EU AI Act：通用AI模型监管指南

可视化演示

通用模型定义

想象你是一家餐厅的厨师，后厨里最宝贝的是一罐“万能高汤”。这罐高汤不是某一道菜的专属调料，它味觉中性、用途广泛：加豆瓣是川菜，加番茄是西餐，加奶泡还能变成甜品。传统AI模型就像专为一道菜调制的酱料包，只解决一个任务；而通用AI模型（GPAI）则是这罐“万能高汤”——它经过大规模预训练，掌握了跨任务的知识，可以接入无数下游应用。大语言模型（LLM）正是最典型的代表：既能写诗，也能翻译合同，还能生成代码。

从“料理包”的比喻回到法律条文，EU AI Act 将“通用AI模型”定义为：在广泛的任务中表现出足够能力，且能够集成到下游系统或应用中的AI模型。这个定义的关键词是“通用”和“可集成”。与之前按“特定用途”监管的思路不同，GPAI的用途在开发时并不确定，因此监管必须转向模型本身的能力和属性。

在实际生态中，GPAI通常以三种形态出现：一是通过API提供服务的托管模型（如GPT-4、Claude）；二是开源模型权重（如LLaMA）；三是嵌入到具体应用中的模型。无论哪种形态，它们的共同点是“预训练-微调”范式：先用海量互联网数据训练一个基础模型，再针对任务微调。这意味着风险可能发生在训练数据、模型权重或下游使用等不同环节，监管链条必须完整覆盖。

所以，EU AI Act 对GPAI的监管，不是问“你要做哪道菜”，而是问“你这罐高汤用什么熬的、怎么熬的、能卖给谁”——这正是后续所有义务的起点。

监管框架分级

同样是卖高汤，街角小店的陶罐高汤和全国连锁工厂的十万升高汤，出问题时的爆炸半径天差地别。EU AI Act 对GPAI也照方抓药：先分级，再定义务。它把GPAI分成两类——一般GPAI和产生系统性风险的GPAI。一般GPAI只要做到“贴标签”，即履行透明度义务；系统性风险GPAI因为“影响力巨大”，还要额外交付“安全检测报告”。

怎么判断一个模型到底是“小作坊”还是“大工厂”？欧盟摈弃了单纯看参数量或用户量的方案，而是采用了一个硬核指标——训练计算量（FLOPs）。FLOPs是浮点运算次数，可以理解成训练时烧了多少“电”。参数量多、数据量大的模型，训练计算量必然大，能力也往往更强。法案设定：超过10^25 FLOPs的GPAI，推定为具有系统性风险。

训练计算量的近似估算公式为 C = 6ND。这个公式由 Transformer 架构的前向和反向传播推导而来。其中 N 是模型参数数量（通常是数十亿到数万亿），D 是训练数据的 token 数（通常是数千亿到数万亿）。例如，一个 700 亿参数、2 万亿 token 的模型，其训练计算量约为 8.4×10^23 FLOPs，低于阈值；而一个 1.8 万亿参数、13 万亿 token 的大模型，计算量约为 1.4×10^26 FLOPs，远超阈值，就会被直接划入系统性风险梯队。

你看，欧盟就是用这么一把“用电量”的尺子，量出高汤是大锅还是小锅。小锅贴标签，大锅要送检——监管的轻重缓急一目了然。

透明度义务

无论什么规模，“万能高汤”出厂时都必须贴一张成分表。EU AI Act 给所有GPAI规定的基础义务，就是“透明度四件套”：提供技术文档、公开训练数据摘要、遵守版权法、告知下游使用者。这是监管部门建立信任的第一步。

技术文档可以理解成“制作工艺说明书”：需要描述模型能力、主要用途、局限性、评估结果和安全措施，供部署者和监管者评估能否在具体场景使用。训练数据摘要是关于“食材来源”的概述，比如数据来自哪些网站、经过哪些筛选、涵盖哪些语言和主题。注意，它不要求公开原始数据，而是像成分表一样只做概要披露。

版权义务是这份成分表的“原料合法性声明”：模型提供商必须制定政策，确保在训练中使用的数据符合欧盟版权法，包括对受版权保护的文本进行合理使用或取得授权。此外，还需向下游部署者提供模型的必要信息，让集成方知道模型是什么、能做什么、不能做什么，从而履行他们在高风险场景中的义务。

有了这张“成分表”，下游餐厅（开发者）才能放心把高汤加进自己的菜里；如果哪天吃出问题（AI事故），监管者也能顺着成分表快速追责——透明不是目的，可追溯才是。

系统性风险管理

大型食品企业的高汤，除了贴标签，还要定期送实验室检测，甚至建立召回机制。EU AI Act 对系统性风险GPAI的要求如出一辙：当模型被认定为“大锅高汤”后，就必须执行一轮更重的“安全质检”，包括模型评估、对抗性测试、事件报告和安全措施。

