数字法权的范式迁移：从工业时代到算法时代的权利体系重构

2024年3月，中国市场监管总局对某头部外卖平台开出5000万元罚单，理由是平台通过算法对骑手进行不合理的绩效考核，压缩配送时间，诱导骑手违反交通规则，该案成为国内首例因算法滥用被重罚的行政案件。几乎同一时间，欧盟法院裁定某美国科技公司因未经授权将欧盟用户数据用于生成式AI训练，违反《通用数据保护条例》（General Data Protection Regulation, GDPR），需向欧盟用户支付总计12亿欧元的赔偿。这两起看似无关的案件，共同指向一个核心命题：运行了数百年的工业时代法律体系，正在数字技术的冲击下面临范式层面的重构。

截至2024年6月，全球生成式AI用户规模突破12亿，中国数字经济占GDP比重已达44.3%，数据已经成为继土地、劳动力、资本、技术之后的第五大生产要素。然而，工业时代围绕物理空间、自然人主体、有形财产构建的法律体系，在应对数据权属模糊、AI责任空白、算法黑箱等新问题时，已经出现明显的规则失灵。本章将首先梳理工业时代法律体系的核心范式与底层逻辑，分析其与数字技术的核心冲突，进而提出数字法权的核心框架，最后对比全球主要法域的立法趋势与典型规则，为后续章节的分析提供全局视角。

一、工业时代法律体系的核心范式与底层逻辑

工业时代的法律体系是伴随工业革命、民族国家形成、资本主义经济发展而逐步确立的，其核心范式可以概括为三个“中心主义”，这三个范式共同构成了现代法律体系的运行基础。

（一）权利主体的自然人中心主义：从罗马法到现代民法典的演进

自然人中心主义是工业时代法律体系的核心前提，即法律意义上的“人”首先是指具有自然生命形式的个体，只有自然人（以及后续衍生的法人等拟制主体）才能享有权利、承担义务，非人类的存在物只能作为权利客体存在。

这一范式的源头可以追溯到罗马法的“人格减等”制度：罗马法将人分为自由人、市民、家长三种人格，只有同时具备三种人格的成年男性家长才是完整的权利主体，奴隶、未成年人、外邦人等都被排除在权利主体范围之外。直到1804年《法国民法典》第8条明确规定“所有法国人均享有民事权利”，才真正确立了自然人的普遍权利主体地位，打破了人格不平等的封建规则。随后的《德国民法典》进一步补充了法人制度，将社团、财团等拟制主体纳入权利主体范围，但始终未突破“人”的主体边界：法人是法律的拟制产物，其权利能力仍然来源于自然人的授权。

这一范式的底层逻辑是工业时代的生产关系：工业社会的核心生产要素是土地、劳动力、资本，权利关系的调整始终围绕“人”与“人”之间的关系展开，自然人是生产活动的核心参与者，也是权利义务的最终承担者。即便是对动物的保护，在工业时代法律中也只是作为财产权的延伸：你的宠物狗被他人伤害，你只能主张财产损害赔偿，而不能主张狗的“生命权”或“精神损害赔偿”，因为动物不具备法律人格，只能是权利客体。

> 📌 电子版侧边栏：法律人格的扩张历史 > 法律人格的边界并非一成不变：1886年美国最高法院在“Santa Clara County v. Southern Pacific Railroad”案中确认公司享有宪法规定的平等保护权；2017年沙特阿拉伯授予机器人Sophica公民身份；2020年厄瓜多尔宪法修订确认自然体（包括河流、森林）的权利主体地位。法律人格的扩张始终与技术发展、社会认知变化密切相关，相关内容可点击查看本书第7章《非人类主体的法权配置》。

（二）权利客体的有形财产优先：围绕“物”构建的财产规则体系

工业时代的法律体系围绕“有体物”构建，物权、合同、侵权等核心部门法的规则设计均以有形财产为核心调整对象。1804年《法国民法典》第544条对所有权的定义是“所有权是对于物有绝对无限制地使用、收益及处分的权利”，这里的“物”首先是指具有物理形态、可以被占有、可以被排他性使用的有体物。

