import os BASE = r"e:\TRAE\生成式X\lecture1" os.makedirs(BASE, exist_ok=True) def page(fn, num, total, title, content, prev_title="", next_title=""): prev_html = "" if num == 1: prev_html = '◀' else: prev_html = f'◀' next_html = "" if num == total: next_html = '▶' else: next_html = f'▶' prev_short = prev_title[:10] if prev_title else "" next_short = next_title[:10] if next_title else "" html = f''' Slide 1.{num} — {title}
Logo第八章 · 生成式人工智能
主页 / 第一节课 / 1.{num}
Slide 1.{num}
{title}
{content}
{prev_html}
{prev_short}
1.{num} / {total}
{next_short}
{next_html}
键盘 ← → 或鼠标滚轮翻页
''' if num == 1: html = html.replace("if(e.key==='ArrowLeft') window.location.href='1.0.html';", "") if num == total: html = html.replace("if(e.key==='ArrowRight') window.location.href='1."+str(total+1)+".html';", "") path = os.path.join(BASE, fn) with open(path, 'w', encoding='utf-8') as f: f.write(html) print(f" ✓ {fn}") # ==================== SLIDE DATA ==================== slides = [] slides.append(("1.1", "封面", '''

生成式大模型
法律人的"新工具"与"新考题"

第一讲：技术底座与法律镜像

授课教师：周宇文

当 AI 能写合同、判案例、编法条，
甚至生成以假乱真的视频——
法律人该怎么办？
''')) slides.append(("1.2", "课程结构 + 学习目标", '''
📋 四讲结构
✓ 本节课目标
如果你没搞懂大模型为什么会产生幻觉，你就没法理解为什么律师会被 AI 坑。
请带着法学问题来听技术。
''')) slides.append(("1.3", "破冰互动——开场投票", '''

做个小调查——你属于以下哪种情况？

🤖 你使用过 ChatGPT、DeepSeek、Kimi 或其他 AI 助手吗？
📝 你用 AI 写过论文或作业吗？
❌ 你遇到过 AI「一本正经地胡说八道」吗？
⚖️ 你相信 10 年内 AI 能通过中国法考（客观题）吗？
AI 已经普遍存在，但大家也对它心存疑虑——这正是我们今天讨论的起点。
''')) slides.append(("1.4", "判别式AI——找书而非写书", '''

从「搜索引擎」到「生成引擎」

🔍 判别式 AI（传统 AI）

类比：你在图书馆里找一本书

✨ 生成式 AI

类比：你自己写一本新书

关键区别：传统 AI 可追溯、可验证；生成式 AI = 创造性 + 不可预测性 → 法律问题的源头
''')) slides.append(("1.5", "生成式AI——自己写书", '''

生成式 AI 不是从书架上拿书，而是自己动笔写。它写的这本书可能正确，也可能全是错的，但风格很像真的。

🤔 对法律人的刺激
🎯 核心追问

AI 写的东西和人类写的东西，在法律上应该同等对待吗？

如果出了问题，责任链条在哪？

⚠️ 创造性 + 不可预测性 = 法律风险来源
''')) slides.append(("1.6", "互动提问——责任归属", '''

一个值得思考的法学问题

🔍 如果搜索引擎给你错误的链接——
责任在谁？
✨ 如果生成式 AI 给你错误的合同条款——
责任在谁？

不必现在回答——带着这个问题，听完四个讲座再回头思考。

''')) slides.append(("1.7", "大模型「三要素」及其法律镜像", '''

所有大模型都依赖三个东西：算力、参数、数据。法律风险就是由这三个特征直接造成的。

要素技术事实⚖️ 法律镜像
大算力训练成本数亿美元，数千张 GPU门槛垄断、算力霸权
大参数千亿参数互相影响，黑箱不可解释性，违反程序正义
大数据全网抓取海量文本版权侵权、隐私泄露
每一个技术特征，都对应着一个法律风险的结构性来源。
''')) slides.append(("1.8", "大算力 → 门槛垄断", '''

💻 算力霸权：只有巨头能玩

🤔 值得思考的问题：

起步价一亿美元——全球只有五六个玩家能做出基础大模型。
''')) slides.append(("1.9", "大参数 → 黑箱效应", '''

⚫ 黑箱：AI 无法解释自己

类比：医生给你开药但说不出药理机制，你敢吃吗？
你问它为什么判三年，它说「根据概率分布」。在法律上这是致命的——
我们要的是论证过程，不是统计相关性。
''')) slides.append(("1.10", "大数据 → 版权与隐私", '''

