《民法典》六大基本原则是什么
2020年5月28日，十三届全国人大三次会议经表决通过了《中华人民共和国民法典》，新中国历史上首部法典化法律正式出台。这是中国特色社会主义法治体系建设进程中具有划时代意义的大事，是新时代我国社会主义法治建设的重大成果。《民法典》的颁布对于完善中国特色社会主义体系、推进国家治理体系和治理能力现代化，推进全面依法治国、切实维护最广大人民的根本利益，促进社会公平正义具有重要意义。
《中华人民共和国民法典》是一部社会生活的百科全书，人民民事权利的保护法典，分为7编，依次为总则编、物权编、合同编、人格权编、婚姻家庭编、继承编、侵权责任编，加上附则，共1260条，确立了平等原则、自愿原则、公平原则、诚信原则、守法与公序良俗原则和绿色原则等六大基本原则。该部法律已自2021年1月1日起正式实施，婚姻法、继承法、民法通则、收养法、担保法、合同法、物权法、侵权责任法、民法总则同时废止。那么这其中的六大基本原则具体是什么呢？
一、平等原则
根据《民法典》第四条规定：民事主体在民事活动中的法律地位一律平等。
平等原则是指民事主体在从事民事活动时，相互之间在法律地位上都是平等的，任何一方不得将自己的意志强加给对方，他们的合法权益也受到法律的平等保护。平等原则是民法的前提和基础，是国家立法规范民事法律关系的逻辑起点。它最集中地反映了民法所调整的社会关系的本质特征，是民法区别于其他部门法的主要标志。具体表现为：
1.公民的民事权利能力一律平等。2.不同的民事主体参与民事关系，适用同一法律，具有平等的地位。3.民事主体在产生、变更和消灭民事法律关系时必须平等协商。4.民事主体的合法权利平等受法律保护。
二、自愿原则
《民法典》第五条规定：民事主体从事民事活动，应当遵循自愿原则，按照自己的意思设立、变更、终止民事法律关系。自愿是指民事主体在民事活动中，充分表达自己的真实意思，并根据自己的意思设立、变更、终止民事法律关系。该原则实质上是传统民法中所谓的意思自治原则，具体体现在：
1.缔结合同的自由。2.选择相对人的自由。3.决定合同内容的自由。4.变更与解除合同的自由。5.决定合同方式的自由。
三、公平原则
《民法典》第六条规定：民事主体从事民事活动，应当遵循公平原则，合理确定各方的权利和义务。这要求当事人在民事活动中应以社会正义、公平的观念指导自己的行为、平衡各方的利益，要以社会正义、公平的观念来处理纠纷。公平主要体现在：
1.民事主体参与民事法律关系的机会平等。2.当事人的关系上利益应均衡,合理分配义务。3.当事人合理地承担民事责任。
四、诚信原则
《民法典》第七条规定：民事主体从事民事活动，应当遵循诚信原则，秉持诚实，恪守承诺。
诚信原则是指所有民事主体在从事任何民事活动．包括行使民事权利、履行民事义务、承担民事责任时，都应该秉持诚实、善意，不诈不欺，言行一致，信守诺言。诚信原则作为民法最为重要的基本原则，被称为民法的“帝王条款”。诚实守信是市场活动的基本准则，是保障交易秩序的重要法律原则，它和公平原则一样，既是法律原则，又是一种重要的道德规范。
五、守法与公序良俗原则
《民法典》第八条：民事主体从事民事活动，不得违反法律，不得违背公序良俗。守法与公序良俗原则，是指自然人、法人和非法人组织在从事民事活动时，不得违反各种法律的强制性规定，不得违背公共秩序和善良习俗。公共秩序是指政治、经济、文化等领域的基本秩序和根本理念，是与国家和社会整体利益相关的基础性原则、价值和秩序。善良风俗是基于社会主流道德观念的习俗，也被称为社会公共道德。
公序良俗原则要求民事主体遵守社会公共秩序，遵循社会主体成员所普遍认可的道德准则，它可以弥补法律禁止性规定的不足。公序良俗是建设法治国家与法治社会的重要内容，也是衡量社会主义法治与德治建设水准的重要标志。公民在进行民事活动时既要遵守法律的规定，又要符合道德的要求。
六、绿色原则
