人工智能大模型训练中著作权的合理使用

目次

一、问题的提出

二、利益平衡：大模型训练的技术特性与合理使用的适用基础

(一)大模型训练的技术原理及核心特征

(二)技术特性与合理使用的适用必要性

三、现实困境与司法探索：我国大模型训练合理使用制度的适用检视

(一)立法层面：规则主义模式下封闭式列举难以涵盖新型使用行为

(二)行政监管层面：“授权优先”原则对合理使用的限制

(三)司法层面：域外经验的本土适配与裁判路径探索

四、借鉴与展开：大模型训练场景下合理使用的要素判断规则和具体适用

(一)使用目的与性质：以转换性为核心，营利性判断依附于转换性程度

(二)使用作品的性质：差异化保护的综合考量

(三)使用作品的数量和质量：双重维度的审查与互补逻辑

(四)对作品潜在市场和价值的影响：核心考量和最终校验

(五)“四要素”的联动关系与综合判断

五、司法与立法协同：我国大模型训练合理使用制度的完善路径

(一)短期：司法先行，统一裁判标准

(二)中期：立法衔接，激活制度接口

(三)长期：单独立法，构建专项规则

六、结语

内容提要：生成式人工智能大模型训练依赖海量受著作权保护作品的支撑，法定授权的高成本与海量数据的强需求存在矛盾，引发诸多著作权侵权纠纷。大模型训练在技术本质上属于“非表达性使用”，具备适用合理使用规则的必要性与正当性基础。我国《著作权法》第24条规则主义立法模式下的封闭式列举难以涵盖该新型使用行为，且行政监管强调“授权优先”进一步压缩了合理使用的适用空间。司法实践通过灵活解释“三步检验法”，引入“四要素”标准与“转换性使用”规则，初步探索出将大模型训练纳入合理使用的裁判路径。为纾解前述困境，应构建司法与立法协同的治理路径：短期内由司法机关出台司法解释与指导性案例，统一裁判标准；中期激活《著作权法》第24条第1款第13项的兜底条款，通过行政法规明确合理使用情形；长期则通过单独立法设立“数据训练豁免”专章。在规制输出生成内容侵权风险的同时，为人工智能产业发展提供明确的法律预期，实现著作权私权保护与社会公共利益的动态平衡。

关键词：人工智能大模型　数据训练　著作权　合理使用　利益平衡

一、问题的提出

人工智能(Artificial Intelligence，以下简称“AI”)大模型作为“大数据＋高算力＋强算法”深度融合的产物，其以ChatGPT、DeepSeek等为代表的生成式人工智能产品已在内容创作、辅助决策等多领域广泛应用。然而，大模型训练依赖海量受著作权保护的作品，逐项获取授权不仅交易成本高昂，而且客观上难以实现。

具体来说，事前授权的高成本与数据需求的海量性之间形成尖锐矛盾，致使著作权侵权纠纷频发。核心争点在于，人工智能大模型利用受著作权保护作品进行训练是否构成侵权，以及能否适用合理使用规则予以豁免。目前，我国现行著作权法律法规尚未有明确规定，全球司法实践对此分歧明显，相关诉讼不断。例如，我国首例AI训练数据著作权纠纷插某师诉小某书案、爱某艺诉某Max未经授权使用著作权影视素材进行AI模型训练案，均处在审理阶段。美国Thomson Reuters v. Ross案 (以下简称Ross案)驳回被告的合理使用抗辩，首次认定大模型训练数据使用构成版权侵权；Bartz v. Anthropic案 (以下简称Anthropic案)则认定使用合法来源作品进行大模型训练构成合理使用。这一分歧凸显了司法裁判对合理使用规则的具体适用差异，深刻影响着著作权人与人工智能企业之间的利益平衡。在我国，人工智能作为新质生产力发展的核心引擎，如何构建适应技术特性的合理使用制度，以破解数据训练难题，在保障著作权人合法权益的同时为产业预留发展空间，已成为当前司法实践与立法完善亟待回应的重要课题。

二、利益平衡：大模型训练的技术特性与合理使用的适用基础

我国《生成式人工智能服务管理暂行办法》第22条第1项规定，生成式人工智能是指具有文本、图片、音频、视频等内容生成能力的模型及相关技术。大模型训练作为核心环节，涵盖数据收集处理、模型构建、算法应用及性能评估优化的复杂技术流程。这种独特的技术原理与数据处理特性，致使著作权问题日益凸显，进而产生了对利益平衡的诉求及合理使用制度适用必要性的关切。