这一范式的底层逻辑是有形财产的可控性：有体物具有物理上的唯一性、可占有性、可排他性，权利人可以实际控制物的占有、使用、流转，法律的排他性保护规则可以直接适配这种物理属性。相比之下，无形财产在工业时代只是作为补充规则存在：知识产权制度直到19世纪才逐步确立，商业秘密、数据、算法等新型无形财产，在工业时代要么被归入有形财产的延伸，要么完全不受法律保护。

以数据为例：在工业时代，数据只是生产活动的附属品，比如工厂的生产数据、商场的销售数据，只是企业管理的工具，不具备独立的财产价值，因此法律从未将其作为独立的权利客体。直到数字时代，数据成为独立的生产要素，其“可无限复制、非排他性、非竞争性、流动速度快”的属性，完全打破了传统有形财产的规则逻辑：你无法“占有”一份数据，因为复制数据的成本几乎为零；你无法对数据行使“排他性”的权利，因为数据一旦流出你的控制范围，你就可以无法阻止他人使用；数据的价值不会因为被他人使用而减少，反而可能因为流通而增值。这些属性都使得工业时代围绕有体物构建的财产规则完全无法适配数据的特性。

（三）权利边界的属地管辖优先：基于物理空间的管辖权规则

工业时代的法律关系是基于物理空间展开的，因此属地管辖成为国际私法和国内诉讼法的基础原则：法律关系的发生、变更、消灭均与特定的物理空间绑定，因此由该空间所属的国家行使管辖权。比如，你在中国和法国企业签订合同，履行地在中国，那么中国的法院就有管辖权；侵权行为发生在法国，那么法国的法院就有管辖权。

这一范式的底层逻辑是物理空间的不可逾越性：在工业时代，法律关系的空间边界是清晰的，合同签署地、侵权行为地、被告住所地都是明确的物理地点，属地管辖规则可以清晰适用。而长臂管辖只是例外规则，需要满足“最低联系”的要求，即被告的行为必须和管辖国存在实质性的联系，才能适用管辖国的法律。

数字技术的出现彻底打破了物理空间的边界：一份个人信息的存储服务器可能位于新加坡，处理请求可能来自巴西，侵权结果可能发生在德国，传统的“侵权行为地”“结果发生地”规则在此场景下完全失效。比如，中国用户使用美国公司的APP，该APP未经授权将用户数据传回美国，中国监管部门要行使管辖权，只能通过类推“效果地”规则，没有明确的法律依据。

二、工业时代范式与数字技术的核心冲突

工业时代的法律范式与数字技术的核心冲突，可以概括为三个“空白”与三个“冲突”：即权利客体的空白、责任主体的空白、程序规则的空白，分别对应数据属性模糊、AI责任归属空白、算法黑箱与程序正义的冲突。

（一）数据作为新型权利客体的

（一）数据作为新型权利客体的属性模糊与规则冲突 数据作为数字时代的新型生产要素，其权利属性模糊是工业时代法律范式遭遇的首要冲击。这种模糊并非简单的规则缺位，而是由数据本身的物理特性和生命周期结构决定的：一份数据从采集、存储、加工到流通、销毁，会经历多个主体、多个场景的流转，每个环节的权利边界、利益分配均存在根本性的规则冲突。从法理层面看，数据同时具备三重相互冲突的属性：一是人格属性，个人数据直接关联自然人的隐私、名誉、肖像等人格利益，是人格权的数字化延伸；二是财产属性，数据可以通过加工产生商业价值，可交易、可质押、可融资，具备独立的财产利益；三是公共属性，涉及公共服务、公共利益的数据（如交通流量数据、气象数据、公共卫生数据）天然具有非排他性、公共品属性，需要向全社会开放共享。三重属性的叠加使得工业时代“单一属性、排他性保护”的客体规则完全失效：若单纯将数据视为人格权客体，则无法适配数据的流通增值需求；若单纯将数据视为财产权客体，则无法保护数据主体的基本人格利益；若单纯将数据视为公共品，则无法激励数据生产者的投入动力。