系统性风险评估的核心思路是：用“红队演习”的方式找漏洞。模型供应商需要持续评估模型能力，例如判断是否具备危险化学知识、是否可能生成操纵性内容；还要进行对抗性测试，故意用恶意提示词攻击模型，观察其是否会被引导作恶。一旦发现严重事件，比如模型被用作网络攻击工具，必须在15天内报告给欧洲AI办公室。

为了更直观理解分级逻辑，可以用下面的条件公式表达：只有当训练计算量达到阈值，模型才会被推定为系统性风险GPAI。若企业认为自己的模型尽管计算量大但实际风险不高，也可以提交模型评估证据申请“降级”，但这属于个案判断，证据要求极高。

这就像高汤厂可以申请“虽然产量大，但我们有自动风险控制”来减免检测频率——但监管者手握最终解释权，安全永远排在成本前面。

合规实施进程

一部新“食品安全法”从来不会在颁布当天就要求企业全面改造，而是给出倒计时和过渡期。EU AI Act 的合规进程也像一条时间轴，不同条款在不同节点“点亮”。

法案于2024年8月1日正式生效。随后，2025年2月2日起，部分GPAI条款（如透明度义务）开始适用；到了2025年8月2日，GPAI的大部分义务全面适用，包括系统性风险管理；而高风险AI系统的完整要求则拖到2026年8月2日。对于大模型企业来说，2025年是名副其实的“合规冲刺年”。

执法方面，欧盟专门成立了欧洲AI办公室（AI Office），负责GPAI的监督、评估和国际合作。违规代价不轻：如果企业违反GPAI相关义务，最高可被处以全球年营业额3%的罚款；如果涉及违法使用个人数据，罚款比例可能升至7%。面对这些硬约束，不少企业已经开始在技术堆栈中内置“合规开关”：自动生成模型卡、记录训练数据来源、搭建事件上报通道。

食品安全新规总是给大厂小厂同样的缓冲期，但最终幸存下来的，一定是那些把“成分表”和“质检报告”当成产品一部分的企业——AI合规同样如此。

全球示范影响

当欧盟为“超级料理包”立下全球第一部专项法律，其他国家和地区心里都会盘算：我们是不是也要搞一个类似的标准？这种“欧盟一立法，全球忙跟进”的现象，在监管学界被称为“布鲁塞尔效应”。

EU AI Act 对GPAI的治理是全球首次以立法形式填补通用模型的监管空白。它的示范性意义在于：让“训练数据版权”“模型透明度”“系统性风险评估”从学术讨论变成了法律指标。此后，美国、中国、日本等国家纷纷出台或更新AI治理规则，很多条款都隐含着布鲁塞尔式的影子。

对企业而言，只要向欧洲市场提供服务，无论公司注册在哪，都必须符合EU AI Act。这意味着中国的AI大模型企业出海欧洲时，同样需要准备技术文档、数据摘要、版权证明和风险评估。欧盟法案也试图在创新与安全之间寻找平衡——它没有禁止强大的AI，而是用“基于风险”的分级让不同规模的企业承担相称的义务。

就像食品标准的提升会让全世界的食品厂都改进配方，欧盟的AI监管立场也在抬高全球AI产品的质量底线。谁能先把“成分表”写清楚、把“安全检测”做到位，谁就将在国际市场上赢得信任。

AI 应用场景

Python 演示

"""GPAI Compliance Checker —— 判断 EU AI Act 下的监管等级与义务"""class GPAIChecker:    def __init__(self, params: float, tokens: float):        self.params = params        self.tokens = tokens        self.flops = 6 * self.params * self.tokens        self.threshold = 10**25     def is_systemic_risk(self) -> bool:        return self.flops >= self.threshold     def obligations(self) -> list:        base = ["技术文档", "训练数据摘要", "版权政策", "下游使用说明"]        if self.is_systemic_risk():            base += ["模型评估", "对抗性测试", "事件报告", "安全措施"]        return base  def main():    models = [        ("70B 模型", 70e9, 2e12),        ("GPT-4级别", 1.8e12, 13e12),    ]    for name, params, tokens in models:        checker = GPAIChecker(params, tokens)        print(f"模型: {name}")        print(f"  训练计算量: {checker.flops:.2e} FLOPs")        print(f"  是否系统性风险: {checker.is_systemic_risk()}")        print(f"  义务清单: {', '.join(checker.obligations())}")        print("-" * 40) if __name__ == "__main__":    main()

1. self.flops = 6 * self.params * self.tokens用 C=6ND 估算训练计算量
2. self.threshold = 10**25设定EU AI Act的系统性风险阈值
3. return self.flops >= self.threshold与阈值比较，得到是否系统性风险的真假
4. base += ["模型评估", "对抗性测试", "事件报告", "安全措施"]高风险时追加额外义务
5. if __name__ == "__main__":保证模块可作为脚本直接运行

常见误区

面试题