（一）大模型训练的技术原理及核心特征

大模型训练本质上是基于深度学习算法的机器学习过程。依据其技术原理，运作流程可划分为数据输入、模型训练与内容输出三个阶段，即从海量的数据中自动学习、归纳规则、提炼模式以优化模型，并基于习得模式生成新成果。

一是数据输入阶段。训练者向大模型输入文本、图像、视频等海量数据。此阶段涉及的作品数字化复制，属于为实现训练目的的内部临时复制，具有过程性与辅助性，并非独立的作品使用行为，亦未对外展示或传播。尽管学界对于该临时复制是否免责尚存争议，但其非独立传播的属性明显。

二是模型训练阶段。此为核心环节，主要流程涵盖将输入数据转化为计算机可识别格式，并借助数据分析构建神经网络。数据抓取与识别旨在提炼内在规律，经概率计算形成表达模式。“从行为结果上看，它并不在于复制原作，而是形成一种概率模型或向量空间，其中不再保留原作品的具体表达，而是抽象出表达背后的通用规则，故而可被视为一种非表达性使用(non－expressive use)行为”，此种使用并非对作品表达的欣赏，通常不落入著作权的专有控制范围，但海量使用是否损害权利人利益、是否应予免责仍有分歧。

三是内容输出阶段。训练完成的大模型依据指令生成的内容具有随机性，与训练数据无直接对应关系。从技术视角看，作品经清洗、标注等预处理转化为计算机语言，最终以编码、参数形式嵌入模型，而非原样存储。这与传统复制行为存在显著差异：“这种复制的结果也不必然使模型生成与作品相同或相似的内容，也就是说经过训练的模型不会是作品的市场替代品。”

（二）技术特性与合理使用的适用必要性

上述技术特性揭示了大模型训练与著作权保护之间的深层张力：一方面，技术逻辑要求对作品进行必要的复制与处理；另一方面，这种“非表达性使用”特质与著作权保护规则产生了适配性冲突。这既引发了保护困境，又与合理使用制度存在一定的内在契合，凸显了制度适用的必要性。

总的来说，合理使用制度旨在特定情形下平衡著作权人权益与社会公共利益。人工智能大模型兼具“生成性”与“通用性”双重特性，正如学者所述：“大模型的‘生成性’使许多著作权人认为自己作品的市场受到了严重影响，但‘通用性’又使大模型能够带来推动各领域科技创新、产业升级等社会公共利益。”从社会整体利益最大化视角出发，大模型训练适用合理使用制度具备正当性基础，具体体现在以下四个方面。

一是矫正市场失灵，降低交易成本。法定许可模式在大模型训练场景中面临严重的“市场失灵”。海量数据背景下，权利人分散且信息不明，逐一授权成本过高、谈判难度极大。作品碎片化后的贡献价值与作者预期差距显著且难以量化。即便实施强制许可规则，高昂许可费亦将转嫁至服务价格，抑制技术推广。合理使用作为矫正机制，可以在不损害权利人核心利益的前提下大幅降低交易成本，为技术创新预留空间。

二是符合技术现实，适配法律评价。大模型数据训练涉及复杂的处理流程，远非简单的“复制”行为所能界定。若将此类技术利用一概视为“复制”并强制要求授权后使用，既脱离技术实践，亦超出现行著作权法的评价能力。合理使用制度的灵活性可适配大模型训练的技术特性，为新型使用行为提供合法评价路径。

三是保障数据完整，规避算法偏见。大模型输出质量依赖于训练数据的代表性、完备性与时效性。合理使用制度可降低数据资源获取门槛，助力技术开发者获取广泛、全面的数据，避免因来源受限引发的算法偏见问题，提升大模型的应用价值。

四是契合国家战略，提升竞争优势。著作权保护本质上属于政策调控工具，其保护强度应与国家发展水平相适应。当前全球生成式人工智能领域的技术竞争激烈，监管友好度直接影响产业发展与布局。将符合条件的训练行为纳入合理使用，可增强市场信心、激励研发，提升我国在全球人工智能领域的核心竞争力。

