EU AI Act：通用AI模型GPAI

可视化演示

三步展示通用AI模型GPAI监管：GPAI与专用模型边界划分、系统性风险分级透明度义务、提供者到部署者合规责任链条。

法律定位

物业宣布新管理条例时，最先做的不是给每个水龙头贴封条，而是先把楼里所有“供水服务”按风险分门别类。有的设备只是蚊子喷雾，风险极低；有的设备一旦失灵会把人送进医院，属于高风险。法律就像这样给 AI 划了四个风险档位：不可接受、高风险、有限风险、最低风险。GPAI 并不是简单落在某个档位里，而是作为“给其他设备供水的中央系统”被单独拿出来管，因为它影响的是下游无数应用的共同地基。

在技术层面，EU AI Act 是欧盟第一部全面的人工智能横向立法，采用“基于风险的分级监管”思路。与传统产品安全法规不同，它不只盯着最终产品是否出错，也关心上游模型本身的通用能力和潜在滥用空间。GPAI 之所以被单列，是因为同样的模型既可能被用来做医疗诊断助手，也可能被接进聊天机器人、代码生成器、自动驾驶标注工具，没有一个固定的“预期用途”可以套用传统的产品安全审核。

回到公寓故事里，GPAI 就是楼里那套中央净水系统：法律先分清哪些家电危险，再单独给中央系统写一章专门规则。这意味着，做基础模型的人不能再说“我只是卖水，不做饭”，因为水管质量直接影响楼上每一家厨房。

核心定义

物业要管中央供水系统，得先定义什么才算“中央供水系统”。一台放在厨房里的台式净水壶显然不是，它只负责一个水龙头；但一座能同时向全楼输送净水、还能调节软硬度、温度、矿物质含量的水处理站，就是中央供水系统。GPAI 的定义也遵循同样逻辑：它不看你叫不叫“大模型”，而看它是否具备显著通用性、是否用大规模自监督方式训练、是否能完成广泛任务、是否可被集成进下游应用。

欧盟法规里的 GPAI 是指“在大规模数据上通过自监督方式训练、具有显著通用性、能胜任多种不同任务、可被集成到无数下游系统的人工智能模型”。这里的“自监督训练”好比水处理站在没有人工标注的情况下自动学习水的规律；而“多任务能力”则像同一个站既能供直饮水、又能供软水、还能供热水。如果你的模型只做一件事，比如专门识别猫，那它更像那台小型净水壶，不是 GPAI。

定义的意义在于划定监管对象：只有“中央水处理站”需要向物业提交全套资料，小滤水壶再智能也不需要。这也解释了为什么很多开源小型模型不用背 GPAI 的包袱，而 ChatGPT 背后那种地基级模型则必须进入监管视野。

模型分类

同样是中央供水系统，体积差别也很大。楼下小花园区的水站只服务几十户，小区物业给它发普通营业证；而那座覆盖全城、一天处理几十万吨水的巨型水厂，却被要求额外做“溃坝演习”。EU AI Act 对 GPAI 也做了这种“普通 vs 系统性风险”的分类。普通 GPAI 只需承担基础义务，而被认定为有系统性风险的 GPAI，还要承担对抗测试、事件报告、网络安保等更重的担子。

怎么判断一个模型有没有系统性风险？法案给出一个可反驳的推定阈值：如果训练某个 GPAI 所消耗的总算力达到 \(10^{25}\) FLOPs（浮点运算次数），就推定它具有系统性能力。这个数字不是参数数量，而是“算力总量”的度量。欧盟 AI 办公室可以结合模型能力、影响力等再指定其他模型，但模型提供者也可以提交证据证明自己的模型其实没有这么强的能力，从而推翻推定。

回到公寓比喻，普通水站只需要保证水质合格、贴好说明，巨型水厂却要提前准备应急预案。对 AI 从业者来说，这个分级决定你的模型是“轻量合规”还是“重型合规”，也直接影响产品发布的成本和时间表。

合规义务

物业对中央水站提出了四样固定要求：一，提交完整的水处理设计图纸（技术文档）；二，给出住户使用指南，告诉每家每户管道接法（使用说明）；三，证明水的来源合法，没有偷偷从邻居水池引水（版权政策）；四，列一份水源成分汇总表，让住户知道水里加了什么（训练数据摘要）。这四个基本义务，是所有 GPAI 提供者绕不开的起点。

在法案里，这对应 GPAI 提供者的核心义务：准备技术文档并在监管部门要求时提供；在模型集成说明里写清楚能力和限制；制定版权合规政策，保证训练数据不侵犯他人版权；以及对训练数据内容做公开摘要。对于被认定为系统性风险的模型，义务还要加码：进行模型评估和对抗测试、识别并缓解系统性风险、跟踪并报告严重事件、落实网络安全保护。

物业的规则不是为了让水站关门，而是让它在透明状态下运行。对模型团队来说，写文档已经不是发布前的可选项，而是从第一天起就要养成的工程习惯。透明度不是束缚，反而是住户信任你的基础。

下游责任

中央水站的水顺着管道送进每家每户，住户常常会再接一个净水壶或热水器。如果发现水质有问题，物业要先查是水站没供干净水，还是住户的净水器滤芯装错了。EU AI Act 在处理 GPAI 价值链责任时也遵循这个逻辑：基础模型提供者和下游 AI 系统提供者，各自承担不同的义务。

