入编的那些事儿第307章 风险与控制：论生成式人工智能应用的个人信息保护
【内容摘要】生成式人工智能的技术跃进架空了个人信息处理的告知同意规制和最小必要原则，引发了虚假信息生成和个人信息泄漏的广泛风险迭代问题。传统个人信息的权利保护路径面临认知和结构困境，无法应对生成式人工智能给个人信息保护带来极大挑战。以风险控制为导向的个人信息保护机制不强调信息主体对个人信息的绝对控制，旨在通过识别、评估、分配和管理将风险控制在最小范围内，可以灵活和实用地平衡生成式人工智能应用中的信息利用和风险控制，提供有效的解决方案。在风险控制理念下，对告知同意规则和最小必要原则进行风险化解释与调试，并建立从预防到识别再到控制的虚假信息生成风险的全过程应对机制，以及基于风险的个人信息保护合规管理体系，是当前的最优选择。
【关键词】生成式人工智能 chatgpt 个人信息保护 风险控制
文章来源：《政法论丛》2023年第五条中，明确提及加强各机构在生成式人工智能的风险防范领域的通力合作，亦印证了个人信息保护的风险控制路径的重要性与必要性。
（二）生成式人工智能的个人信息保护：嵌入“风险控制路径”的正当性
相较于以权利保护为主的路径，风险控制路径在个人信息保护方面具有截然不同的特征，基于以下考量，无疑在推进生成式人工智能的个人信息保护过程中，将风险控制路径嵌入其中，具有其自身正当性。
其一，风险控制路径更有利于实现生成式人工智能技术利用与个人信息保护的衡平。在当代社会，我们需要在维护个人权益和推动社会经济发展之间找到平衡点，过度追求个人信息的绝对保护可能会忽略经济和社会发展的利益。在数字化浪潮中，数据和个人信息成为经济和社会发展的重要基石和创新驱动力。数据创新融合了人工智能、物联网、区块链等前沿技术，正在重构人类社会和产业形态。我国的《网络安全法》和《数据安全法》均明确规定数据开放和利用的政策支持，特别强调匿名化数据的自由利用，为企业拓展数字化业务和推动技术创新提供重要机遇。生成式人工智能以数据信息为燃料，为人类提供了前所未有的创造力和生产力，在未来，生成式人工智能将会在内容创作、图像生成、语音合成、自然语言处理、医疗诊断等多个领域发挥重要作用。因此，在生成式人工智能开发与应用的过程中，我们需要辩证看待其中的个人信息保护与发展问题。因此，在制定个人信息保护策略时，应兼顾生成式人工智能的经济和社会价值。如果采用权利保护路径则过度强调个人信息的控制，不仅会导致高昂的实施成本，可能还会制约数据的流通和利用，从而对生成式人工智能的开发与应用形成阻碍。相比之下，风险控制路径不强调个人信息的绝对控制，旨在通过风险管理和风险规制的方式将生成式人工智能应用中的个人信息处理风险降低到可接受的范围内。这种方式在保障个人信息安全和隐私的同时，能够有效利用数据这一宝贵资源推动社会和经济的可持续发展，避免个人权益保护对技术创新和公共利益造成抑制。
其二，风险控制路径更有利于实现生成式人工智能信息安全风险的合理分配。在当前风险社会中，生成式人工智能的社会价值不断凸显，其用户群体持续扩大，随之而来的个人信息保护风险也逐渐演变为一个重要的社会问题。因为一旦生成式人工智能发生信息安全事件，可能会危及上亿个用户群体，对整体社会秩序和公共利益乃至国家利益造成不利影响。正如前文所述，生成式人工智能应用中的个人信息安全风险在整体上已经上升到国家层面的意识形态安全、国家信息安全以及网络空间安全。此时，传统的权利保护路径已经不再适用，因为它通过某些机制将技术带来的风险不合理地转嫁给每一个独立的信息主体，从而导致生成式人工智能信息安全风险的分配失衡。相较之下，基于风险开启理论和获利报偿理论的风险控制路径，强调由生成式人工智能技术服务提供者和监督机构承担风险控制的主体责任，对信息处理活动进行价值判断，从而将生成式人工智能应用中的个人信息保护纳入到全社会风险控制的范畴中。在这种保护方式下，生成式人工智能带来的个人信息安全保护责任不再是信息主体的单一责任，而是一个需要多方参与和共同承担的社会责任，是一种更符合信息安全风险分配原则并且可实现期待性更高的保护路径。
其三，风险控制路径更有利于实现生成式人工智能应用中个人信息的高效保护。根据社会学家乌尔里希·贝克的观点，现代化进程中科技和经济全球化的发展所带来的各种风险难以预测和计算。这些风险不受时间、空间和社会界限的限制，无法完全消除，其绝对性不可避免。此外，现代社会的复杂性决定了风险之间必将相互渗透和影响，这是现代社会不可避免的趋势。一旦人们对此形成了正确认识，“相对安全”便取代“绝对安全”，成为生成式人工智能个人信息安全风险治理的理性目标。生成式人工智能正在不断迭代升级，其带来的个人信息非法收集、泄露、滥用、虚假信息生成等问题已经显露，其他潜在风险和问题或许正在酝酿之中。传统权利保护模式以一种定型化的刚性方式，为个人信息保护划定最低的限度，无法有效应对复杂的信息生态环境和生成式人工智能可能带来的新型信息安全威胁。而风险控制路径更注重个人信息保护的动态性，以量体裁衣的灵活模式，根据生成式人工智能应用的具体情况进行风险把控。这种方式考虑技术、市场、法律、管理等多个维度，能够对生成式人工智能带来的信息安全风险进行全方位、动态化回应，能够更好地适应信息化、数字化时代的发展，应对生成式人工智能带来的新型信息安全威胁，保障个人信息的安全和隐私。
