作者：孙皓琛，香港大学法律学院教授

随着生成式人工智能（generativeAI）的迅猛发展，AI生成内容正以前所未有的规模涌入网络平台。然而，一个日益严重的问题也随之浮现：大量AI生成的内容被故意隐瞒，甚至伪装成人类创作的作品。无论是音乐平台上悄然走红的AI乐队，还是学术期刊中由ChatGPT代笔的研究论文，抑或是社交媒体上以假乱真的AI生成图像，都在向我们发出警示——当AI的输出愈来愈接近人类创作时，如何确保公众能够知晓其真实来源，已成为一个亟待解决的法律与社会命题。

在此背景下，我们有必要深入了解AI生成内容隐瞒（以下简称“AI内容隐瞒”）现象的多样表现与深层危害，同时探讨人类创造力与AI创造力之间的本质区别。为此，我提出了“差异化创造力”理论，用以论证区分这两种创造力的必要性。在此基础上，我进一步提出“输出透明度”（output transparency）作为新的法律监管标准，试图为AI时代的创造力治理提供一条可行的制度路径。

一、AI生成内容的隐瞒现象及其危害

众所周知，AI内容隐瞒现象并非个例，而是呈现出多样化、规模化与技术化的趋势，且已广泛渗透于学术、新闻、广告、艺术等多个领域。在学术界，大量研究论文被揭露由ChatGPT等AI工具生成或辅助写作，作者却未在文中作任何披露，甚至出现了AI伪造引用文献、虚构案例的情况。在新闻领域，部分媒体使用AI撰写新闻稿件，却未向读者说明其作者的非人类身份，导致读者在不知情的情况下接收可能缺乏事实核查的内容。在广告与社交媒体平台上，AI生成的虚假评论、AI合成的代言人视频、AI制作的“真人”访谈层出不穷，让消费者对产品与服务形成错误印象。在艺术创作与版权登记领域，一些创作者使用AI生成图像参与艺术比赛或申请版权登记时，刻意隐瞒AI的参与，试图以此获取人类作者身份的法律承认，从而获得版权保护。

此外，AI内容隐瞒的手段也在不断升级。随着各类“AI人性化”工具的涌现，用户可以轻松改写AI生成文本，使其在语言风格、句式结构、情感表达上更接近人类写作的特征，从而绕过AI检测系统的识别。与此同时，AI生成的图像、音频、视频也可以通过去水印、编辑瑕疵、添加噪声等技术手段掩盖其AI来源。这些技术的存在，使得AI内容隐瞒行为不仅更加隐蔽，也愈加难以追踪和规制。

AI内容隐瞒行为所带来的危害是多层次、多维度的。对于个体而言，消费者在不知情的情况下接触AI生成内容，无法作出真正知情的消费选择，甚至可能因此遭受经济或精神上的损害。例如，AI生成的虚假医疗建议可能误导患者的治疗方案，AI生成的法律意见可能影响当事人的诉讼决策，而AI生成的艺术品若被隐瞒来源，消费者则可能支付远高于其真实价值的价格。对于创作者与版权体系而言，隐瞒AI参与使得版权归属变得模糊不清，AI生成内容若被错误登记为人类作品，则会破坏以人类作者身份为基础的版权保护制度。

对于AI技术本身的发展而言，隐瞒行为同样构成威胁。当AI生成内容被大量输入互联网并用于训练新一代AI模型时，可能导致“模型崩溃”现象的发生。合成数据缺乏人类创作中所蕴含的多样性与创新性，反覆使用将导致模型输出趋同、错误放大、偏差固化，最终影响AI系统的长期演进。对于社会信任与公共生活而言，AI生成的深度伪造（deepfake）视频、虚假新闻、冒充人声的诈骗电话，已对民主对话与社会安全构成现实威胁。若不加以及时有效的透明性监管，公众对信息源头的信任将不断削弱，社会共识的基础也将随之动摇。

二、人类创造力与AI创造力的本质区分

面对AI内容隐瞒所造成的危害，我提出了“差异化创造力”理论，旨在论证区分人类创造力与AI创造力的必要性。在这一理论框架下，人类创造力的实现依赖于三个核心条件：创造意图、情感表达以及对创造过程的控制。相比之下，AI创造力在本质上并不具备这些条件，其创作过程主要是通过运行算法模型和使用大规模数据，以自动化的方式进行。

