生成式人工智能的快速迭代和广泛应用，在重塑社会生产生活方式的同时，也对传统刑法规则体系带来了挑战。其中，服务提供者的刑事归责难题成为当前刑法理论和司法实践的新议题。生成式人工智能的自主性、“黑箱性”和扩散性使传统刑法归责原则难以直接适配，进而引发归责基础模糊、责任边界不清等问题。

本文选取“风险升高原则”作为归责依据，结合刑法释义学和前置监管规范，尝试探讨生成式人工智能服务提供者的刑事归责体系之构建，以期实现技术创新和刑法规制的平衡。

一、生成式人工智能服务对传统刑法规则的冲击

（一）对传统刑法归责逻辑的冲击

传统刑法归责通常以具体行为、因果关系和实害结果为中心，而生成式人工智能具有明显的“前阶段风险”特征，即服务提供行为本身未必直接侵害法益，却可能通过技术赋能降低后续犯罪成本，导致传统刑法规则逻辑难以适用。

例如，模型并不直接实施网络攻击，但可能生成恶意代码并被使用者用于犯罪，服务提供者与危害结果之间夹有使用者的独立行为，传统直接因果关系判断因此受到挑战。

同时，“算法黑箱”及输出不确定性使服务提供者难以完全控制生成结果，风险还可能随规模化应用迅速扩散。刑法评价因此不能仅追溯结果，也应关注服务提供行为是否不当创设或放大危险。

（二）对传统刑法犯罪构成要件的冲击

在客观方面，生成式人工智能的自主生成能力削弱了服务提供者对具体输出的直接支配，技术中立服务与犯罪促成行为之间的界限也更难把握。

在主观方面，“算法黑箱”和快速迭代增加了风险认识与预见的难度。服务提供者掌握何种异常信息、能够预见何种风险、是否具有采取措施的现实能力，均会影响对故意或过失的认定。

因此，对服务提供者的构成要件判断，应结合技术特征、风险认知和义务履行等情况综合评价。

（三）对传统刑法责任主体体系的冲击

生成式人工智能服务通常涉及研发者、部署者、平台运营者和使用者等多个主体。不同主体在模型设计、服务上线、内容审核及风险处置中的控制能力不同，责任不能沿技术链条简单分配。

刑事归责应以各主体实际掌握的风险信息、控制能力和法定义务为基础进行分别判断。

至于人工智能本身是否具有刑事责任能力现阶段仍属理论争议，也反映出传统责任主体结构正受到技术自主性的冲击。

二、刑法框架下生成式人工智能服务提供者的现有归责基础

现有框架下主要形成过错责任、严格责任、风险升高归责和保证人责任四种思路，分别强调主观罪过、风险控制、客观风险增加以及不作为义务。

（一）过错责任原则

过错责任原则坚持“无过错即无责任”，要求服务提供者具有故意或过失，并且其过错行为与危害结果具有刑法上的关联。

该原则能够避免将单纯技术提供直接等同于犯罪，但在“算法黑箱”和风险快速变化的场景中，服务提供者能够预见什么、应当预见到何种程度，本身就难以证明。

（二）严格责任原则

严格责任更强调风险控制，认为服务提供者作为技术风险的创设者和控制者，只要其服务造成重大风险或危害结果，即可能承担责任。

这一思路有利于强化安全保障义务，但明显弱化了主观责任要求。服务提供者即使已采取合理安全措施，仍可能因不可预见的模型输出或第三人恶意滥用承担刑责，容易滑向客观归罪，并抑制正常技术创新。

（三）风险升高归责原则

风险升高归责原则源于客观归责理论，重点判断行为是否使法益侵害风险超出社会允许范围，并显著提高危害结果发生的可能性。服务提供者已按监管规范和技术标准履行安全测试、内容审核、风险监测等义务的，剩余风险原则上属于允许范围。

反之，存在可控的重大漏洞或滥用风险而未采取必要措施，导致犯罪风险显著增加，则具有进一步归责的基础。该原则能够在技术中立与风险防控之间建立中间标准，但仍需解决允许风险及风险升高程度的判断问题。

（四）保证人责任原则

保证人责任原则主要从不作为犯罪出发，认为服务提供者因先行行为、法定职责或对风险源的实际控制承担特定保护义务。在具有防止结果发生能力时，未履行义务并导致危害结果发生，可能承担不作为责任。

