AIGC训练数据使用与知识产权侵权的法律边界研究

作者：桦天（全国）公司业务与资本市场专业委员会 主任/吉宗杰

引言：从“技术中立”向“利益失衡”的演进

数字经济正经历从“信息化”向“智能化”的范式跃迁。以大语言模型和扩散模型为核心的人工智能生成内容（AIGC）技术，本质上是以海量数据作为燃料资源的“统计概率机器”。在此技术范式下，AI模型的参数量与涌现能力直接取决于训练数据集的规模、质量与多样性。然而，这种对数据的“吞噬性需求”，正以前所未有的速度突破传统知识产权法体系的边界。AI企业在未获明确授权的情况下，通过网络爬虫等技术手段大规模获取、清洗并利用他人享有著作权的作品、商业秘密乃至个人数据进行模型训练，引发了全球范围内的诉讼浪潮。

从技术发展史来看，法律对新兴技术的态度通常经历从“审慎克制”到“积极规制”的转变。早期的“技术中立”原则（如索尼案确立的“实质性非侵权用途原则”）在面对AIGC训练阶段的侵权指控时，正逐渐失去其绝对防御效力。当下的核心矛盾在于：如何平衡AI企业降低创新成本的技术诉求，与原始权利人保护智力成果、维护数据主权的财产诉求。本文尝试跳出对立视角，基于《著作权法》、《反不正当竞争法》、《数据安全法》及《人工智能法（草案）》的最新立法动态，并结合美、欧等法域的典型司法判例，系统分析AI训练阶段数据利用的法律属性、侵权判定标准及未来治理路径，为业界提供具有前瞻性与可操作性的法理参考。

一、AI训练阶段数据利用的技术解构与法律定性

要准确判定AI训练是否构成侵权，首先必须在技术层面对“训练”这一黑箱进行法律意义上的解构。AI模型的训练并非简单的“复制后存储”，而是一个包含数据抓取、清洗、预处理、Token化、前向传播计算、梯度更新及参数固化的复杂转化过程。

（一）输入端的“物理复制”与临时复制标准

在训练的初始阶段，AI企业通常需要将网络公开或非公开的数据下载至本地服务器，进行去噪、去重和格式统一。这一阶段必然涉及《著作权法》第十条第（五）项所规定的复制权。

部分AI企业抗辩称，数据经过清洗和Token化后，已被转化为离散的数字向量，原始作品在最终的模型参数中并未以可读形式存在，因此属于“临时复制”或“非表达性利用”。

然而，从司法实务来看，复制的完成并不以最终成果是否保留原始物理形态为转移。只要作品被加载到内存或硬盘中，形成了可供计算机识别的数字化复本，即完成了复制行为。即使后续通过算法将其转化为向量，前期的“中间复制”依然独立构成对复制权的规制对象的触碰。

（二）转化过程中的“实质性利用”而非“合理使用”

AI模型的训练本质上是通过损失函数不断逼近原始数据的分布规律。在这个过程中，模型“学习”到了作品的表达风格、结构组织、逻辑关联等核心要素。

这就产生了一个深层的法理问题：对作品中所蕴含的“统计学规律”的提取，究竟是对“思想”的提炼，还是对“表达”的变相掠夺？

知识产权法历来坚持“思想与表达二分法”。AI企业往往以此为护城河，主张训练抓取的是不受保护的“思想/事实”，而非“表达”。但不能忽视的是，大模型的参数矩阵之所以能够生成高质量的文本或图像，正是因为其在训练中高度精确地“逼近”了原始作品的表达细节。当训练数据量足够大、或者对某一特定版权作品进行过度训练时，模型在输出端能够高概率地“复现”原始作品的片段。

因此，输入端的利用绝非单纯的“非表达性利用”，它是以实现商业化“替代性表达”为目的的实质性数字化利用。

二、著作权法框架下的侵权判定与“合理使用”边界重塑

在涉及AI训练的著作权诉讼中，“合理使用”或“文本与数据挖掘”豁免是最核心的辩护事由。不同法域对此确立了截然不同的制度路径，而这些路径正面临着前所未有的司法检验。

（一）美国法下“转换性使用”的异化与修正

在美国著作权法框架下，判定是否构成合理使用主要依赖第107条的“四要素测试法”。在AIGC兴起前，著名的Authors Guildv.Google,Inc.(2015)案（谷歌图书案）确立了非表达性文本挖掘的合理使用地位。法院当时认为，谷歌数字化图书设立索引和提供片段摘要的行为具有高度的“转换性”，且没有替代原著的市场。

然而，在AIGC时代，这一判例的适用前提已被颠覆：

1、目的与性质：AI企业虽然也是将作品数字化，但其最终目的是训练出一个能够直接替代人类创作的商业化通用工具。这种使用不具有库房索引式的“转换性”，而是对原作品市场份额的直接侵蚀。