首先，创造意图是人类创造力的触发条件，它体现为创作者有意识的目的、愿望和规划，是驱动整个创造过程的内在动力。人类创作者通常带着特定的意图开始创作，例如表达某种观念、情感或解决特定问题。这种意图不仅启动创造，还贯穿于宏观规划与微观调整之中，即便创作过程中存在偶然性和即兴成分，也往往受到前期意图与规划的引导。以摄影为例，当一位摄影师有意拍摄滑雪者留下的滑行轨迹时，其行为便具有明确的创造意图；而滑雪者无意中留下的优美轨迹，虽具审美价值，却因缺乏意图而难以被视为严格意义上的创造。

相比之下，AI系统缺乏真正的创造意图。AI的“创作”本质上是基于大规模数据训练的统计预测和模式匹配。它根据用户输入的提示生成输出，但这种生成过程并不源于AI自身的目的或愿望，而是人类编程和数据驱动的结果。AI无法形成“第一人称视角”的主体性意图，也没有自我意识来理解其输出所承载的意义。就算AI能产生高度逼真的内容，其过程仍属机械模仿，而非意图驱动的创造；即便在先进的大语言模型（Large Language Model, LLM）中，AI的“意图”最终仍可追溯到程序员设定的规则和训练数据，并非自主生成。因此，AI输出虽可模仿人类意图驱动的结果，却无法拥有人类意图的内在主观性。

其次，情感表达是人类创造力的塑造力量。人类通过自身的生物体构造与生活经历而产生多种情感，并将这些情感注入创作之中，使作品具有独特的深度与共鸣。具体而言，情感可分为三类：一、审美情感，源于对美的感知与欣赏，如梵高（Vincent van Gogh）《星夜》（The Starry Night,1889）中所体现的美学上的惊奇与震撼。二、智识情感，包括好奇、困惑、惊喜与成就感，这些情感驱动着科学研究与创新，例如科学家在解决问题时因困惑而提出新的假设。三、道德情感，如同理心、羞耻感与责任感，常驱使创作者回应社会事件。罗贯中的《三国演义》对曹操、刘备与诸葛亮的人物刻画，便是道德情感塑造创作的典型例证。这些情感根植于人类真实的生理体验与生活积累，是创造力的核心驱动力。

然而，AI系统则完全缺乏情感表达的能力。它没有生物身体，无法体验真实的感觉、痛苦或喜悦。生成式AI虽然能够模仿情感语言或视觉效果，但这仅仅是基于训练数据的概率匹配，并非源于内在体验。例如，ChatGPT可以生成“我很饿”这样的语句，却并不具备生理上的饥饿感；扩散模型在生成图像时，也只是通过添加或移除噪声来模仿训练样本，而非真正表达情感。因此，AI的“创作”本质上是模仿，而非情感的表达。这一根本差异使得AI生成的内容往往缺乏人类作品所具备的深刻主观性、人文温度与独特共鸣力，即便其输出在形式上极为逼真，情感维度依然是空洞的。

再次，控制是人类创造力的完成条件，指的是创作者对创造过程拥有最终的决策权与认知掌控能力，包括生成想法、评估输出以及进行调整的能力；即便借助工具，人类创作者仍然始终保持对作品表达的最终把控。认知科学表明，这种控制依赖于前额叶的神经过程，能够抑制常规反应、生成原创想法，并在评价阶段筛选出高质量的成果。无论是在摄影中使用相机，还是在音乐演奏中使用效果器，人类始终负责想法的生成与最终的判断，从而保持创作的主导权。相反，若外部干预（如胁迫）剥夺了创作者的实质控制，创作者甚至可能拒绝承认作品的所有权。

相比之下，AI在“创作”过程中缺乏真正的控制。尽管用户可以通过提示对AI进行引导，但AI的实际生成仍然依赖于预设的算法和训练数据，其所谓的“决策”本质上是程序化的。即便是在先进的大语言模型中，AI也无法突破编程规则的边界，实现真正的自主判断。更重要的是，AI不具备自主性，其输出最终都可追溯至人类程序员与训练数据所构成的因果链条。即使未来出现通用人工智能（artificial general intelligence, AGI），其控制能力也将始终受限于设计初衷，无法等同于人类作者所拥有的自主控制。

三、输出透明度：第三层监管标准的提出

以上三个维度的分析共同揭示了一个根本性的对立：人类创造力是意图驱动、情感浸润且高度自主的动态过程，而AI创造力在本质上是基于算法与数据驱动的自动化过程。这种差异并非程度之别，而是性质之分。