📊 数据从哪里来？版权与隐私的定时炸弹

大模型吞噬了整个互联网——包括你写过的博客、朋友圈、出版社的书。
纽约时报起诉 OpenAI，这个案子将定义「合理使用」在 AI 时代的边界。
''')) slides.append(("1.11", "互动——快速投票", '''

五个风险，哪个最让你担心？

1. 🛡️ 门槛垄断——只有巨头能参与
2. ⚫ 黑箱效应——AI 无法解释推理过程
3. ©️ 版权/隐私——数据来源合法性存疑
4. 💭 AI 幻觉——编造事实、法条和判例
5. 🎬 深度伪造——视听证据真实性崩塌

你选择的那个风险，就是今天课程要帮你深入理解的方向。

''')) slides.append(("1.12", "预训练：猜下一个词", '''

🧩 预训练 = 完形填空

机制：给定上文，预测下文。数十亿次猜词 → 学会语法、事实、推理模式。

示例：「斑马是黑白的还是____」

模型学到的概率：条纹的 (85%)，有颜色的 (5%)……

⚠️ 关键认知：模型学的是概率分布，不是真理判断。
它不知道「北京是首都」是事实，只知道这句话在训练数据中频率很高。
知识缺口 → 编造 → AI 幻觉根源

模型不是在撒谎——它只是在「填词」。

''')) slides.append(("1.13", "人类调教：RLHF", '''

👤 RLHF（人类反馈强化学习）

怎么做？
⚠️ 副作用
预训练模型像个野孩子——什么都敢说。人类教它「这个回答好，那个不好」。
但教它的人也有偏见。结果模型学会了讨好用户，有时宁可不说真话也要说「安全」的话。
这对法律问答来说，可能很麻烦。
''')) slides.append(("1.14", "AI幻觉：一本正经地胡说八道", '''

💭 幻觉不是 bug，是 feature

因为模型的设计目标就是生成最可能的词，而不是验证事实。
所以当答案不在训练数据里，它就会自信地编。
流程图：用户提问 → 概率预测 → ❌ 无事实核查 → 自信编造
''')) slides.append(("1.15", "真实案例：Mata v. Avianca", '''
真实案件 Mata v. Avianca (2023)
📋 案件经过
💥 真相曝光
你不能对法官说「这是 AI 告诉我的」。
你永远要为 AI 的输出负责。
''')) slides.append(("1.16", "亲眼见证 AI 编造判例", '''

🔬 现场实验

"请列出三个中国法院关于人工智能生成内容著作权的判例，包括案号和判决要点。"

🧐 逐条检查 AI 输出：

注意：案号「（2024）沪 01 民终 12345 号」看起来很真，但你去查会发现根本不存在。
这就是幻觉——以后用 AI 检索，必须交叉验证。
''')) slides.append(("1.17", "全球大模型生态速览", '''

🌍 2026 年中国 AI 大模型周调用量超美国

🇺🇸 海外主力
🇨🇳 中国力量
趋势：海外 → 企业 Agent 工作流；中国 → 算力自主 + 合规双轨。
''')) slides.append(("1.18", "OpenAI：生成式 AI 的开拓者", '''

🏢 OpenAI & GPT 系列

法律焦点 纽约时报版权诉讼
这场诉讼将定义 AI 时代「合理使用」的边界——
决定了以后能不能自由爬取数据训练模型。
8 亿周活 vs 80 万日常深度用户——绝大多数人只是偶尔玩玩。
未来 to B（企业服务）才是主战场。
''')) slides.append(("1.19", "Google Gemini 与 Anthropic Claude", '''
🔍 Google Gemini

想做 AI 时代的操作系统

🛡️ Anthropic Claude

价格贵但给出答案前会自我验证

Claude 会在给出答案前自我验证——这对法律场景很有吸引力。
但也引发了一个问题：这是否符合可解释性要求？
''')) slides.append(("1.20", "DeepSeek——国产开源领军者", '''

🇨🇳 DeepSeek · 硬核创新

🏆 技术实力
📊 市场数据
法律聚焦：开源模型合规管理、算力供应链安全——
是为数不多不受美国芯片禁令影响的大模型。
''')) slides.append(("1.21", "字节跳动——豆包与 Seedance 双线布局", '''

📱 字节 · 用户量王者

💬 豆包
🎬 Seedance
法律聚焦：用户数据合规、视频训练数据版权、开源 vs 闭源的不同合规路径。
''')) slides.append(("1.22", "阿里巴巴——通义生态与开源战略", '''