综上，技术特性决定制度需求，制度构建须以技术特性为依归。“将人工智能训练这一目的纳入合理使用制度的范畴之中，能够使得人工智能系统的开发者和使用者充分利用著作权制度所溢出的社会收益，从而推动相关科技持续创新与艺术创作的繁荣。”在特定条件下适用合理使用制度，能有效平衡著作权保护与技术发展：既维护权利人合法权益，防止肆意侵权；又为技术发展预留空间，促进产业繁荣，实现社会红利共享。

三、现实困境与司法探索：我国大模型训练合理使用制度的适用检视

在我国现行著作权法框架下，著作权侵权豁免主要依循法定许可与合理使用两条路径。鉴于法定许可制度在人工智能大模型训练场景中的局限性，合理使用制度成为平衡权益冲突的关键机制。然而，受制于立法相对滞后、监管较为严格及司法标准有待明确等因素，该制度在适用中面临诸多现实掣肘，增加了产业发展的法律风险。与此同时，我国司法实践已通过政策指引与个案裁判，积极构建适配本土需求的规则体系，形成可供参考的裁判路径，为合理使用制度完善提供实践基础。

（一）立法层面：规则主义模式下封闭式列举难以涵盖新型使用行为

目前各国合理使用制度立法模式有三种：一是以美国为代表的“合理使用”(fair use)因素主义立法模式，其《版权法》第107条列举了“四要素”标准判断是否构成合理使用，具有非常强的开放性；二是以欧盟国家为代表的版权体系所采取的“合理对待”(fair dealing)的混合式立法模式，属于半封闭式；三是作者权体系国家采取的是“著作权限制或例外”(exception of copyright)的规则主义立法模式，属于穷尽式列举，我国的合理使用条款即采取了规则主义的立法模式。

我国《著作权法》第三次修正时，虽借鉴《伯尔尼公约》的“三步检验法”并增设兜底条款，一定程度上提升了规则的开放性，但仍有一些问题有待解决。具体表现为如下三点：第一，“特殊情况”要件的实质性限缩。现行立法将“三步检验法”第一步“在特殊情况下”具化为“在下列情况下”，实质上将合理使用严格限定为法条明确列举的个人使用、教学科研等12种具体情形。而大模型训练难以归入任何既定类型，无法直接纳入法定豁免范畴。第二，“三步检验法”的反限制功能。现行法条规定，即使行为表面符合列举情形，仍须通过第二步“不影响正常使用”与第三步“无不合理损害合法利益”的检验。这实质上构成了对合理使用的严格限制，进一步增加了大模型训练纳入合理使用的难度。第三，兜底条款的虚置。迄今尚无“法律”或“行政法规”对大模型训练使用作品作出专门规定，导致《著作权法》第24条第1款第13项规定的兜底条款缺少明确适用空间。试图通过解释该条款将大模型训练归入合理使用，面临法律适用上的希望障碍。

（二）行政监管层面：“授权优先”原则对合理使用的限制

《生成式人工智能服务管理暂行办法》进一步明确了训练数据来源的合法性要求，其第7条明确规定“使用具有合法来源的数据和基础模型”“涉及知识产权的，不得侵害他人依法享有的知识产权”等内容。此举确立了“授权优先”的监管导向，要求服务提供者优先通过许可方式或从公有领域数据等合法途径规避风险。在行政监管将“数据来源合法”设定为强制性义务、尚未明确豁免例外情形及法定豁免路径的背景下，商业性大模型训练若仅依赖“合理使用”抗辩，将面临极严苛的举证责任与极高的法律不确定性，合理使用的适用空间被监管实质压缩。

（三）司法层面：域外经验的本土适配与裁判路径探索

我国司法实践则通过政策指引与个案裁判，灵活参照“四要素”标准与“转换性使用”规则，并结合“三步检验法”，构建了具备开放性的合理使用认定路径。

1．司法政策的开放性适用指引

2011年，最高人民法院出台《关于充分发挥知识产权审判职能作用推动社会主义文化大发展大繁荣和促进经济自主协调发展若干问题的意见》，其第8条以“三步检验法”为基础，参照“四要素”标准创设“特殊情形”例外，明确在“促进技术创新和商业发展确有必要”时，可突破法定列举情形认定合理使用。后又接续发布《关于加强新时代知识产权审判工作为知识产权强国建设提供有力司法服务和保障的意见》《关于以高质量审判服务保障科技创新的意见》等一系列司法政策文件，强调加强人工智能等新领域的知识产权保护，合理确定新业态法律责任。这些政策释放出为新兴技术数据使用预留合法空间的明确信号。

