Prof Gabriel Weil

责任法可以在不要求政府预判哪些技术防护措施有效的情况下，为前沿 AI 风险定价。 Gabriel Weil 将危险的 AI 开发视为一种第三方外部性：企业获得上行收益，而非用户承担了自己从未接受的风险。指令式监管要求各方事先达成共识，但这种共识并不存在；责任机制则会“随风险机械性扩大”，调动私营部门的专业能力寻找成本效益最高的缓解方案。

现有过失责任和产品责任 doctrine 可能错过最关键的决策：部署一个尚未被充分理解的前沿系统，整体上是否合理。 过失责任通常追问某项可用的预防措施能否避免伤害，而不是这项活动的总风险是否足以被其收益合理化；设计缺陷法也采用类似的替代设计测试。纯软件通常也被视为服务，这可能使许多 AI 案件无法适用产品责任。

Weil 最有力的严格责任主张针对的是模型层面的错位，而不是每一次 AI 错误或恶意使用。 如果一个智能体实施了对人类而言会构成侵权的行为，而用户和中间方都无意实施、也无法合理预见，那么“责任应止于模型最初的开发者和提供者”。在 AI 医生或自动驾驶汽车取代人类、且已经在减少伤害和死亡的情况下，他反对让它们承受高于竞争中人类的责任标准，因为那会拖慢这些技术。

惩罚性损害赔偿是 Weil 让原本不可保险的灾难风险在财务上真实化的机制。 当模型造成可赔偿伤害、但同一失误“很容易可能造成严重得多的后果”时，法院可以针对不负责任地承担的风险收费，而不只是针对已经实现的伤害收费。如果最大可保损失是1万亿美元，那么要将1万亿美元的灾难风险内部化，预警事件的发生概率大致需要是其10倍；因此，若灾难概率为1/1,000，预警事件概率就需要约为1%。

保险可能成为规则手册难以胜任的适应性监管者。 保险公司可以拒绝承保、要求采取防护措施，或在实验室证明风险确实下降后下调保费，把安全投入转化为即时的利润表变量。但在预警事件过于罕见、损失过大，或某个系统带来类似5%的灭绝风险时，监管者仍不可或缺：“你不能训练这样的模型，也不能部署它。”

罗德岛州和纽约州拟议法案以较窄的方式，让开发者为模型的非预期行为兜底。 法案排除因误用和恶意修改而产生的新责任，保留通常的过失责任和产品责任，并在 AI 取代驾驶、医疗或其他人类职能时提供以人类为标准的抗辩。这种窄化设计引发的反弹少于围绕 SB 1047 的误用政治，尽管两州法案当年似乎都不太可能推进。

开放权重和分层 AI 应用，让责任如何分配变得和责任标准本身一样重要。 闭源提供商、脚手架开发者和客户可以通过合同、连带责任和追偿分配损失；开放权重发布则缺少这条合同链，迫使法院识别哪一步“让世界变得更危险”。对于语音克隆、深度伪造和呼叫智能体，Weil 会在普通过失与严格责任之间进行区分，权衡可避免的误用风险与紧密耦合的正外部性。

私人监管市场可以补充责任机制，但不能因为认证而抹去暴露在风险中的第三方索赔权。 Weil 反对加州 SB 813 模式，原因在于用户可能明知地用自己的起诉权换取认证，而行人和更广泛的公众从未同意承担风险。他的综合方案是：认证保护仅限于用户伤害，保留第三方责任，并可能对拒绝认证的企业施加严格责任。

🔗 原始收听与视频来源： AI 伤害责任：古老法律如何治理前沿技术风险——与 Gabriel Weil 教授对谈