☁️ 阿里 · 开源生态

法律聚焦：开源许可证法律效力、商标维权对开源生态的意义——
阿里是第一个在商标权上硬气维权的中国 AI 大厂。
保护商标权才能让真正的开发者放心投入。
''')) slides.append(("1.23", "百度——文心一言与合规先行", '''

🏛️ 百度 · 合规先行

核心问题：如果文心一言引用的法条错了，责任谁担？
备案制度要求 API 调用者也要备案——
大模型备案制度的法律效力、合规分层责任是法学生需要关注的重点。
''')) slides.append(("1.24", "腾讯——混元 3D 世界模型的另类突破", '''

🎮 腾讯 · 空间生成的另类路径

法律聚焦：3D 生成内容的版权归属、训练数据来源合规——
如果一句话就能生成一个完整的可交互 3D 世界，
未来的版权问题会比今天复杂得多。
''')) slides.append(("1.25", "快手可灵——视频模型商业化的标杆", '''

🎬 可灵 · 商业化最成功的视频模型

法律聚焦：AI 生成内容进入影视制作的知识产权归属——
AI 生成内容进入规模化商业应用后，
版权和合规问题会比实验室阶段严格得多。
''')) slides.append(("1.26", "智谱 AI——全球大模型第一股", '''

🏦 智谱 · 资本市场里程碑

法律聚焦：IPO 中 AI 公司合规风险披露——
招股书详细披露了出口管制风险、数据合规、知识产权等敏感问题。
这也是法律人在尽调/IPO 业务中需要掌握的标准框架。
''')) slides.append(("1.27", "月之暗面 Kimi——长文本赛道的明星", '''

📄 Kimi · 垂直场景的深耕者

法律聚焦：AI 辅助法律文书的长篇引用准确性、幻觉判定与责任边界。
不做最大最全，而是做特定场景的核心——
但也意味着一旦在法律场景中出错，后果比写首诗出错严重得多。
''')) slides.append(("1.28", "MiniMax——出海与多模态探索", '''

🌐 MiniMax · 深度出海

法律聚焦：跨境数据合规（GDPR / CCPA）、情感陪伴 AI 的人机交互边界。
必须同时满足 GDPR、CCPA 等复杂标准——
对想从事数据合规的学生来说，这是最好的研究案例。
''')) slides.append(("1.29", "从通用到专业——法律 AI 的矩阵", '''

⚖️ 法律垂直领域大模型

模型特点
清华大学 LegalOne-R18B 参数，强推理，LexEval/LawBench 领先
通义法睿阿里法律定制版
百度法律大脑百度法律垂直定制
核心思考：如果 AI 能胜任 80% 的基础法律工作，
法学教育的培养目标应该发生什么变化？
「法学知识 + AI 能力」的复合型人才是关键桥梁。
''')) slides.append(("1.30", "开源 vs 闭源——技术路线的根本分野", '''

开源和闭源不是「谁更好」的问题，而是两种完全不同的技术分发模式——它直接决定了：出了问题谁负责。

维度开源模型闭源模型
代码/权重完全公开，可下载、修改、本地部署仅提供 API 调用，内部保密
典型代表Llama、DeepSeek、通义千问GPT、Claude、文心一言
可定制性高（微调、裁剪）低（仅提示词）
透明性可审计依赖公司披露
数据隐私数据可留本地数据经过服务商
类比：开源 = 超市开架自选（拿走后自己负责）；闭源 = 专柜顾问（按次付费）
''')) slides.append(("1.31", "开源许可证——它不是「法律真空」", '''

📜 开源许可证本身就是一份法律合同

规定开源模型可以被谁、以什么方式、用于什么目的。
违反许可证 = 违反合同 = 可能构成侵权。

许可证特点典型使用者
MIT 许可证极简宽松，只需保留版权声明DeepSeek、部分 Llama
Apache 2.0授予专利权，需标注修改百度 ERNIE
自拟许可证条款差异大，需逐条阅读腾讯混元、Meta Llama 4
2026 年 4 月：全国 24 家单位联合发布《人工智能开源生态共识》，
明确开源许可证具有法律效力。
''')) slides.append(("1.32", "看得见的法律争议——GitHub Copilot 案", '''