2．域外经验的个案参照

法院在个案裁判中不仅依据《著作权法》第24条列举情形，亦积极结合合理使用规则扩展认定空间，以“四要素”标准辅助解释“三步检验法”，以“转换性使用”规则为评价“使用目的”的关键。例如，杭州互联网法院在“奥特曼”图片侵权案中指出：生成式人工智能在数据训练阶段使用他人作品的目的，原则上应是学习分析在先作品所表达的思想感情、语言特征、特色风格等内容，从中提取出相应的规则、结构、模式、趋势，便于后续转换性创作新作品。此裁判逻辑清晰地呈现了转换性使用在大模型训练场景中的适用路径：生成式人工智能数据训练旨在提取作品规律用于转换性创作，属功能性、非表达性使用，与传统的作品传播行为有本质区别。

3．司法裁判路径的形成

当前司法实践已形成以“三步检验法”为基础、“四要素”标准与“转换性使用”为辅助的合理使用判断路径，既契合国际发展趋势，也为应对新兴技术引发的著作权侵权问题提供了灵活的裁判工具。就大模型训练而言，其使用目的从作品传播转向技术训练、使用方式从完整呈现转向特征提取、产出结果与原作品不存在直接竞争关系，均与“转换性使用”的规则内涵高度契合。司法层面通过政策指引与规则参照，已实质构建起将大模型训练归入合理使用范畴的裁判逻辑，为立法完善提供了实践支撑。

综上，司法实践已在概念、要素与价值层面与开放式合理使用规则深度融合：概念表述相同，使用与“合理使用”相同表述；要素相似，均聚焦使用目的与性质、作品性质、使用方式与程度及市场影响等关键要素；价值层面目的共通，均旨在平衡著作权保护与社会公共利益，促进文化传播与科技创新。这种立法与司法的互动，既为域外裁判经验的本土适配提供了法理基础，也构建了制度完善的分析框架。

四、借鉴与展开：大模型训练场景下合理使用的要素判断规则和具体适用

合理使用规则的“四要素”，该标准的内在逻辑与大模型训练的技术特性较为契合，我国有必要结合具体场景系统梳理其判定规则，厘清不同情形下的参考路径。鉴于“四要素”系相互关联、彼此影响的有机整体，借鉴时应注重要素间的内在联动与综合权衡，为我国司法实践提供裁判思路层面的参考。

（一）使用目的与性质：以转换性为核心，营利性判断依附于转换性程度

使用目的与性质系合理使用认定的首要因素，核心考量标准为转换性与营利性，二者联动影响判定结果。其中，转换性居于主导地位，营利性之影响权重则依附于转换性程度。

1．转换性：合理使用认定的优先审查因素

转换性使用旨在促成具有创新价值的成果，侧重于对原作品的目的重构、功能创新或内容增值。该过程契合著作权法“促进文化创新与知识传播”的立法目的，故成为判定合理使用的关键基准。简言之，转换性程度与对原作品的依赖性呈负相关：转换性越高，对原作品独创性表达的依存度越低，构成合理使用的可能性越大。在司法实践中，若转换性程度较高，可降低对使用比例、营利性等要素的考量权重；反之，若缺乏转换性，则可能直接排除合理使用规则的适用。在Campbell案中，美国联邦最高法院确立了新作品通过新表达、新意义或新信息改变原作品的程度越高，商业性等其他考量要素的权重便越低的裁判规则。在美国Authors Guild v. Google Books案中，法院认定图书扫描行为具有高度转换性目的，且向公众展示的文本有限，未构成对原版图书市场的实质性替代。该判例常被作为支持人工智能训练数据使用合法性的佐证。大模型训练具有典型的转换性特征：模型将作品视为数据资源，借助算法解析文本、图像等的内在逻辑，其目的不在于重现原作品的独创性表达或艺术价值，而是通过机器学习生成全新内容。此种使用既未侵蚀原权利人的既有市场利益，又能推动技术进步，契合转换性使用的本质。