《民法典》第九条规定：民事主体从事民事活动，应当有利于节约资源、保护生态环境。
绿色原则体现了党的十八大以来的新发展理念，是具有重大意义的创举。这项原则既传承了天地人和、人与自然和谐相处的传统文化理念，又体现了新的发展思想，有利于缓解我国不断增长的人口与资源生态的矛盾。在《民法典》的物权编、合同编和侵权责任编等相关法律制度中都体现了绿色原则。它要求在民事活动中应重视保护生态环境和自然资源，维护环境公共利益。
来源：司法部普法与依法治理局、山溪法谈
原标题：《《民法典》六大基本原则是什么？》
阅读原文
强人工智能基本问题：自上而下，还是自下而上。
版本：0.1
人类智能在宏观上有心理学，微观上有分子生物学等学科研究。但每个方向研究到一定阶段就停滞了，没有哪个学科能告诉我们：为什么能有智能，如何才能产生智能。即使已经了解了大脑的很多知识，人类智能仍然是个黑盒子。对黑盒的研究，要么从外部观察其行为，然后来模拟其结构，可称为自上而下的研究；要么猜测其结构，然后从外部的输入输出来验证其行为，可称为自下而上的研究。题目所说的自上而下还是自下而上即是从哪个方向来研究强人工智能问题。宏观上研究的成果中，最显而易见的就是类人机器人。这类机器人从行为、语言、表情等方面来模拟人。如果最终能让人觉得这些机器人是真人，那么这个方向就算是成功了。当然，从现在的成果来看还不成功。另一方面是深蓝、沃森这样的依靠在下棋、回答问题等方面来战胜人类智能，从而证明自己能力。从这些特定的领域上来看，它们是比较成功的。但就算是把上面提到的所有方面都合到一起，也很难认为他们达到了人类的能力。微观上的研究，是从感知器的结构被提出来后开始的。从此产生了现在的人工神经网络、机器学习等大量的算法和研究成果，解决了很多实际问题。从微观上出发，证明了它们从微观结构上模拟的优势，但需要花费大量时间建立问题模型。由此看来，当前自上而下和自下而上的方法都有了一定的成果。但通过现有方法来构建强人工智能，成本是非常巨大的，几乎不可实现。 有些情况下，物体在很少数量下的性质和庞大数量下的性质相差很大。这也是复杂系统研究的难点。从不同的层级进行研究，能够发现不同的规律，解决不同的问题。这里提到了层级的概念，这里的层级和上一篇文中分层的层次不一样。上文的层次是神经网络中具体的层次。本文的层级是由于研究对象数量或其它性质的巨大不同，从而产生了看上去很不一样的行为。对不同层级的行为能归纳出不同的规律，这些规律能够帮助我们有效的理解和预测研究对象的行为。比如低速下的牛顿力学和光速下的相对论，由于速度的巨大差异，在低速下得出了简化后的牛顿力学，其帮助了我们认识了低速世界。后来的相对论不仅归纳了高速时的规律，在低速下也能适用。再比如物质在原子、分子层面体现出的是基本作用力；在纳米层级又体现出新的性质；在宏观上人能直接观察的规模上，又组成了万物，形成了更复杂、更多的性质。这看起来和智能是很类似的，首先神经元细胞有自己的生物性质；大量神经元细胞（平方厘米级）组合在一起，可以被观察到协同进行某种活动；整个大脑则产生了我们所能感知的智能；而整个人类社会，则储存了人类的所有知识、习惯，产生了群体智能和行为。这种群体智能也不是一个大脑能有效理解和预测的。 每一层级的规律其实是其低一层规律的规模化结果，其又是上一层规律的基础。如果要对整个系统有全面的了解，就要从某一层级出发，往上或往下研究，得出规律。如果说一个神经元细胞是一个的层级，而整个人脑也是一个层级。在这两层之间还有多少层呢？自上而下的研究方法给出了人脑的功能区的划分，这个作为一个层次。而自下而上的方法给出了人工神经网络的层次，这个层次能够处理单个问题或叫做模式。这两方面的研究到这基本都停滞了。这中间一定还有一个或若干个层次能够帮助我们理解智能的规律。 再来看看题设的问题，如果一定要给出一个答案的话，我会倾向于自下而上的研究。