本文首发于《招标采购管理》杂志2024年第2期

生成式人工智能是指具有文本、图片、音频、视频等内容生成能力的模型及相关技术，其在大模型、大算力、强算法等技术方面实现了对决策式人工智能的突破，并以更卓越的效率、创造力和生产力成为新一轮数字经济变革的重要驱动力量。当前，以美国ChatGPT为代表的生成式人工智能正呈飞速发展态势，我国生成式人工智能研发与应用方兴未艾，并助力教育、医疗、政务等行业逐步实现智能化产业升级。

政府采购是指国家机关及其所属单位使用财政资金依法进行的采购行为，旨在为社会提供公共服务，促进经济发展和社会福利提升。随着我国“互联网+政府采购”的推进及政府采购全流程电子化的施行，当前全国多地公共资源交易中心正积极向交易数智化转型，基于生成式语言大模型的智能问答系统也在稳步研发中，运用于相关领域仅为时间问题。可以预见，生成式人工智能应用于政府采购乃大势所趋。

然而，随着生成式人工智能的暴发应用，其潜在法律风险引人担忧。虽然我国已于2022年11月和2023年7月分别出台了《互联网信息服务深度合成管理规定》和《生成式人工智能服务管理暂行办法》，但其仅为生成式人工智能的一般规则，无法回应政府采购领域的特殊要求，提供适用于该行业的具体解决方案。基于此，本文通过分析生成式人工智能在政府采购中的应用前景，从法律层面探讨其可能存在的风险并提出对策，以探索生成式人工智能与政府采购深度融合、创新应用的可能路径。

生成式人工智能具有两大特征：一是自我生成能力和系统的创造性。作为认识论模型中的高阶版本，生成式人工智能能够在分析、归纳已有数据的基础上对输出内容演绎创新，生成不同于训练数据的新内容。二是强人机交互性。以ChatGPT为例，其能在与用户的多轮对话中不断识别用户需求，理解用户意图，并遵循用户逻辑生成所需内容。凭借上述优势，生成式人工智能在政府采购领域的应用前景广阔。

（一）生成式人工智能应用于文件编制

1.机器辅助需求编制

当前政府采购需求编制多依赖于人工市场调研，易滋生如下问题：一方面，不充分不精准的市场调研易导致需求编制不当，引发质疑投诉，拖延采购进程；另一方面，由于人员干预程度高，利益输送问题屡禁不止，对采购结果产生不利影响。生成式人工智能依靠强大的自我学习和拓展学习能力，能够通过对市场同类供应商经营数据、历史投标情况、履约情况等采购活动前中后期数据的广泛收集与比较，精准描绘市场主体画像。在数据脱敏基础上，利用概率大模型学习潜在分布规律，从而高质量生成与采购要求匹配的需求文件，且可规避人为干扰因素。

2.自动生成招标文件

政府采购招标文件规范严，禁设项多，违规事项相对分散。其在规范层面仅做原则性规定，具体问题解决则主要依赖财政部国库司答复留言和质疑投诉案例，整理起来既繁琐又易疏漏，难以实现动态更新。生成式人工智能可在海量的法律、规定、案例、答复等数据训练基础上，利用自然语言处理技术动态抓取和整理相关语料，识别其中风险点，理解个案需求，自动生成既合乎规范又合乎需求的招标文件。

（二）生成式人工智能推动评审转型

当前以专家为中心的评审模式存在两方面问题。从主观层面看，评审结果高度依赖专家的专业程度与自身素质，标准难统一，结果不确定性大；从客观层面看，部分采购项目评分项设置复杂，技术参数多，人工评审效率低且易生误差。生成式人工智能可助力政府采购从人工评审向智能评审转型，实现评审模式的再造。一是识别虚假响应。其可借助大型语言模型迅速准确识别大量数据间交集，通过数据分析形成完整证据链，对供应商投标文件响应情况作出科学判断，对虚假响应提供预警。二是统一评审标准。其可在对既有同类项目数据比较学习的基础上，分析评审逻辑，生成评审报告，增强评审结果稳定性。三是优化评审结果。因其具备自我诊断和批判分析能力，可超越传统智慧，避免供应商歧视和偏见，使得评审结果更为科学公正。

（三）生成式人工智能赋能智慧监管

政府采购作为财政制度的重要组成部分，是市场经济条件下政府履行职能的重要宏观调控工具。借助生成式人工智能技术及工具，政府采购可以更好地发挥其调控监管作用。

1.辅助政府预算编制

预算与需求不匹配是引发供应商“价格战”的重要原因，其后果是产品技术配置和服务质量受轻视，导致资源配置不当。生成式人工智能利用大数据分析和机器学习等技术,有能力对具体项目的市场价格进行预测建模，提高财政预算决策的科学性和编制的精确性，有效缓解政府采购中竞争不充分和虚假竞争现象。

