过错责任归责原则。如此更能契合生成式人工智能在不同运行阶段的运行特征，更加具有可行性。