这种属性模糊在司法实践中已经引发大量规则争议。2019年北京海淀法院判决的“新浪微博诉脉脉不正当竞争案”是国内首例明确数据流通合法性规则标志性案件：法院提出“三重授权原则”，即平台获取用户数据需要获得用户授权，平台使用数据需要符合与用户的约定，平台向第三方提供数据需要获得用户的单独授权，首次明确了原始数据与衍生数据的权利边界——用户对原始个人数据享有人格权，平台对经过匿名化处理的衍生数据享有财产权，但匿名化处理需要达到“不可识别特定自然人且不可复原”的标准。这一裁判规则直接借鉴了欧盟GDPR中“匿名化数据不受隐私保护约束”的规则，但并未解决更深层次的权属问题：匿名化数据的财产权属于平台还是属于数据的原始提供者？平台对衍生数据的权利是所有权还是用益物权？这些问题在当前的立法和司法实践中均无明确答案。

> 📌 电子版侧边栏：中国数据产权制度的创新探索 > 2022年12月出台的《关于构建数据基础制度更好发挥数据要素作用的意见》（“数据二十条”）首次提出“数据资源持有权、数据加工使用权、数据产品经营权”的三权分置框架，突破了工业时代“一物一权”的所有权规则，成为全球首个针对数据要素的产权分置制度，相关内容可点击查看本书第2章《数据三权分置的法理逻辑与制度实现》。

数据属性模糊的另一核心冲突来自生成式AI训练数据的版权问题。2023年以来，全球范围内爆发了多起生成式AI训练数据侵权诉讼：美国Getty Images诉Stability AI案中，Getty指控Stability AI未经授权使用其1200万张版权图片训练Stable Diffusion模型，构成直接侵权、间接侵权和商标侵权；国内“AI绘画第一案”中，画家李某发现自己的作品被用于训练某AI绘画模型，遂起诉模型提供者侵犯其著作权，法院最终判决模型提供者承担侵权责任，理由是训练数据的使用超出了“合理使用”的边界。这些案件的核心争议在于：AI训练数据的使用是否构成著作权法意义上的“合理使用”？欧盟版权法中的“文本与数据挖掘例外”规则、美国版权法中的“转换性使用”原则是否适用于AI训练场景？当前全球立法对此尚无统一规则，本质上是工业时代著作权法“激励创作”的目标与数字时代“促进技术创新”的目标之间的价值冲突：若严格保护训练数据的版权，将大幅提升AI模型的训练成本，抑制技术创新；若完全放开训练数据的版权限制，则将严重损害原创作者的权益，打击创作积极性。

从技术层面看，数据的“非竞争性、非排他性、可无限复制”特性，完全打破了工业时代物权法的“排他性、唯一性、可占有性”前提。我们可以用一个简单的价值函数来描述数据权利的平衡逻辑： $$V(D) = \alpha \cdot P_i + \beta \cdot P_p + \gamma \cdot P_c$$ 其中$V(D)$为数据的总价值，$P_i$为数据的人格权价值，$P_p$为数据的公共利益价值，$P_c$为数据的财产权价值，$\alpha、\beta、\gamma$为不同场景下的权重系数：在个人医疗数据场景下，$\alpha$权重接近1，人格权保护优先；在公共气象数据场景下，$\beta$权重接近1，公共利益优先；在企业商业数据场景下，$\gamma$权重接近1，财产权保护优先。工业时代的法律体系无法适配这种动态变化的权重需求，因此需要重构数字时代的权利平衡规则。

（二）AI作为非人类主体的责任归属空白

生成式AI和自主系统的快速发展，使得“非人类主体能否承担责任”从科幻议题变成现实法律问题。当前AI的发展已经突破传统“工具论”的边界：弱AI阶段（如传统推荐算法、工业机器人）只是执行人类预设规则的“工具”，责任可以完全归属至人类使用者或开发者；但中强AI阶段（如生成式AI、自动驾驶L4级以上系统、AI交易机器人）已经具备自主决策、自主学习、自主行动的能力，其决策过程不再完全受人类控制，甚至会出现人类开发者无法预见的“涌现能力”，此时传统“过错责任、因果关系”的归责体系完全失效。