2.推动政策规范制定

一方面，生成式人工智能将显著提升各类数据互联互通能力，有助于形成“预算—需求—采购—履约—综合评价”的闭环，加深政府采购多主体间的交流协作和实时监督，优化资源配置。另一方面，通过对海量历史交易数据的学习与研判，准确识别实践中的疑难问题，为打造粒度更细的规范文件提供依据，促进政府采购管理迭代更新。

如上文所述，生成式人工智能以海量数据大模型为技术底座，通过庞大的算力和精妙的算法，实现“类人化”智能生产方式，助推政府采购效率提升和技术创新。不过，与该技术伴生的潜在法律风险也不容小觑。

（一）数据权属不明引发数据合规问题

如上文所述，生成式人工智能技术依赖于对庞大既有数据的分析与学习。当前，虽然国务院办公厅已在《要素市场化配置综合改革试点总体方案》和《中共中央  国务院关于构建数据基础制度更好发挥数据要素作用的意见》（下文简称《数据二十条》）中对数据确权授权方式作出框架性规定，初步确立了数据要素市场流通规则，但该规则并不能有效回应政府采购领域的具体问题。

1.公域与私域数据界限不明晰

《数据二十条》以行为论而非主体论对公共数据作出规定，将“依法履职或提供公共服务过程中产生的数据”视为公共数据。政府采购虽属公共服务范畴，但其所涉数据类型多元，除了政府采购活动产生的数据，还包括外部市场供需数据，前者由政府采购的参与主体供给，后者则从同行业其他市场主体收集。因此，政府采购数据同时涉及公共数据与企业数据，非为现有规范所囊括。数据权属分配不明将引发侵犯企业知识产权、商业秘密等一系列问题。

2.公共数据使用方式不明确

依据《数据二十条》，推动用于公共治理、公益事业的公共数据有条件无偿使用，探索用于产业发展、行业发展的公共数据有条件有偿使用。因政府采购是一项兼具公益性与市场性的行为，即便将部分数据纳入公共数据范畴，也难以据此概括出普遍原则。

（二）算法黑箱问题挑战公开透明原则

公开透明是政府采购首要原则，要求采购全流程从预算编制、需求公开、结果公告直至履约验收，均应面向社会公开。这一方面为公众监督提供渠道，防范腐败事件发生；另一方面有利于营造充分竞争的市场环境，促进公共资源合理配置。

然而，该原则将受到生成式人工智能“算法黑箱”的高度挑战。算法黑箱是人工智能时代的新问题，用于描述供求双方基于技术壁垒产生的信息鸿沟。由于深度依赖算法，由机器抓取、处理并输出数据，人工智能的输出内容受制于编程者主观偏差、技术偏差等因素，其演算逻辑难以为普通用户所理解。生成式人工智能因具有更强的自我创造力和学习衍生力，其生成的内容将远超编程者控制，这进一步激化了算法黑箱矛盾，使得“少部分人算法黑箱”成为“人类共同的算法黑箱”。在此情形下，政府采购参与主体将难以在过程端发现问题并及时修正结果，公开透明的政府采购环境受到挑战，既有行业秩序受到冲击。

（三）多元责任主体突破现有问责机制

依据《政府采购法》第十四条，政府采购当事人在政府采购中享有权利和承担义务，对政府采购负有法律责任。其中，采购人和集采机构（招标代理机构）作为质疑与投诉的相对方，对政府采购各阶段的实质性和程序性事项的合法合规均负保证义务，是政府采购法律责任的主要承担主体。而生成式人工智能的应用将引发权利义务的重新分配，打破以采购人和集采机构为中心的问责机制。

一方面，技术平台的介入将突破当前责任范式。机器可替代采购人和集中采购机构部分工作，如需求拟定与文件编写等，完成质量则有赖于数字产品的稳定性与安全性。作为生成式人工智能研发主体，技术平台对此负有保证义务，成为政府采购法律责任承担的新兴主体。  

另一方面，有观点认为生成式人工智能应当作为独立主体承担法律责任。理由是，决策式人工智能是以算法“可解释”作为确定责任主体的基本逻辑，其实质是由算法研发者和提供者承担人工智能法律责任，而生成式人工智能因其已具备“类人”思维和一定行为能力，其生成内容有可能超出研发者预期。如在人机互动中，尽管算法已回避隐私数据，但机器仍能凭借庞大数据集和强大算力抓取用户隐私数据，导致侵权责任。此责任若依然由研发者承担确实有失公允。如此一来，责任监管难度加大，问责机制将陷入困顿。

面对生成式人工智能带来的上述风险，应坚持发展与安全并重、鼓励创新与依法治理相结合的原则，从以下三个层面予以规制。

（一）细化数据分类，确立使用规则

1.细化数据分类，厘清数据权属

因政府采购同时涉及公域与私域数据，须严守公共数据和企业数据的界限。公共数据的本质是“由提供公共服务产生”且具有“公共价值”。企业数据则往往面向特定主体，体现显著的商业性。如上文所述，政府采购数据包括政府采购活动产生的数据和外部市场的供需数据。前者又可细分为从业人员行使职权产生的数据和投标供应商提供的数据。因政府采购属于公共服务，从业人员行使职权产生的数据应属公共数据；外部市场供需数据因具有鲜明的商业性，应作为企业数据。争议主要集中于投标供应商提供的“非公开”数据应如何归类，虽然该数据属于政府采购必要组成部分，但供应商并不承担公共服务职能。从劳动价值论出发，考虑到该数据通常包括项目实施方案等内容，与供应商投标策略和商业机密息息相关，应将其归为企业数据。