先说说自下而上研究的优势。自下而上的研究看起来更像是白盒研究，通过模拟来了解智能真正的机制。而自上而下的研究像是黑盒研究，更多的需要去猜测或者尝试来达到同样的功能。如果能够猜出结构当然最好，但如果黑盒非常复杂，猜出结构是很难的。模仿其复杂行为也是很困难的。但同时，自上而下的研究也非常具有指导意义，其了解了人脑不同区域是有分工的，输入输出的处理使用了大部分大脑。自上而下的研究也积累了很多经验，可以用来验证强人工智能的能力。 强人工智能的物质基础和神经元细胞是不一样的，我们不是通过制造真正的神经元细胞来制造强人工智能。所以研究的最底层级不是直接映射到神经元细胞，要把神经元细胞中与智能相关的一些特性抽取出来，以便在其它物质基础上构造智能。需要区分细胞的哪些行为是和智能相关的，哪些行为是和其物质基础相关的。有些因素也许看上去和物质基础相关，但其可能也影响了智能的产生。以下是一些神经元细胞特性的猜测和讨论，可以有助于把和智能产生相关的部分抽取出来。神经元细胞的大部分活动是依靠化学反应，有些是不可逆反应。这个过程需要不断的反应物质和能量的供给，一旦能量跟不上，其反应可能变得迟钝。在计算机中，能量的供给是依靠电子的流动，不需要物质的化学变化，所以能量供给是高效的。但神经细胞对大量刺激会变得迟钝这样的特性也许是产生记忆效果的一个因素。同时，由于细胞内物质浓度的变化，可能会引发下一级反应，从而产生神经元细胞的变化，这也可能是产生记忆效果的因素。总之，从这一点来看，神经元的记忆是可以通过其输入输出的变化来调整的，不一定需要通过全局的目标函数来调整。上一点中提到的物质、能量短缺的影响，不仅会影响神经元细胞本身，也会对周围细胞活动产生抑制。这也是一些选举小范围中最活跃神经元算法的物质基础。这个特性有利于减小局部过于活跃，从而产生振荡或弱化全局的特征。神经元的树突生长是比较慢的，可能要经过大量的刺激，才能产生有效的突触。强人工智能也许可以通过外部开关来判断是否处于训练时间，来调整连接的建立速度，从而提高学习效率。神经元细胞的空间结构。大脑皮层的皱褶展开后是一个平面，这个平面上的灰质细胞也有一定的层数。对于灰质细胞的层次的作用，也产生了有意思的算法，比如HierarchalTemporalMemory（HTM，这是我看到的最有趣的一个算法）。由于人类的空间是三维的，所以物理结构最复杂也就是三维结构。但考虑到能量供给和信息传输，神经元细胞只能达到类似于二维的结构。这时候就产生了神经元细胞相邻的很多特点。假设神经元细胞树突的长度平均是有限的，而且每个神经元的大部分树突是比较短的，这样相邻的神经元之间的交流就更多，长距离的就比较少。所以相邻细胞之间处理的信息更类似。细胞个体的可靠性是没有计算机高的，所以神经元细胞需要更强的冗余性。相邻细胞之间需要通过相互备份来产生冗余。所谓备份、即它们的输入输出状态、以及反应的阈值都比较相似。相似值高，则变化所需要的刺激和能量都高，一方面代表了学习难度的增大，另一方面也代表记忆的强度很高。反之，则学习难度低，但容易因为覆盖或神经细胞死亡产生遗忘。强人工智能也许可以通过减少相邻细胞的相似性来缩小网络的规模，并用别的方式来控制记忆强度。神经元细胞的生长分化。神经元细胞是在胚胎发育的过程中产生的，所以有从无到有的过程。在当前神经网络的研究中，网络的初始化和如何决定规模都是需要考虑的问题。而在大脑的初始化依赖于细胞的分裂。在神经细胞的分裂过程中，新的细胞会继承原先细胞的突触。这个过程不仅保留了记忆，同时保持了各种输入输出的连通性。总而言之，从神经细胞级的研究，能够找到很多有效的线索和特点，这些是上一个层级规律的基础。但这些特性既有和智能产生相关的部分，又有和生物体运转相关的部分。如何对这些特性进行筛选，从而得出细胞层级的智能基础，对于研究上一层级是非常重要的。由于智能的复杂性，单纯自下而上的研究容易发散到不正确的道路。在各种算法试验的过程中，需要自上而下所得到的一些经验来验证是否走到了正确的路线上。通用人工智能是什么