这种责任空白在司法实践中已经引发大量争议。2023年美国国家公路交通安全管理局（NHTSA）对特斯拉Autopilot致死案作出裁决，认定车辆在Autopilot模式下撞上横穿马路的行人时，驾驶员和特斯拉均存在过错，但无法明确责任比例：一方面，算法错误识别了行人（将行人识别为路边障碍物），属于产品缺陷；另一方面，驾驶员在系统预警后未及时接管，存在操作过错。由于算法的决策过程是黑箱，监管部门和法院无法还原事故发生时的算法逻辑，最终只能按照“过错程度模糊”的原则判决双方共同承担责任，这种裁判规则的任意性显然不符合法治的基本要求。2024年香港发生的“AI深度伪造诈骗案”更是暴露了责任归属的空白：诈骗分子利用AI深度伪造技术模仿某跨国公司CEO的声音，致电公司财务要求转账2亿港币，财务在没有核实的情况下完成转账。本案中，AI工具提供者、诈骗分子、受害公司财务均存在过错，但现有法律无法明确AI工具提供者是否需要承担责任：若要求提供者承担严格责任，将大幅提升AI工具的研发成本；若要求提供者仅承担过错责任，则受害者几乎无法证明提供者存在过错，无法获得救济。

AI责任归属空白的底层冲突，来自工业时代“主体-客体”二分法的逻辑前提：工业时代的所有法律关系都是“人”与“人”或“人”与“物”之间的关系，责任只能由“人”（自然人、法人）承担，“物”只是行为的工具。但AI的发展已经突破了这一边界：当AI的自主决策能力足够强时，其行为已经无法简单归因于开发者或使用者，若仍然坚持“AI只是工具”的逻辑，将导致大量侵权行为无法得到救济，受害者无法获得赔偿；若赋予AI法律主体资格，则又会引发“AI是否享有权利、如何承担义务”的一系列连锁问题，彻底打破现有法律体系的主体框架。

当前全球立法对此采取了两种不同的应对路径：一是欧盟AI法案采取的“风险归责”路径，按照AI的风险等级分配责任：高风险AI（如医疗、司法、自动驾驶AI）的提供者承担严格责任，无论是否存在过错都需要承担责任；中低风险AI的提供者承担过错责任，受害者需要证明提供者存在过错。二是中国《生成式人工智能服务管理暂行办法》采取的“提供者负责制”路径，明确生成式AI服务提供者需要对生成内容的合法性、安全性承担首要责任，无论是否存在过错都需要先承担对受害者的赔偿责任，之后再向有过错的开发者、使用者追偿。两种路径的核心差异在于：欧盟模式强调“风险与责任匹配”，按照风险等级分配责任；中国模式强调“受害者救济优先”，由最有能力的提供者先承担赔偿责任，再通过内部追偿分配最终责任。

（三）算法决策的黑箱性与程序正义的冲突

算法已经深度嵌入社会生活的各个领域：信贷机构用算法审批贷款，企业用算法筛选简历，法院用算法辅助量刑，政府部门用算法分配公共服务资源，甚至学校用算法预测学生的辍学风险。算法决策的高效性使其成为公共管理和企业运营的核心工具，但算法黑箱的特性却与程序正义的基本要求产生了根本冲突：程序正义的核心要求是“知情权、辩论权、救济权”，即当事人有权知道决策的依据，有权对决策提出异议，有权在决策不公时获得救济，而算法黑箱使得这三个基本权利都无法实现。