2.制定差异化规则，规范数据收集与使用

对于公共数据，应在以“国家所有、授权运营”为原则的基础上，建立补偿机制。该原则下，政府在公共数据支配中占主导地位，有利于统筹数据管理，达成数据开放共享和安全合规之间的平衡。鉴于当前全国多地公共资源交易中心已完成“事改企”改革，改制后企业以公共资源交易为主营业务，兼具公益性、功能性和市场性，政府采购数据是其市场竞争力重要体现，故应对从此类非行政事业单位所收集的公共数据给予相应补偿。对于企业数据，应在明确其数据用益权的基础上推行数据利他主义。一是确立企业数据用益权，将企业授权作为数据收集的前提。从本质上看，《数据二十条》提出的数据三权分置理念是数据用益权在数据生成和利用不同阶段的具体实现形式，故可将数据用益权视为数据三权分置理念在法律层面的规范表达。数据用益权将所有权与实际控制权分离，为企业行使积极权能提供依据。二是推行数据利他主义。该概念最早由欧盟提出，本文语境下是指企业自愿以无偿的方式基于一般利益，如改善公共服务，向政府共享其数据。为激励更多企业参与政府采购数据共享，可参考欧盟做法，采取税收奖励、建库资源共享等方式提升企业积极性。

（二）加强流程治理，破解黑箱困境 

1.在事前环节，建立规范法律语言库

生成式人工智能算法黑箱难点在于人机交互的不确定性，易引发合规问题。为此，应联合政府采购及其关联领域专业人士编写、建立统一的规范法律语言库，从源头控制输入内容的合规性。同时加强采购单位及相关从业人员的培训与治理，确保输入内容合法、合规、可控。

2.在事后环节，重视算法和结果解释

针对上述算法黑箱导致公开透明原则受限问题，算法研发者应在技术可行且不违规前提下，构建以用户为中心的数据透明义务体系，提供政府采购相对人参与监督的机会，并通过对数据处理过程的解释，增强算法的透明度和可视化；政府采购从业人员应配合结果解释，对生成式人工智能输出内容进行把关，对其中存有争议和违规的内容及时修正纠偏，提高政府采购结果的公信力，维护过程的公开透明。

（三）明确责任主体，重塑责任矩阵

首先，需明确生成式人工智能的法律主体定位。当前学界就此问题存在分歧。肯定观点认为，人工智能未来将成为“类人”智能，应赋予其权利能力和行为能力；否定观点从工具论出发，认为人工智能仅为人类达成某种目的的手段，不具备独立作出认识、判断、选择之能力。本文认为，不应赋予生成式人工智能法律主体地位。一方面，从法律拟制角度看，法律主体是法律权利与义务的人格化。生成式人工智能的自判力和创造力以人工搭建的算法模型为基础，无法自主决定开展某项工作，在内容生成方面拥有的所谓“权利”与“义务”均建立在人的选择之下。另一方面，作为法律主体意味着要承担相应法律责任，生成式人工智能显然无法独立对自己的行为作出应答，将其视为责任主体将致使既有问责秩序愈发失控。

为进一步规制生成式人工智能在政府采购中的应用，应构建以人为本的多元主体责任矩阵。具体言之，生成式人工智能服务提供者可比照生产者产品责任，对生成式人工智能的系统风险承担无过错责任，其应保证技术产品具有安全性、稳定性和可解释性，并持续监控系统性风险。生成式人工智能服务使用者应对输入内容承担过错责任。其中，政府采购从业人员对人工智能输出内容负有评估核查义务，并协助服务提供者对其进行解释。采购人则应严格依照规范法律语言库的要求确保输入内容合规有效。

随着ChatGPT等技术的规模化应用、人工智能技术的迭代升级及政府采购产业智能化升级的需要，生成式人工智能运用于政府采购领域指日可待。诚然，该技术能够助力政府采购从电子化向数智化发展，提升决策的标准化、科学性和前瞻性，为政府采购带来新的机遇，但同时也将引发规范层面新的难题。生成式人工智能高度的数据聚合性、创造性和人机互动性将增加数据合规难度，且对政府采购公开透明原则和现有问责机制造成挑战。鉴于此，应在明确公共数据和企业数据分类的基础上，制定差异化规制规范数据收集与使用；加强政府采购全流程监管，建立规范法律语言库并重视算法和结果解释；构建以人为本的多元主体责任矩阵，对生成式人工智能服务提供者和多方使用者分别附加不同的责任与义务。

★本会《招标采购管理》杂志拥有此文版权，若需转载或复制，请注明来源于《招标采购管理》，标注作者，并保持文章的完整性。否则，将追究法律责任。