2、对潜在市场的影响：这是最致命的改变。在AndyWarholFoundationv.Goldsmith(2023)案中，美国联邦最高法院收紧了“转换性使用”的认定标准，强调如果衍生作品与原作品具有相同的商业目的，则难以构成合理使用。大模型通过学习作家的文风、画家的画风，生成的AIGC产物在市场上与原作者形成了直接的竞争关系，严重损害了原作品的潜在许可市场。

法院正逐渐倾向于认定：当模型训练的输出结果具有与输入数据源发生市场替代的巨大风险时，输入端的无偿抓取难以维持“合理使用”的合法性外观。

（二）欧盟“文本与数据挖掘”豁免的“选择退出”机制

欧盟通过2019年的《数字单一度市场著作权指令》（CDSMDirective）第3条和第4条，确立了成文法上的“文本与数据挖掘”豁免机制：针对科研机构以科学研究为目的的“文本与数据挖掘”，享有绝对豁免；针对商业目的的“文本与数据挖掘”，允许在特定条件下豁免，但权利人保留了“选择退出”的权利。

这一机制看似平衡，但在司法实务和技术落地中引发了巨大争议。随着2026年《欧盟人工智能法案》的全面步入执行阶段，欧盟对通用人工智能模型供应商施加了严格的合规义务，要求其必须制定政策以尊重欧盟著作权法规定的“选择退出”声明，并提交详细的训练数据摘要。

这一立法的司法转向意义深远：它将“不反对即许可”的默示推定，转变为权利人可以通过技术手段随时撤回的“附条件豁免”。一旦权利人普遍声明“选择退出”，AI企业的“免费午餐”时代便宣告终结。

（三）我国法下《著作权法》的适用困境

我国《著作权法》第二十四条第一款采取了“列举与兜底”的模式。其中第（六）项“为学校课堂教学或者科学研究……”以及第（十三）项“法律、行政法规规定的其他情形”是AI企业试图援引的条款。

然而，大多数大模型开发企业属于高度商业化的独角兽或科技巨头，其研发目的虽然带有科研色彩，但最终指向商业运营，无法直接适用第（六）项的“科研豁免”。目前我国尚未由“法律、行政法规”明确为AI商业化训练创设新的著作权豁免条款。国家网信办等七部门发布的《生成式人工智能服务管理暂行办法》第七条虽规定了“能够提高训练数据质量”等原则性要求，但并未直接赋予其著作权侵权豁免的地位。

因此，在我国现行法下，AI企业未经许可使用版权作品进行商业化训练，在现行《著作权法》框架下寻找“合理使用”的抗辩空间极其狭窄。

三、反不正当竞争法框架下的“数据抓取”与商事侵权判定

当训练数据不构成《著作权法》保护的“作品”（例如纯粹的事实数据、用户评论、商品价格信息等）时，知识产权的保护伞便转移到了《反不正当竞争法》。

（一）“非公有领域数据”的竞争法属性

在司法实践中，大型互联网平台（如微博、大众点评、字节跳动等）积累的非公开或半公开数据集，具有极高的商业变现价值。AI企业通过恶意绕开API接口、破解反爬机制获取这些数据，往往被诉诸《反不正当竞争法》第二条（原则条款）或第十二条（互联网专条）。

裁判思路的演变经历了三个阶段：

1、新浪微博诉脉脉案：只要抓取行为破坏了原平台的技术措施，即认定构成不正当竞争。

2、大众点评诉百度案：引入“实质性替代”与“不当占有他人劳动成果”标准。

3、腾讯诉微播视（抖音）案：兼顾数据流通与公共利益。不再单方面保护平台的数据垄断，而是审查抓取行为是否导致原平台核心竞争力的“实质性损害”。

（二）AI训练抓取的独特侵权机理：从“流量截留”到“能力替代”

传统的互联网不正当竞争行为（如数据横向搬家、聚合链接），其侵权后果通常表现为流量的截留和用户注意力的分散。

但AI训练抓取展现了完全不同的侵权机理：垂直截留与能力替代。AI企业抓取了某垂直行业平台十年的数据，训练出的专业大模型可以直接回答用户的特定问题。用户不再需要点击进入原平台寻找答案，原平台的商业闭环（“用户-内容-广告/电商-数据”）被彻底斩断。

这种“抽干池水”式的利用，突破了传统“商业道德”的容忍底线。司法裁判在审理此类案件时，应当适用“实质性替代、实质性损害”的审判标准：如果AI训练对数据源平台构成了不可逆的市场功能替代，且未能证明该利用创造了更高维度的、不具竞争冲突的社会净福利，则应当认定构成不正当竞争。