三、风险控制路径的四层次体系展开
针对生成式人工智能应用中个人信息保护的复杂性，风险控制路径应基于下述四层次体系展开：
（一）促使告知同意规则的“个人控制中心向风险控制中心”转变
告知同意规则包含“告知”与“同意”两个层面，前者要求信息处理者必须向个人信息主体明示信息处理的范畴、方式、目的等影响个人信息主体作出同意决定的内容，后者则要求信息处理者的处理行为必须征得个人信息主体的明确甚至是单独同意。对于生成式人工智能中的个人信息收集而言，原则上同样需要遵守告知同意规则。《生成式人工智能服务管理办法》也明确将授权同意作为生成式人工智能开发与运行的基本准则之一。但正如前文所述，生成式人工智能语料库数据收集的强制性和无形性使得告知同意规则基本处于虚置状态。若遵循严格的告知同意原则，生成式人工智能技术服务提供者必须对所有信息主体进行一一告知并征得明示同意，对于收集敏感个人信息的情况还需征得信息主体的单独同意。显然，采用强告知同意规则可能会导致生成式人工智能无法正常运行，并且个人也将因此承担冗长的隐私协议解读负担。因此，为保障个人信息权益得到切实有效保护，同时促进生成式人工智能技术的持续健康发展，需要对告知同意规则进行风险化解释和调试，推动告知同意规则由“个人控制”为中心向“风险控制”为中心转变。
告知同意规则的风险化解释和调试指将可能引发的风险作为个人信息处理合理性的判断标准。具体而言，如果信息主体对生成式人工智能技术服务提供者的信息收集行为未做出明确同意或明确拒绝的意思表示，但通过个人信息保护影响评估能够确认信息处理行为不会带来超出合理范围外的风险，那么可以推定其默示同意。这一做法与美国所采用的“择出式知情同意机制”相类似，即企业在采集用户个人信息时并没有征求同意的义务，只需要在采集行为发生前或发生时向用户进行信息披露。从美国联邦立法到州立法，择出式知情同意机制始终占据主导地位，这一机制更有助于提升用户行为信息的商业化利用效率。需要注意的是，所谓“择出同意” 即使信息主体被认定为默示同意，其在信息处理过程中仍享有选择退出的权利，可通过新的意思表示推翻之前的默示同意。在生成式人工智能应用中同样如此，在后续语料库数据存储、语言模型训练等环节用户仍有权撤回（默示）同意。为此，应当要求生成式人工智能技术服务提供者提供便捷的撤回同意的方式，以辅助用户行使这项权利。
相反，如果评估确认风险等级较高，除了征得信息主体的明确同意之外，生成式人工智能技术服务提供者还应当启动增强性告知程序，充分发挥告知规则在个人信息保护中的风险交流作用。具体来看，除个人信息处理的范畴、类型、目的和必要性等基本内容之外，还应就以下内容进行补充告知：首先，算法逻辑。这要求生成式人工智能技术服务提供者就个人信息与模型训练的相关性进行说明，包括“人机对话即信息收集”这一事实以及个人信息的准确性将影响生成内容质量这些重要事项，以为用户进行风险判断提供指引。其次，次级处理者的名称、处理目的、期限、方式等相关内容。以openai为代表的生成式人工智能技术服务提供方将其全部或部分处理活动委托给次级处理者，而用户并没有与这些第三方订立任何信息处理协议，这可能会给个人信息保护带来超出预期的风险。因此，在评估确认风险等级较高的情况下，生成式人工智能技术服务提供者应当向信息主体详细披露次级处理者的信息处理情况，使信息主体能够全面了解风险和后果，从而做出决策。
（二）推进最小必要原则的风险化解释
与告知同意规则着力于事前保护不同，最小必要原则主要强调信息主体合法权益的事中和事后保护，其通过相关性、最小化、合比例性三方面的要求来规制信息处理行为，在个人信息保护体系中发挥了不可或缺的重要作用。然而，最小必要原则的要求与生成式人工智能实现其主要处理目的之间存在巨大张力：生成式人工智能的运行机制决定了其需要大量数据驱动的模型训练，而这一过程容易导致超出必要范畴收集个人信息、信息处理期限不明、信息用途不清晰等问题，与最小必要原则要求产生冲突，使最小必要原则的应用在实践中受到限制。为化解这一困境，可以采用风险化转型的方式重新解释最小必要原则，即以场景分析下的风险控制为基准，推动最小必要原则向“合理必要”的转变。通过这种方式，可以在保留和承认最小必要原则的前提下，避免其僵化应用对生成式人工智能技术的发展造成限制。
此时，最小必要原则将被视为一种风险预防和预警机制，要求生成式人工智能技术服务提供者在处理个人信息时，必须将潜在风险控制在合理水平内。这将促使最小必要原则的灵活使用，使其得以更好地适应生成式人工智能的实际应用场景。与我国形成鲜明对比，欧盟法律体系下相关原则更加灵活。例如，欧盟gdpr规定了平衡测试的机制，要求数据处理者在权衡个人信息保护和处理的必要性和合法性时，需要考虑利益平衡和风险评估等因素，以确保个人信息合理利用和保护的动态平衡。实际上，最小必要原则在我国实践中的僵化适用已受到众多学者质疑。有学者认为，应将“禁止过度损害”作为最小必要原则适用的一个重要考虑因素。也有学者提出，在特定情形下应当以“有限性原则”替代最小化原则，这些主张实际上都蕴含着风险控制的思维。可见，在生成式人工智能应用中，有必要将最小必要原则的风险化解释视为一项应时而生的必要措施。
本章未完，点击下一页继续阅读。