如果下游开发者只是调用 API，没有大改模型，那么模型层面的问题由 GPAI 提供者负责；但如果下游开发者把模型拿去做深度微调，或者把它嵌进一个高风险系统（比如招聘筛选、医疗诊断），那下游提供者就必须对自己最终产品承担系统级合规责任。双方之间的接口文档、授权协议和模型卡，就成了划分责任的“计量表”。

对创业者来说，这个责任分配是双重提醒：第一，选上游模型公司时要看它有没有提供完整文档；第二，不要以为接了一个大 API 就可以把合规责任全部甩给上游。你做的产品越深地改变了模型，你越要自己扛起规则责任。

实施路径

条例不是一天之内强推的。物业给整栋楼定了分阶段检查：先封掉最危险的违规设备，再检查中央水站，再逐户检查管路。EU AI Act 的时间线也是这样：法案 2024 年 8 月生效；2025 年 2 月起禁售不可接受风险的 AI 应用；2025 年 8 月起 GPAI 提供者必须履行义务；2026 年 8 月起高风险 AI 系统全面适用；部分特殊场景再延到 2027 年 8 月。

除了时间线，罚则也写得很清楚。对于 GPAI 义务违规，最高罚款可达 1500 万欧元，或若企业全球年营业额更高，则按全球年营业额的 3% 计算，取两者中较大值？需要纠正：模板中 F = min(15m, 3% * turnover)，但法律上是“取较高者”。Actually EU AI Act Article 99 says "the higher of €15 million or 3% of total worldwide annual turnover" for GPAI. Let me correct the formula and text. Yes, max fine is max of fixed amount and percentage. We need fix. The final formula should be:

Let's update text accordingly. Also for prohibited practices: max(35m, 7%). We can mention. So in the section: “GPAI 违规最高罚款取 1500 万欧元和全球年营业额 3% 中的较高者；禁止行为的处罚则取 3500 万欧元和 7% 中的较高者。” Good.

还要 mention regulatory sandboxes? The mindmap branch has “监管沙盒”. We can say “同时欧盟鼓励监管沙盒，让企业在真实环境但受监督的情况下测试创新方案，降低试错成本。”

Let's craft section 6 accordingly.

对从业者而言，合规不是“某一天突然爆发”的事，而是一张精确的日历。你需要对照自己角色的生效日期倒排计划：先做模型能力图谱，再补文档，再做风险测试，最后在截止日前完成审核。物业水管工都知道，爆水管前修理最便宜。

行业影响

条例落地后，住户们开始重新选择用水方案：有人在水站基础上装了自家净水器，有人继续用公共水，有人干脆研究自己打井。同样，EU AI Act 对行业最直接的影响，是让“合规能力”变成竞争力的一部分。开源模型不会自动免检——只要你的模型达到 GPAI 定义并进入欧盟市场，该尽的义务一样不能少；但开源社区可以借透明度文档和模型卡建立信任，反而更容易被下游集成。

对中小企业和个人开发者来说，好消息是义务重担主要压在有“系统性风险”的大模型头上，普通下游产品的合规成本没那么吓人；同时监管沙盒和行业操作规范（Code of Practice）为团队提供了可仿照的模板。成熟的团队会把合规流程嵌进开发管线：训练前审数据版权，训练后生成技术文档，发布前跑一次风险自查。

回到公寓故事，监管不是把水龙头全部关掉，而是让所有供水方都学会在阳光下竞争。未来 AI 从业者的护城河不再只是模型效果，还包括“我能说清我的模型怎么训练、怎么用、风险怎么管”。合规不是成本中心，而是一张面向大客户和监管方的信誉通行证。

AI 应用场景

Python 演示

class GPAIChecker:    def __init__(self, name, flops, annual_turnover=0.0):        self.name = name        self.flops = flops        self.turnover = annual_turnover        self._base_tasks = [            "technical_documentation",            "downstream_instructions",            "copyright_policy",            "training_data_summary"        ]        self._extra_tasks = [            "adversarial_testing",            "incident_reporting",            "cybersecurity_measures"        ]     def is_systemic(self):        return self.flops >= 1e25     def obligations(self):        tasks = list(self._base_tasks)        if self.is_systemic():            tasks.extend(self._extra_tasks)        return tasks     def max_fine(self):        if self.turnover <= 0:            return 15000000        return max(15000000, 0.03 * self.turnover) def main():    checker = GPAIChecker("ExampleGPT", 1.2e25, 500000000)    print("Model:", checker.name)    print("Systemic risk:", checker.is_systemic())    for task in checker.obligations():        print("-", task)    print("Max fine:", checker.max_fine()) if __name__ == "__main__":    main()

1. def __init__(self, name, flops, annual_turnover=0.0):初始化一个模型检查器，记录模型名称、训练总 FLOPs 和公司全球年营业额。
2. self._base_tasks = [...]用列表保存所有 GPAI 提供者的基础义务，命名加下划线避免与方法名冲突。
3. def is_systemic(self):判断训练计算量是否达到 \(10^{25}\) FLOPs 推定阈值。
4. def obligations(self):先复制基础义务，如果模型有系统性风险再追加对抗测试、事件报告和网络安全措施。
5. def max_fine(self):按 EU AI Act 规则计算最高罚款，固定金额和营业额比例取较大值。
6. tasks.extend(self._extra_tasks)把额外义务追加进列表，便于后续逐项生成合规任务清单。
7. if __name__ == "__main__":保证脚本被命令行直接运行时执行 main，被导入时则不会自动运行。

常见误区

面试题