四、数据安全与个人信息保护：AI训练的合规红线

除了财产性的知识产权外，AI训练数据中往往夹杂着大量的个人隐私与个人信息。这直接触及了《个人信息保护法》与《数据安全法》的强制性合规红线。

（一）“公开个人信息”的知情同意豁免及其限度

AI企业经常主张，其抓取的数据均属于网络上公开发布的信息（如社交媒体公开发言、博客等），根据《个人信息保护法》第二十七条，处理已公开的个人信息无需取得个人同意。

然而，该条同时规定了限制性红线：“个人明确拒绝的除外。处理已公开的个人信息对个人权益造成重大影响的，应当取得个人同意。”

大模型训练对个人信息的处理，往往伴随着深度的用户画像、关联推导与自动化决策。例如，通过零散的公开言论推断出用户的政治倾向、宗教信仰或性取向，并固化在模型参数中。这种深度加工已经远远超出了个人在公开该信息时的合理预期，对个人权益造成了重大风险，因而不能免除“知情同意”的法定义务。

（二）“被遗忘权”在神经网络中的技术性失效

《个人信息保护法》第四十七条赋予了个人“删除权”。在传统数据库中，删除一条记录轻而易举。但在大模型中，一旦个人信息参与了前向传播计算并改变了权重参数，该信息便“熔化”进了数千亿个参数之中。

五、前瞻性法论证：如何构建“权责对等”的AI利益分配机制

面对上述多重法律困境，一味收紧法律尺度、搞“司法全面封杀”将会扼杀本土人工智能产业的竞争力；而一味纵容“野蛮生长”，则会毁灭内容创作者的生态，导致“无数据可用”的公地悲剧。司法者和立法者必须在法理上寻找更为精细化的解法。

（一）区分“基础模型”与“垂直应用模型”的差别化规制

在未来的司法裁判中，不宜对所有AI训练行为一概而论，而应实施分层分级裁量：

通用基础模型：具有公共基础设施属性。对其训练阶段的版权侵权审查，在权利人未设立明确技术限制的情况下，可适当放宽其在“物理复制”阶段的法律责任，倾向于通过后续的利益分成机制（如法定许可或集体管理）解决，避免直接发出“禁令”导致模型停服。

垂直行业模型：如果某模型专门抓取特定竞争对手的独家数据（如医疗、法律、特定画风艺术网站），其商业目的具有极强的针对性和替代性，司法裁判应当适用更严格的注意义务，未获明示授权即应推定构成侵权或不正当竞争。

（二）推动从“禁令救济”向“责任规则”的司法裁判转向

在传统知识产权侵权中，权利人最常申请的是“停止侵害”。但在AIGC领域，如果因为大模型训练使用了某几百本版权图书，就判令“销毁已训练的模型”或“停止模型运行”，将导致巨大的社会资源浪费和技术倒退（即诉讼法上的利益失衡）。

在AIGC训练侵权救济中，司法裁判应当逐步践行法经济学派提出的“责任规则”（LiabilityRules）替代“财产规则”：

核心裁判法理除非涉案模型存在恶意、大面积抄袭或针对性盗版，否则法院在判定构成侵权后，应审慎适用“停止运行/销毁模型”的判项，转而通过判令被告支付高额的、惩罚性的合理许可费或损害赔偿金来弥补原告的损失。

这样既保障了原告的财产对价权益，又维持了前沿技术成果的社会存续。

（三）探索数据要素信托与版权集体管理组织的“AI许可模式”

长远来看，个对个的“先授权后使用”无法适应海量数据的训练需求。业界亟需搭建桥梁。我国可率先在音频、文字、图片等领域，依托版权集体管理组织或国家数据交易所，创设“一站式AI训练授权通道”。

通过制定标准的“AI训练许可合同范本”，确定合理的计费矩阵（如按Token消耗量、按数据集占比或按模型商业收益分成）。AI企业一键付费即可获得合规底座，权利人则能够精准分润，从而将法律冲突转化为产业红利。

结语：人工智能时代法治的温情与理性

人工智能没有剥夺人类思考的权利，它只是像一面镜子，折射出了我们既有法律制度在数字时代的张力与局限。作为律师，我们的职责不仅是在个案中亦步亦趋地适用法条，更是在每一个具有风向标意义的判决中，为技术划定不容逾越的道德与权利红线，同时为创新的洪流预留奔涌的河道。

大模型训练中所涉及的数据交织与产权博弈，本质上是人类知识共同体在智能时代的重组过程。唯有秉持“科技向善”的理性与“保护智力成果”的温情，方能在这场算法洪流中，真正筑牢法治的基石。