通用人工智能是什么AGI即Artificialgeneralintelligence的简写，计算机科学与技术专业用语，专指通用人工智能。这一领域主要专注于研制像人一样思考、像人一样从事多种用途的机器。这一单词源于AI，但是由于主流AI研究逐渐走向某一领域的智能化（如机器视觉、语音输入等），因此为了与它们相区分，增加了general。
尽管AI一词最初就是用于表达与人类智能相似的机器智能的含义，但在人工智能跌宕起伏的发展过程中，AI的内涵已经发生了变化，成为机器学习、统计分析的代名词，早已远离了一开始智能的初衷。在这种情况下，依旧坚守当年梦想的一小支学术分子共同成立了通用人工智能协会，并确定使用AGI词条作为领域正规称谓。
通用人工智能四大基本问题像很多其它研究领域一样，人工智能的基本问题可以提炼成四个：“做什么？”“能做吗？”“怎么做？”“该做吗？”下面是我对这些问题的简略分析。
做什么？
能做吗？
怎么做？
该做吗？
1.研究目标
我在《当你谈论人工智能时，到底在谈论什么？》中已经列举了“人工智能”名下五类不同的研究目标，而目前流行的“人工智能就是用计算机解决那些以前只有人脑才能解决的问题”就是其中的“能力派”。这一派的优势是通俗易懂，直接见效，但缺点是圈画得太大，以至于以前叫“自动化”“计算机应用”的工作现在都赶时髦改叫“人工智能”了。由于这种界定使得AI涵盖了大量完全不同的系统，在此范围内建立一个统一的人工智能理论的可能性甚微。
在《人工智能迷途：计算机的高技能等于高智能吗？》中，我介绍了“通用人工智能”的观念及其在历史中的浮沉。时至今日，这个词越来越多地出现在各种讨论中，但对其意义的理解仍有很多误区。比如一个常见的说法是把通用系统叫做“强人工智能”，而把专用系统叫做“弱人工智能”。这个区分不无道理（因为前者的目标远高于后者），但二者的区别其实不是能力的强弱（专用系统在能力上往往已经远胜于人），而是应用范围和工作原理，所以这种称呼会使人将二者间“质”的差别误判为“量”的差别，以为把各种专用系统整合在一起就是通用系统了。
即便在当前的通用人工智能研究者之中，对研究目的的确切设定也各有不同。有些人企图尽可能忠实地模拟脑结构，有些人企图在尽可能多的领域中取代人，有些人（包括我）企图让计算机遵循和人基本相同的“思维规律”。
有些读者可能会想，连基本概念和目标都没弄清还怎么研究，殊不知对很多复杂现象的准确刻画不可能发生在研究的开始，而会是研究结果的一部分，所以先“统一思想”是不现实的。
另一方面，那种认为无需争辩“智能”定义，只需跟着直觉用法走就好的看法恰恰是目前这个领域中观念混乱的重要原因，也是不可取的。人工智能研究中的很多争论都可以回溯到对智能的不同理解，而这个问题又不能靠字典、权威或民意测验来解决。
如果研究目标不一样，对其它相关问题的回答自然也就不会一样。在这一议题上尚无共识，恰恰更意味着我们应注意辨识不同的研究目标，而避免笼统地断言“人工智能”如何如何。
2.成功的可能性
从“人工智能”“思维机器”等成为研究对象时起，这种努力的成功可能性就一直是有争议的。随着深度学习等技术的成功，目前流行话语中的人工智能（在某个具体问题的解决能力上达到或超过人类）的可能性不再是问题，但通用人工智能的可能性仍是受到广泛怀疑的。
对这个问题的肯定性论证即使在学术界认为大功告成之后的很长时间内仍不会被公众普遍接受，比如有人会坚持说它没有“灵魂”，不管它做到了什么。因此，我下面只简单说明为什么现有的否定性论证都是不能成立的。这里有几种不同的情况。
一类“人工智能不可能”的断言是出于对这个领域的研究目标的误解，因而是在攻击一个稻草人。持这种态度的人往往以为这个领域的目标是制造在所有方面都和人一摸一样的计算机。找些证据说明这不可能并不难，但问题是，我还不知道任何研究者真是冲着那个目标去的。