2．营利性：影响权重依附于转换性程度

营利性使用标准虽通常削弱合理使用的认定，但并非唯一决定性因素，其实际作用需结合转换性程度综合判定。当转换性较弱时，营利性将显著阻碍合理使用的成立。例如，在美国Ross案中，被告的法律研究工具对原作品的使用缺乏足够的转换性，其营利性特征便成为否定合理使用的关键依据。但当转换性较强时，即便具有营利性，被判定为合理使用的概率也相对较高。例如，在美国Anthropic案与Kadrey v. Meta案中，法院认可大模型训练具有高度转换性，即使企业存在商业运营行为，仍认定训练行为构成合理使用。上述案例表明，大模型的商业性运营目的并非合理使用判定的绝对阻碍，裁判者更倾向于考量其创新目的及转换性使用对社会整体发展的积极意义。

（二）使用作品的性质：差异化保护的综合考量

对不同性质作品的差异化保护逻辑，主要涵盖独创性程度、作品类型属性及公开发布状态三个维度。需明确的是，该要素极少单独作为合理使用判定的决定性因素，其作用需与其他要素协同考量。

1．独创性程度

著作权保护强度与作品独创性高低呈正相关。小说、绘画、音乐等虚构性作品因凝聚作者独特的创意表达，兼具较高的精神与经济价值，保护力度一般较强。反之，事实性陈述、简单汇编作品等因创作空间有限、独创性较低，保护范围相对较窄，有时仅能寻求《反不正当竞争法》等相关法律的补充保护。以Ross案为例，司法判决书由法官履行裁判公权力形成，整体进入公有领域，不受著作权保护，而法律服务商基于判决书加工生成的头注(hednote)，固存在编辑层面的选择、编排与提炼，构成汇编作品，但独创性较低，保护强度远逊于原创文学艺术作品，故合理使用的认定门槛相对较低。

2．作品类型属性

依据内容性质，作品可分为事实性作品与虚构性作品，二者保护强度迥异。新闻报道、法律文书等事实性作品旨在传递客观信息，价值内核在于信息本身而非表达形式，保护力度较弱，被认定为合理使用的可能性较高。诗歌、电影、雕塑等虚构性作品则蕴含独特的艺术表达与创意，具有稀缺性，权利保护力度较强，认定合理使用的难度亦相对较高。

3．公开发布状态

作品是否发表关涉作者发表权与社会公共利益的平衡。未发表作品涉及作者对发表时机与方式的自主控制，属于著作人身权核心范畴，通常受到更强保护，对他人的使用行为判定较为严苛。而已发表作品因已完成首次传播，发表权已然行使，保护强度相对减弱，对其使用更易满足“不影响作品正常利用”之要件，有利于合理使用的认定。

综上，该要素的作用高度依赖其他要素的协同，转换性使用即可弱化其影响。在生成式人工智能训练场景中，作品性质要素呈现双重性：一方面，训练数据多为已发表作品，符合保护强度减弱的法理，有利于合理使用认定；另一方面，数据中包含大量高独创性作品，客观上增加了抗辩难度。然而，在非表达性使用场景下，独创性要素的影响力有限，仅具有辅助考量价值，不宜过度强调。因此，“使用作品的性质”虽通过差异化保护逻辑影响判定，但需结合上述维度属性及其他要素综合权衡，不足以作为认定合理使用的决定性依据。

（三）使用作品的数量和质量：双重维度的审查与互补逻辑

合理使用的判定需兼顾数量与质量双重维度：数量维度考察使用部分占原作品的比例及其在使用行为中的权重；质量维度则聚焦使用内容是否构成原作品的“核心部分”，即是否体现作品的独创性精华。二者并非孤立考量，而是呈互补逻辑：使用数量虽少但若触及作品核心，可能因实质性利用作品价值而阻却合理使用；反之，若使用数量虽多但未触及核心，或系实现转换性目的之必要，则仍可能构成合理使用。故复制比例非唯一标准，其正当性应结合使用目的与实际效果综合判定。

1．技术必要性的影响

大模型训练常需复制完整作品以提取特征，与传统合理使用中的“片段引用”显著不同。在司法实践中，若全文复制旨在实现高度转换性目的(如学习语言规律、优化算法)，且不涉及作品传播，则使用的“量”可以因为技术必要性而获得正当性。加之单个作品在海量数据中占比极微，且模型输出不构成对原作品的直接替代，故单纯地使用比例要素不宜作为否定合理使用的单一依据。