然而，仅凭对输出结果的观察，我们已无法可靠地区分二者。这恰恰说明，区分的工作必须前移至过程与来源层面，并由法律强制介入。为此，我提出将“输出透明度”作为一项新的标准来规范AI的运用。输出透明度的理论基石，在于承认人类创造与AI生成之间存在本质性的差异，并以此差异为依据，赋予公众知悉内容来源的权利。唯有如此，才能在保护人类创造力独特价值的同时，为AI创新构建一个真正可持续的生态。

首先，输出透明度为推行相关的AI监管提供了坚实的理论基础。尽管中国《人工智能生成合成内容标识办法》、欧盟《人工智能法》（Artificial Intelligence Act），以及美国部分州的法律已开始要求对AI生成内容进行标识，但这些规定在制定时缺乏坚实的理论基础，技术上也面临诸多挑战，且往往仅针对科技公司，忽视了用户层面的AI内容隐瞒行为。更重要的是，这些规定未能回答一个根本性问题：我们究竟为什么需要区分AI生成与人类创作的内容？正是对这一问题的忽视，导致相关监管措施在理论上的薄弱与实践中的争议。

输出透明度作为一种新的监管标准，旨在确保AI生成内容在进入公共领域时，其来源被明确标识，从而避免误导公众。这一标准的正当性，正是建立在本文提出的“差异化创造力”理论之上。既然人类创造力与AI创造力在意图、情感与控制过程上存在本质区别，那么它们的产出也应当在公共传播中被加以区分。这种区分不仅有助于保护人类创作者的权益，也有助于维护公众的知情权。

同时，在现有的AI监管框架基础上，输出透明度创设了一个新的监管层次。当前AI监管主要聚焦于算法透明度（algorithmic transparency）和数据透明度（data transparency），其核心目标是揭开AI系统的“黑箱”内部运作。算法透明度要求披露AI模型的内部结构、参数设置、决策逻辑等关键信息，以便公众和监管者能够理解其运作机制，并识别潜在的偏见与风险。数据透明度则要求披露训练数据的来源、构成、标注方式、规模以及代表性等详细信息，以评估数据的质量与公正性。这两种标准主要关注的是AI的“输入”与“内部过程”，即“输入性不透明”问题。然而，科技公司却未能有效应对“输出性不透明”，也就是AI生成内容在传播过程中被故意隐瞒其来源的问题。

需要强调的是，输出透明度并非对算法透明度与数据透明度的替代，而是对它们的必要补充，三者共同构成对AI系统“输入—过程—输出”的全链条监管框架。在实施路径上，输出透明度主要可以推动两个方面的法律监管。第一项是强制标识制度，要求科技公司在AI生成的内容中嵌入标识，使其在技术层面可被识别为AI生成。标识可以是可视的，也可以是机器可读的。这一制度需要明确优先适用的内容类型（如图像、视频、音频），规定在线平台的配合义务，设定对标识篡改的法律责任，并划定对私人使用与交流的例外情形。第二项是作者说明义务，对于使用AI生成内容进行再创作、改编并对此主张版权保护的作者，应要求作者适当说明对AI内容的修改程度与方式。这一机制有助于在版权保护过程中区分人类贡献与AI贡献，保障人类创作者的原创性部分获得法律保护，同时也为公众提供更多关于创作过程的信息，丰富我们对艺术与智识发展的理解。

当然，输出透明度的实施也面临一些挑战。在技术层面，标识技术是否足够稳健、是否容易被规避，是一个需要持续研发与标准化的问题。在适用范围层面，如何界定AI生成与人类创作的边界，如何避免过度标识对创作自由的限制，需要根据风险等级分阶段推进。在制度设计层面，如何确保科技公司、用户、平台之间的责任分配合理，如何建立有效的监督与惩戒机制，也需要进一步细化。但正如前文所述，技术问题可以通过持续投入与标准制定逐步解决，适用范围可以根据内容类型与应用场景灵活调整，而创作自由与公众知情权之间的权衡，恰恰需要在透明度原则下进行更为审慎的考量。

在AI时代，区分人类创造力与AI创造力已成为维护创作生态、重建社会信任、促进可持续创新的迫切任务。通过构建以输出透明度为核心的第三层监管框架，我们不仅能够有效遏制AI内容隐瞒所带来的危害，更能为人类与AI的协同创造开辟一条健康有序的发展路径。

注：原文刊载于《二十一世纪评论》2026年6月号“AI治理新视野”栏目。