实际上，所有研究人工智能（包括通用人工智能）的人都只是认为计算机可以在某些方面和某种程度上和人脑相类似。很多研究者认为在“人类智能”的诸多现象之中存在一个更一般的“智能”机制，而“人工智能”是这个机制的另一种实现方式。按照这种观点，即使人工智能完全实现，也不会和人类智能在外部表现上完全相同。因此，这种“人工智能不可能”的论断不会对这个领域中的研究有任何影响。
相比之下，另一类“人工智能不可能”的论证是值得重视的，因为它们是直指人工智能技术的某些“死穴”。比较常见的包括“计算机必须遵循程序，因此不可能有灵活性和创造性”“计算机只能根据形式来使用符号，但无法获得其意义”“有些真理人能发现，但计算机永远不能”。
在这里，我不具体讨论它们，只是指出它们的一个共同问题：其实这里每个论证都是针对一个具体的智能技术或计算机用法，但结论却往往是“人工智能”如何如何、“计算机”怎样怎样，其结果是夸大了其结论的适用范围。这些讨论对人工智能的发展是有益的，因为它们从反面为新理论、新技术的研发提供了借鉴。遗憾的是，至今仍有不少人以为它们限定了所有人工智能研究所能达到的高度。
具有讽刺意味的是，在近期对人工智能的限度的讨论中，很多形如“人工智能永远也无法……”的断言反而是出自“人工智能专家”之口。这其实也源于主流人工智能在历经挫败后对“大问题”的回避。
很多人研究多年“人工智能”，但只是注重于对某个别功能的实现和某个别问题的解决，因此在他们说“没人知道如何实现通用智能”时，他们实际上说的是“我不知道怎么做，而且我所追随的那些名人也不知道怎么做。其它人的工作不值得注意，因为反正他们也还没做出来呢”。
由于有理由认为通用智能系统和专用系统是非常不同的领域，在后者的研究中成名的人物对前者发言时权威性其实是很有限的，而且“现在还没做出来”和“永远也不能做出来”显然不是一回事。
总之，通用人工智能目前起码应被看作是可能的，因为没有足够强的反面理由。
3.实现途径
由于专用系统的实现途径因问题而异，在这里我只讨论通用人工智能，而且只集中分析几种常见的观点，而把对我自己的研究进路的介绍留给其它文章。
在相信通用人工智能可能实现的人们当中，目前最被看好的技术自然非深度学习莫属。每当深度学习的一个新用途出现，总会有人说“这标志着又向通用人工智能前进了一步”，似乎在这个方向上走下去就是了。在《深度神经网络会产生人这样的智能吗？》中，我已经说明了通过深度学习以及相关的机器学习技术实现通用智能的困难。
这里要补充的一点是：有人认为深度学习已经是“通用”的了，因为这个技术可以被应用于很多不同的领域，但这不是“通用人工智能”的意思。深度神经网络的确既能被训练下围棋，也能识别照片，但同一个网络不能同时做这两件事。由于以往的机器学习研究基本上都是以“逼近单一函数”为指向的，把它们推广到多目标（尤其是设计时没有考虑过的目标）绝不是个容易的事，因为它要求整个研究规范的根本改变。
时至今日，尚没有一个用深度学习实现通用人工智能的完整路线图，而相信这个可能性的人往往是从已有的成果做简单外推。
另一个想法是整合各种专用“模块”于一个“构架”之中，以让它们分工协作，成为一个通用系统。这是个很自然的想法，也有不少人在试。但是这条路远不如看上去那么理所当然。随便找一本人工智能教科书，其中提到的算法或设计就得有几百个，各有不同的用途。
把它们都实现在同一个计算机系统中在原则上是可能的，但决定在什么时候用哪个工具，这本身大概就需要通用智能了，更不要说这些工具各自的理论预设往往是互相冲突的，因此无法互相协调。另一个大问题是诸认知功能的划分大致上是沿用心理学的传统（如推理、学习、记忆、联想、感知、运动、语言、情绪、意识等等），尽管它们之间的联系显然非常密切。