2．“黑箱性”审查阻碍

人工智能固有的“黑箱属性”和解释难题，致使训练过程呈现非可视化与不透明特征。服务提供者难以确知具体使用的作品类型，更无法厘清作品的权属、数量与质量。由于单个作品的贡献度被高度稀释，外部难以追溯并核验模型对具体作品的实际调用情况与利用程度，使得传统的量化审查难以实现。

3．核心判定标准的适配

司法审查应摒弃对训练过程的微观量化考察，转而聚焦模型输出与原作品的关系：若输出内容与原作不构成实质性相似，且未形成市场替代，则倾向于认定合理使用；若模型深度依赖少量核心作品，输出内容重现其核心表达并损害原作价值，则难以构成合理使用。

综上所述，人工智能训练中“使用作品的数量与质量”审查，应超越传统的“比例导向”思维，确立“功能导向”范式。审查重点在于平衡技术必要性与著作权保护，核心考量因素包括使用行为的转换性程度、对原作核心价值的影响及是否形成市场替代。单纯的数量或比例不具有决定性意义，需结合具体场景的技术特征与利益平衡机制综合判断。

（四）对作品潜在市场和价值的影响：核心考量和最终校验

在合理使用审查框架中，“对作品潜在市场和价值的影响”系核心考量要素，市场影响被视为最终校验标准，其他要素的分析均需以此为归宿。审查重点在于评估训练行为及模型输出是否损害原作的现存市场、潜在市场或权利人合法权益。在司法实践中，关于“市场替代可能性”“潜在许可市场”“技术创新与著作权保护平衡”等问题，有共识也有分歧。

1．核心判断标准与关键问题

评判人工智能训练行为对作品市场与价值的影响，主要涵盖以下维度：(1)直接市场替代性。即训练行为与模型输出是否生成与原作实质性相似的内容，导致用户分流并构成功能性替代。(2)潜在市场损害。即该行为是否侵蚀作品现有销售、许可等经济利益，或损害权利人未来可合理预期的市场。(3)合法权益剥夺。即是否不当剥夺著作权人本应获得的可预期收益。综上，在实践中亟待厘清的关键问题在于：大模型训练及其生成内容是否构成对原作品实质性的“功能替代”，未经许可的数据训练是否规避了本应存在的“数据许可市场”，致使权利人收益落空，以及如何平衡技术创新引发的新型竞争与著作权保护需求。

2．人工智能训练场景的特殊性与考量因素

(1)主张“不构成市场损害”的理据。首先，缺乏直接替代。大模型训练旨在学习作品的“模式与规律”而非复制传播原作，其输出多为全新内容，与原作鲜少有达到实质性相似的情况，一般不会直接分流用户。其次，具备技术必要性与创新价值。训练行为服务于高度转换性目的，可能催生新市场或扩大原作影响力。最后，“思想表达二分法”的适用。作品风格、通用模式属于“思想”范畴，人工智能习得风格后创作同类作品，系对公有领域元素的合理利用，通常不损害原作市场。

(2)主张“构成市场损害”的依据。其一，潜在许可市场收益落空。若权利人已开发或存在可合理开发的数据许可市场，未经许可的训练行为绕开授权环节，属于直接剥夺其合法收益。其二，输出端竞争风险。大模型可能生成风格或功能高度近似的竞争性产品，对依赖“独特风格”或“核心表达”的作品构成显著冲击。

3．平衡路径：协调技术创新与著作权保护

一是区分“训练环节”与“输出环节”。判断模型训练是否符合转换性使用，应将数据输入、模型训练和数据输出看成一个整体。只看数据输入和模型训练是没有意义的，因为模型训练不是终极目的行为。也即，需要依据输入端与输出端的具体特征予以区别，从而形成事前与事后两层次的规制方案。训练环节为转换性目的进行的必要复制，若不直接传播原作，一般应认定不构成市场损害。输出环节若生成实质性相似内容引发侵权，应在使用端规制，如要求部署过滤机制、追究输出环节侵权责任，而非回溯否定训练合法性。此种“输入端宽容、输出端严控”的思路，已在司法实践中有所体现。例如，杭州互联网法院在“奥特曼案”中，通过训练与输出环节的区分，既保护了著作权人的合法权益，又为大模型训练预留了发展空间。广州互联网法院在“奥特曼”系列形象著作权侵权纠纷案中，虽然原告曾提出被告未经授权利用作品训练大模型的指控，但未有证据证明，法院侧重于人工智能生成内容是否存在侵权行为，责令被告立即采取相应措施，防止用户生成侵犯原告著作权的图片。二是审慎对待“潜在的许可市场”。认定损害需以实际证据支撑，若存在明确且可合理预期的许可收益，对未经许可的训练应持审慎态度；若“数据许可市场”尚未成熟，则不能仅凭“未来可能性”推定损害存在。