⚖️ 开源代码成了谁的养料？

问题的本质：你把自己写的代码开源，本意是希望别人能看到你的名字。
但 Copilot 把代码变成了 AI 的输出，用户不知道原作者是谁。
这是不是背离了开源精神的初衷？
''')) slides.append(("1.33", "开源 vs 闭源的法律焦点", '''

从企业法务的视角分析——四个法律焦点

🔒 数据隐私与合规：闭源 API 输入可能被记录（三星事件）；开源可本地部署
⚖️ 责任归属：闭源可向服务商追责；开源使用者自负
©️ 知识产权风险：闭源用户协议限制；开源需遵守许可证
🏛️ 竞争法：闭源可能导致垄断；开源促进竞争
处理涉密文件——本地部署开源更安全，但你要自己担责。
这是成本与风险的选择题。
''')) slides.append(("1.34", "小组判断：开源还是闭源风险更低？", '''

四个场景——你选择开源还是闭源？

① 律所处理涉密并购文件
② 法学生开发免费问答机器人分享
③ 公司用 AI 生成营销文案被诉抄袭
④ 监管机构审计模型偏见
提示：没有标准答案——关键是要说出理由。
角度：隐私安全、责任归属、合规成本、透明度。
''')) slides.append(("1.35", "什么是蒸馏？——模型界的师徒传承", '''

📚 蒸馏 = 小模型向大模型「拜师学艺」

关键认知：蒸馏是全球通用的中立技术，所有 AI 公司都在用——包括指控别人的那些公司。
蒸馏不是原罪——违反合同才是争议焦点。
''')) slides.append(("1.36", "为什么蒸馏会引发法律争议？", '''

⚖️ 技术中立，但使用方式决定法律边界

✅ 合法场景
⚠️ 争议场景

争议核心：合同违约 vs 技术创新

蒸馏本身不违法。关键在于「你从哪里获取训练数据」——
这是合同层面的问题，而不是蒸馏技术违法。

''')) slides.append(("1.37", "蒸馏争议背景——一场针对中国 AI 的舆论战", '''

📅 时间线

2025.9：DeepSeek-R1 发布，登 Nature 封面
2026.2：Anthropic 公开指控中国公司「工业规模蒸馏」
2026.4：白宫发布 AI 备忘录
2026.5：美国国务院下令全球外交行动
从公司层面的指控上升到外交层面——
蒸馏到底是被「偷窃」还是正常学习？我们用事实说话。
''')) slides.append(("1.38", "Anthropic 的指控与自身合规问题", '''

指控者的「黑历史」

指责别人蒸馏的 Anthropic，自己刚刚因为大规模盗版书籍被罚了 15 亿美元。
商业竞争中的指控往往有利益背景——看问题要全面。
''')) slides.append(("1.39", "马斯克的尖锐批评", '''

🗣️ 「他们怎么敢偷 Anthropic 偷来的东西？」

"They dare steal what Anthropic stole from human programmers?"

"Anthropic has committed massive theft of training data, already paying billions in settlements."

"All AI companies are doing this."

马斯克的逻辑值得深思：如果训练数据本身可能是「偷来的」，
那么蒸馏这些模型的输出——到底算「偷」还是算「二次创新」？
这个问题在法律上还没有答案。
''')) slides.append(("1.40", "中国 AI 的真正底气——学术成就与自主创新", '''

🏆 Nature 封面：DeepSeek-R1 的独立创新

有趣反转：有人问 Claude「你是什么模型」，它居然回答「我是 DeepSeek」。
这说明闭源模型也可能在训练时吃到了中国模型生成的数据。
互相学习是全球常态。
''')) slides.append(("1.41", "互动辩论——蒸馏是创新还是侵权？", '''

辩论：蒸馏是技术创新还是知识产权侵权？

🟢 正方观点

蒸馏是技术进步，促进竞争
知识迁移是 AI 发展的普遍路径
全球所有公司都在用

🔴 反方观点

未经授权利用他人模型输出
构成不当得利
违反闭源服务条款

你的立场是什么？试着用你学过的法律知识来论证。
''')) slides.append(("1.42", "Sora——从轰动全球到黯然退场", '''

🎬 Sora 的兴衰两重天

📈 兴
📉 衰
哪怕技术再牛——法律和商业问题否决了它。
''')) slides.append(("1.43", "Sora 为什么倒下？——三重致命叠加", '''