算法黑箱的成因分为三个层次：一是技术黑箱，即算法本身是企业的核心商业秘密，属于技术秘密，企业没有动力公开算法逻辑；二是逻辑黑箱，即便企业公开了算法代码，普通公众、甚至司法人员也无法理解复杂的算法逻辑，更无法判断算法是否存在歧视；三是过程黑箱，当前主流的深度学习算法是动态学习的，其决策逻辑会随着训练数据的更新不断变化，即便是算法的开发者也无法完全预测每一次决策的具体逻辑。2016年ProPublica发布的调查报告《Machine Bias》首次公开了美国司法领域使用的COMPAS量刑算法的种族歧视问题：该算法用于预测被告的再犯罪风险，为法官的量刑提供参考，但调查显示，算法给黑人被告打“高风险”评分的错误率是白人被告的两倍，白人被告被错误评为“低风险”的比例是黑人被告的1.5倍。而算法的开发商Northpointe公司以“商业秘密”为由拒绝公开算法逻辑，导致被告无法对算法评分提出异议，也无法证明算法存在歧视，最终美国最高法院拒绝受理被告的上诉，使得这一歧视性算法继续在美国30多个州的法院使用。

算法黑箱引发的程序正义冲突，本质上是工业时代“形式正义”与数字时代“实质正义”之间的冲突：工业时代的程序正义要求“决策过程公开、决策依据可查”，但算法的黑箱特性使得这一要求无法实现；若坚持形式正义的要求禁止使用算法，则又会牺牲算法带来的效率提升，不符合数字时代的发展需求。因此，数字时代的程序正义需要重构，核心是从“过程公开”转向“结果可解释、决策可追溯、救济可落地”：即不需要公开算法的全部代码，但需要向当事人说明决策的核心依据，需要保留决策的完整日志以便追溯，需要在算法决策出错时提供有效的救济渠道。

> 📌 电子版侧边栏：算法治理的中国实践 > 中国《算法推荐服务管理规定》《互联网信息服务算法推荐管理规定》要求算法推荐服务提供者向用户提供不针对其个人特征的选项，或向用户提供便捷的关闭算法推荐服务的选项，同时要求提供者公开算法的基本原理、目的意图、主要运行机制，是全球首个针对算法透明度的强制性规则，相关内容可点击查看本书第4章《算法透明与公平治理的实操路径》。

三、数字法权的核心框架：三大挑战的底层逻辑与相互关系

工业时代法律范式与数字技术的三大冲突，并非孤立存在，而是围绕“数据-AI-算法”的数字技术核心链条形成相互关联的体系：数据是AI训练的原料，也是算法决策的依据；AI是处理数据、运行算法的核心载体；算法是数据价值实现、AI能力输出的核心路径。三大冲突的底层逻辑可以概括为“数据权属模糊导致利益分配失衡，AI责任空白导致侵权救济失效，算法黑箱导致程序正义丧失”，三者共同构成了数字法权需要解决的核心挑战。

我们可以用一个三角关系模型来描述三者的内在关联： ```mermaid graph TD A[数据隐私与产权保护] --> C[数字法权核心框架] B[AI责任与归责规则] --> C D[算法公平与透明治理] --> C C --> A C --> B C --> D style A fill:#f9f,stroke:#333,stroke-width:2px style B fill:#9f9,stroke:#333,stroke-width:2px style D fill:#99f,stroke:#333,stroke-width:2px style C fill:#ff9,stroke:#333,stroke-width:4px ``` 其中数据隐私与产权保护是基础：只有明确了数据的权属边界和隐私保护规则，才能从源头上遏制数据滥用，避免算法训练和算法决策的“原料”出现合法性问题；AI责任与归责规则是保障：只有明确了AI侵权后的责任分配规则，才能让受害者获得有效救济，倒逼AI开发者和运营者提升技术安全性、合规性；算法公平与透明治理是核心：只有解决了算法黑箱和算法歧视的问题，才能让数字技术的应用符合程序正义的要求，避免技术加剧社会不平等。三者的最终目标是一致的：在促进数字技术创新和数字经济发展的同时，保护自然人、法人和其他组织的合法权益，维护公共利益和社会秩序。

数字法权的核心框架可以概括为“三层权利体系+三类监管规则”：三层权利体系包括个人数据权利（人格权属性）、数据产权（财产权属性）、公共数据权利（公共属性）