如果智能的确是“横看成岭侧成峰”，那么从不同角度和距离描绘不同的“岭”和“峰”自然可以，但如果目的是给庐山造个模型，那么分别构造这些“岭”和“峰”，然后再把它们“组装”起来，这就不对了，因为这些“构件”更应被看作同一个对象的不同侧面，而非不同部分。
有人试图通过构造更“忠实于人脑”的模型来达到各认知功能的统一再现。像我在《深度神经网络会产生人这样的智能吗？》中所说的，这条途径的最大问题不是其难度，而是其必要性。如果我们把智能看成一种有不同实现方式的认知机制，那就没有理由认为人脑是唯一能实现它的方式，尽管它的确是我们最熟悉的方式。和人脑在实现细节上最接近的模型未必是人工智能最合适的模型，尽管这种模型对脑科学而言很有价值。
总之，在实现其它目的时有效的技术未必对通用人工智能有很大贡献，因为这里的目标和制约条件非常不一样。在选择技术路线时应当从智能的特征出发，同时考虑计算机系统的现实条件。
4.伦理抉择
最后，即使我们发现了建造思维机器的途径，那也不一定意味着我们真要把它做出来。已经有很多名人大声疾呼地要求人工智能慢下来甚至停下来了，因为他们害怕人类失去“万物之灵”的地位及其后果。关于这种诘难，我已经写了《人工智能危险吗？》来回应，而这里只是再加些补充。
首先，很多“人工智能专家”对AI安全性所做的保证，往往只涉及他们所构建或能够设想的系统，其中完全没有适应性、灵活性、自主性、创造性等通用人工智能系统才可能具有的特征，因此说的基本就是另外一个问题。由于这些特征，通用人工智能带来的伦理道德问题和传统技术有根本的不同，因此要求不同的应对方案。
作为适应性系统，通用人工智能最大的特点之一就是其行为不仅仅取决于设计（先天因素），而更加依赖于经验（后天因素），因此对这种系统的控制需要通过影响它的经验来实现，就像社会对个人的制约那样。因此，不能指望人工智能工作者可以设计出永不犯错的系统，也不能奢望对人工智能安全性的研究可以预先排除掉所有危险。
而在另一方面，在这种系统上进行的研究可以极大丰富我们对适应性系统（包括人和动物）的认识，将教育学和社会学（甚至经济学和法学）的研究范围扩展至包括智能机器在内。
和其它问题一样，对人工智能的恐惧常常来自对其研究目标的误解。很多人以为“通用人工智能”会是在一切领域超过人类，以至于近乎全知全能的存在，所以这种系统的出现会在人类历史上造成一个“奇点”，此后的发展便不在我们的掌控甚至理解范围之内了。
至今为止，我还没有看到足以使我相信这一结论的证据。我认为通用人工智能完全可以造出来，而这种系统会有和人非常类似的认知功能。但是，这不意味着计算机可以全面达到以至超越人的解决问题能力，因为适应系统的行为依赖于其经验，而一个人工智能系统是不会拥有和人完全相同的经验的。因此，人和机器的具体能力会有重合，但仍会有人能解决但机器不能解决的问题。
像我之前所解释的，通用的“智能”和专用的“技能”不是一回事。不同形式的智能，不论是人类还是人造的，在前一方面都类似，而在后一方面未必可比，就像没法说诸葛亮、达芬奇、莫扎特谁更聪明。这也说明通用人工智能的工作原理仍是我们可以理解的，其行为也是可以通过对其经验加以影响来控制的，尽管它的运算速度可能很快，存储量可能很大，经验可能和我们非常不同，因此它的具体行为可能不是那么容易解释或预测。
总之，人工智能研究的正当性既来自人类认识思维一般规律的长期渴望，也来自社会发展对复杂信息加工的实际需求。这项研究同时也带来了新的挑战，对此我们绝不能掉以轻心，但也不该盲目恐惧。要避免AI造成的危险，起码要把AI是怎么回事搞对吧？
那些“AI必然导致灾难”的断言在这一方面往往都不及格，其结果是和风车作战，反而对可能性大很多的危险毫无提防。除非我们有足够的证据认为某项技术（包括各种意义下的人工智能）的确会是弊大于利，我们还是有充分理由来继续这项探索，同时拒绝廉价的保票，准备好对该技术的各种后果进行尽可能恰当的应对。责任编辑：YYX