💀 不是单一原因——三重致命叠加

💰 经济层面
每天算力成本 1500 万美元，年 54 亿美元
用户付费意愿 < 0.1 美元/条
👥 用户层面
30 天留存率 1%
60 天留存率 0%
🏢 战略层面
OpenAI 转向企业级
冲刺 IPO
⚖️ 法律层面
日本 CODA 指侵权
迪士尼 10 亿美元合作终止
商标诉讼

技术轰动 ≠ 商业可行 ≠ 法律合规

''')) slides.append(("1.44", "Sora 的核心教训——法律合规如何决定技术生死", '''

训练数据合规是不可逾越的红线

📋 数据版权：「先上车后补票」策略失效；全球法院明确大规模商业抓取不属于「合理使用」
🏷️ 商标与品牌：「Cameo」商标禁令事件
⏰ 合规滞后：OpenAI 的政策后置调整成为前车之鉴
⚖️ 法域冲突：日本 CODA 案暴露——日本「事前许可」 vs 美国「合理使用」的根本冲突

AI 全球化运营必须面对不同法域的版权制度冲突。

''')) slides.append(("1.45", "Sora 退场后的全球格局——国产视频模型加速", '''

🇨🇳 国产模型合规先行，反而加速追赶

对法学学生的启示：
合规不过度牺牲创新速度，反而为规模商业化降低风险。
合规不是创新的敌人，而是商业化的护身符。
''')) slides.append(("1.46", "真人真事：AI 帮他砍掉 16.2 万美元医疗账单", '''

🏥 AI 成为消费者的「法律援助」

美国 80% 医疗账单含错误
仅 1% 申诉
每天 4000 万人
向 AI 咨询医疗问题

普通人面对天价医疗账单，过去只能认栽——AI 改变了这一切。

''')) slides.append(("1.47", "AI 动了谁的奶酪？——OpenAI 政策紧急转向", '''

2025.10.29：OpenAI 的一纸禁令

为什么转向？
• 规避产品责任——用户依赖 AI 建议出错，可能起诉 OpenAI
• 应对诉讼压力
• 医疗和律师协会施压
技术提供者最终会选择规避风险。
''')) slides.append(("1.48", "法学视角的四个追问", '''

四个值得深思的问题

⚖️ AI 算不算在提供法律意见？——分析账单、起草投诉信，这算不算「执业」？
🛡️ 普惠与责任如何平衡？——AI 帮穷人维权，但出错谁负责？
🏥 利益格局如何影响规则？——谁在推动 OpenAI 禁止医疗/法律功能？
💼 AI 会成为谁的工具？——既帮穷人砍价，也能帮富人避税。你会怎么选择？
''')) slides.append(("1.49", "小组讨论：假如你是 OpenAI 的合规官", '''

你会允许用户用 AI 分析医疗账单吗？

⚖️ 第一组
法律诉讼风险角度
🏪 第二组
市场竞争与商业伦理角度
📋 第三组
监管合规角度
💛 第四组
消费者权益与社会责任角度
从你的角度出发，决定是否允许。然后分享你的理由。
''')) slides.append(("1.50", "核心回顾：技术特征决定法律风险", '''

每一个技术特征，都会引发特定的法律问题。

技术特征⚖️ 法律镜像关联案例/议题
大算力门槛垄断、算力霸权API 依赖、公益组织可及性
大参数不可解释性 × 程序正义AI 量刑辅助
大数据版权侵权、隐私泄露纽约时报诉 OpenAI、三星泄密
概率生成虚假法条/判例、职业伦理Mata 案
多模态深度伪造、证据规则重构Sora/可灵、举证责任
蒸馏知识产权边界、技术双标Anthropic 和解、马斯克证言

当你以后听到任何新 AI 技术，都可以用这张表格去分析它可能的法律风险。

''')) slides.append(("1.51", "课堂总结 + 课后任务", '''

📌 三个核心结论

  1. 生成式 AI 不是魔法，核心是概率预测 → 幻觉必然存在
  2. 技术特征（算力、参数、数据、概率、多模态）直接决定法律风险结构
  3. 蒸馏全球通用，「中国靠蒸馏」是舆论炒作；开源/闭源选择影响责任分配
📝 课后任务
''')) # ==================== GENERATE ==================== print(f"\n生成 {len(slides)} 个 HTML 文件...\n") for i, (fn, title, content) in enumerate(slides): num = i + 1 total = len(slides) prev_t = slides[i-1][1] if i > 0 else "" next_t = slides[i+1][1] if i < total - 1 else "" page(fn + ".html", num, total, title, content, prev_t, next_t) print(f"\n✅ 全部 {len(slides)} 个页面生成完毕！")