该原则适用于解释服务上线后已发现违法使用仍拒绝采取措施的情形，但保证人义务不能仅凭“提供了人工智能服务”而当然成立，其适用范围主要限于不作为场景。

三、不同归责原则对刑事犯罪认定的差异化影响

四种归责原则的区别主要体现在犯罪成立标准、责任范围和司法适用难度等方面。

过错责任以故意、过失为核心，能够防止客观归罪，但主观认知证明难度较高。

严格责任以结果或重大风险为中心，规制范围最广，却容易突破主客观相统一原则。

风险升高归责既要求行为客观上增加不被允许的风险，又可通过法定义务、风险认知和控制能力限定责任范围，更适合多主体、多环节的生成式人工智能服务链条。

当然，风险升高归责并不意味着司法判断更简单。法院仍需识别服务提供者所负前置义务、当时可获得的风险信息、能够采取的技术措施以及风险增加与最终结果之间的规范关联。其优势在于避免仅凭结果倒推责任，并将刑事责任限定在行为人不当增加且最终现实化的风险范围内。

保证人责任强调特定义务及不作为，适用边界相对清晰，但只能处理部分场景。

综合比较，风险升高原则在风险治理与责任限制之间具有更强的解释力，可作为服务提供者归责的主要分析工具。

四、以风险升高归责原则为核心的归责体系构建

结合前述分析，笔者选取“风险升高原则”作为归责依据，结合刑法释义学与前置监管规范构建“义务违反—风险升高—结果实现”的规范链条，具体可从归责前提、归责要件和罪名适配三个层面展开。

（一）归责前提

刑法框架下生成式人工智能服务提供者的归责应区分不同主体的风险控制范围。刑法义务不能超出主体实际控制能力，也不能将行政监管义务当然转化为刑事责任，但前置规范可作为判断允许风险和注意义务的重要依据。

结合《生成式人工智能服务管理暂行办法》《人工智能安全治理框架》等前置规范，研发者应主要承担模型风险评估、安全测试和漏洞修复义务，部署者重点承担内容审核、风险监测和应急处置义务，平台等中介服务提供者承担与其控制范围相匹配的监督管理和信息披露义务。

（二）归责要件

应依次审查三个归责要件：一是服务提供者违反安全保障义务，使可控制风险超出允许范围；二是增加的风险具有现实性和显著性，而非一般技术均有被滥用的抽象可能；三是风险增加与危害结果具有规范关联，即最终结果正是相关安全义务意在防止的风险之实现。第三人的故意滥用并不当然切断关联，但危害结果完全来自服务提供者无法预见、无法控制的异常介入时，不宜继续归责。

（三）适用路径

风险升高理论必须在现有罪名构成要件内发挥解释功能。

对于拒不履行信息网络安全管理义务罪，可用于分析管理义务违反与严重后果之间的关系。

对于帮助信息网络犯罪活动罪，仍应以“明知他人利用信息网络实施犯罪”及法定帮助行为为前提，风险升高只能辅助判断服务行为的不法程度及其与犯罪活动的联系，不能取代主观明知要件。

对于故意研发、部署专门用于犯罪的模型，或者与使用者形成共同犯意的，应直接适用共同犯罪等既有规则。

因此，风险升高原则应受以下三重限制:一是风险必须超出法律和社会允许范围并达到刑法介入程度；二是结合服务提供者的风险认知、控制能力与义务违反情况，避免因技术提供者身份推定责任；三是须满足具体罪名的主客观构成要件。

生成式人工智能服务提供者的刑事归责，本质上是技术创新、风险治理与刑法责任边界之间的协调问题。传统以直接行为和结果为中心的归责模式在“算法黑箱”、多主体服务链条和第三人滥用面前存在局限。

风险升高归责原则通过考察主体义务、风险控制能力、风险增加程度及其现实化过程，为判断服务提供行为是否具有刑法所规定的不法性提供了较为适切的路径，形成“以风险升高归责为核心、过错责任与保证人责任为补充”的框架。

故意促成犯罪的，按照故意犯罪或共同犯罪规则处理；违反特定防止义务的不作为，可结合保证人理论判断；因安全义务违反而显著增加犯罪风险的，则重点运用风险升高理论完成客观归责。

随着技术标准和监管规范的发展，仍需进一步细化允许风险、注意义务和规范关联的判断标准，在罪刑法定与责任主义框架内实现风险治理与技术发展的平衡。

（作者：刘儒香 ，江苏国颂律师事务所）

 

【责任编辑：宋安勇】