当前，中国人工智能立法正在由分领域、分场景规则逐步走向综合性制度建设。《国务院2026年度立法工作计划》提出，“完善人工智能治理，加快推进人工智能健康发展综合性立法；加快完善保障数据、算力、算法、产权、网络安全、供应链安全等人工智能共性要素及规范重点应用场景方面的立法”。《网络安全法》（2025年修正）第20条，则将人工智能基础理论研究、关键技术研发、训练数据资源、算力基础设施、伦理规范、风险监测及应用发展统合于同一条款。由此可见，人工智能立法面对的时代任务，已不能由单纯的风险防范加以概括。

　　算法歧视、虚假信息、隐私侵害、技术滥用等风险，当然是人工智能立法须规制的现实问题。但人工智能不是一种只需限制危害的既成产品，而是由数据、算力、算法模型、开源成果、行业知识和应用场景持续组合形成的技术体系。立法如果只规定禁止事项、合规义务和法律责任，虽能够划出风险边界，却未必能够形成创新秩序。

　　因此，人工智能综合立法还应承担一种“创新组织法”功能，即通过权利、程序、标准、责任和公共基础设施安排，保障创新要素合法进入，支持研发活动持续试验，推动技术成果落地转化与普惠扩散。现行制度中促进发展的内容较少，多数发展条款仍表现为原则性的“鼓励”“支持”和“推动”。因此，综合性人工智能立法需要进一步把政策方向转化为市场主体可以实际利用的制度机制。

　　人工智能立法的组织创新

　　创新首先取决于数据和算力能否合法、稳定地进入研发过程。现行规则要求训练数据具有合法来源，并遵守个人信息保护和知识产权制度。这些要求是必要的，但“不得违法使用”并不等于已经回答“如何合法使用”。公共数据、企业数据、个人信息、公开网络信息和受著作权保护的作品具有不同的权利结构。合法路径不明晰，研发主体面对的将不是一般的合规成本，而是能否开展训练、评测和改进的不确定性风险。

　　综合立法应把抽象的合法性要求转化为具体的操作路径。对于公共数据，应完善分类开放、授权使用和质量保障机制；对于企业数据，应发展标准合同、可信流通和商业秘密保护机制；对于个人信息，应明确匿名化、受控计算以及其他法定处理事由的适用条件；对于受著作权保护的内容，应进一步明确许可、集体管理和法定使用边界。数据制度的目标不应只是“来源合法”，还应使研发者能够说明数据从何而来、依据何在、经过何种处理、由谁承担责任，形成“可用、可管、可证明”的数据供给秩序。

　　算力规则同样不能停留在鼓励建设层面。公共投入或者政策支持形成的算力资源，应有透明的接入条件、收费规则和分配程序，并为科研机构、中小企业和初创团队保留合理的使用机会。否则，公共资源可能转化为少数主体的竞争优势，而不能转化为社会整体的创新能力。

　　创新还需要稳定的试验空间。人工智能从基础研究、模型训练、内部测试到行业部署和面向公众提供服务，外部影响逐步扩大。综合立法应区分不同阶段：封闭研发原则上保留充分试验自由；有限测试可以通过限定用户、限定场景和持续监测开展；一般风险应用以内部评估、信息记录和事后监管为主；涉及生命健康、重大财产利益、公共决策或系统性风险的应用，配置更为严格的验证、准入并持续监督。分类分级不能只有“风险越高、义务越重”的一面，也应明确“风险较低、程序相应简化”的原则，防止面向公众服务的责任不加区分地向研发前端延伸。

　　开源则是连接不同创新主体的重要协作机制。源代码、模型权重、训练数据、技术文档和应用接口，开放后赋予获取者的能力存在差异，不宜被简单归入同一规则。立法应根据开放对象、模型能力和实际控制程度分配责任。发布者须承担发布前评估、技术说明、已知风险披露、许可证设置和漏洞响应等义务；下游主体改变模型、接入新数据或部署于特定场景后，应对新增风险承担责任。对于已经无法控制下游行为的发布者，不宜要求其对所有改造和用途承担无限责任。清晰的分类规则和责任边界，才能使开源既保持协作能力，又不形成责任缺口。

　　人工智能立法的组织运用

　　人工智能的价值最终要在实际运用中体现。但从人工智能模型形成到医疗、教育、制造、金融、政务等领域运用，并不是纯粹的市场作用过程。行业许可、技术标准、采购规则和责任分配不确定，都可能成为技术转化的障碍。使用者如果不知道何种系统可以使用、需要完成何种评测、发生错误由谁负责，即使存在明确需求，也可能因法律风险而拒绝运用。

　　综合立法应建立连接研发成果与真实场景的转化通道。首先，要根据应用场景、影响对象和后果严重程度建立评测、认证和标准互认机制，避免同一系统在不同地区、部门之间反复接受实质相同的审查。其次，要明确基础模型提供者、系统集成者、部署者和使用者的责任边界，使责任落到能够识别、控制和降低相应风险的主体。基础模型提供者原则上应对模型本身及其已知能力负责，系统集成者应对功能组合和接口设计负责，部署者应对具体场景、数据接入和运行管理负责，使用者则应保留必要的判断和复核。最后，要为尚未成熟但具有公共价值的应用提供试点、监管沙盒和有限部署机制，并通过规范的公共采购、示范应用，使通过评测的创新产品获得进入市场的机会。责任规则在这里不只是追究责任的工具，清晰的准入条件和责任分配，本身就是降低采用风险、促进技术运用的制度保障。

　　人工智能立法的组织扩散

　　人工智能进入少数头部企业，并不等同于技术扩散的实现。真正的扩散，是中小企业能够以合理成本使用模型和算力，传统行业能够获得适合自身需求的技术服务，公共机构能够依法稳妥使用人工智能，各地区各群体能够在技术进步中获益。为此，立法应关注创新基础设施的公平接入。公共算力、公共数据、评测平台和基础模型支持，应形成公开、透明和可申请的使用规则。对于具有平台地位的模型和云服务提供者，还应关注接口歧视、排他协议、捆绑服务和生态锁定，推动数据、模型和应用的可迁移，防止使用者一旦进入特定技术体系便丧失更换服务提供者的自由选择权。

　　扩散不仅是技术供给问题，更关乎运用效能。人工智能进入教育、医疗和公共服务，需要配套的职业培训、素养提升、无障碍使用和人工复核机制；对于可能显著影响个人权益的应用，还须保留必要的解释、异议和人工替代渠道。这些安排不仅属于风险治理举措，也在建立社会信任。若缺少可预期的责任、复核和救济机制，技术越是深入重要社会领域，公众越可能保持警惕。

　　国务院“人工智能+”行动提出推动人工智能与经济社会各行业各领域广泛深度融合，并使全体人民共享人工智能发展成果。要实现这一目标，技术扩散不能被视为风险得到控制之后自然出现的结果，而应成为立法主动组织的对象。

　　（作者系北京理工大学法学院教授）