据此，“对作品潜在市场和价值的影响”之判定应立足具体场景，精细权衡“技术必要性”“市场替代实际性”“权利人权益保护”三者的关系。裁判应避免因过度保护著作权而抑制人工智能技术的良性发展，旨在确立既能激励创作又能促进技术进步的动态平衡机制。

（五）“四要素”的联动关系与综合判断

大模型训练场景下的合理使用认定，并非对“四要素”的孤立审查或简单叠加，而是以“转换性使用”为核心的综合评判。各要素间存在紧密的内在逻辑关联与权重差异，主要体现在以下方面。

1．核心要素与辅助要素的界分

使用目的与性质(转换性)以及对作品潜在市场和价值的影响为核心要素，二者具有直接的联动效应：转换性程度越高，对原作品市场的影响通常越小，认定合理使用的可能性越大。使用作品的性质、使用作品的数量与质量则为辅助要素，其判定权重受核心要素牵制，仅在核心要素认定模糊时发挥补强作用。前述杭州互联网法院“奥特曼案”采取的“输入端宽容、输出端严控”思路，正是对使用目的与市场影响联动考量的典型体现。

2．权重的动态调整机制

结合大模型训练的技术特性，司法裁判应动态调节各要素权重，增强合理使用判断对技术的适应力。具体来说，对于转换性程度高且未损害原作品市场的训练行为，可适度降低辅助要素的考量权重；反之，对于转换性程度较低、可能触及原作品核心表达的使用行为，则需强化对辅助要素与市场影响要素的审查力度。

3．与“三步检验法”的融合适用

“四要素”的综合判定需与我国著作权法框架下的“三步检验法”有效衔接，审查结论须符合“三步检验法”之要求，即大模型训练行为须限于“特殊情况”，未影响作品正常使用且未不合理地损害著作权人合法权益。二者的融合适用，既契合了我国立法框架，又能提升合理使用认定的科学性与可操作性。

综上，“四要素”间并非平行并列关系，而是呈现结构性关联。第一要素(使用目的与性质)中的转换性是主导因素，其强度直接影响其他要素的权重；第四要素(市场影响)是最终校验标准，其他要素分析均需回归该核心关切；第二要素(作品性质)和第三要素(使用数量与质量)系调节要素，其权重随转换性程度呈反向波动。此种联动关系要求在个案审理中结合案情灵活考量，避免机械套用，进而在著作权保护与人工智能技术发展之间实现动态利益平衡。

五、司法与立法协同：我国大模型训练合理使用制度的完善路径

人工智能应用场景的复杂多元，使大模型训练这一核心环节面临著作权合理使用认定与适用的现实困境。为促进人工智能产业健康发展、平衡著作权人合法权益与社会公共利益，亟须构建司法与立法协同的治理机制，完善我国大模型训练场景下的数据合理使用规则。

（一）短期：司法先行，统一裁判标准

在立法具有一定滞后性的背景下，应充分发挥司法的指引与规制功能。具体来说，一是可以制定专项司法解释。最高人民法院可适时将成熟的政策规范上升为司法解释，明确大模型训练中数据合理使用的判定标准。构建要素权重的动态调整模型，结合个案情形对使用目的、数量及市场影响等要素进行差异化赋权，提升司法认定的科学性与精准度，增强裁判规则的可操作性与权威性。二是建议发布典型指导案例。通过遴选指导性案例、完善专题案例库，构建涉人工智能训练著作权纠纷的案例参考体系，为类案审理提供明确指引，统一司法裁判尺度。三是健全技术事实查明机制。针对大模型训练的技术复杂性，深化技术调查官与专家陪审员制度，引入人工智能领域专业人员辅助查明技术事实、界定侵权边界，实现技术逻辑与法律适用的有效衔接，保障司法裁判的客观公正。

（二）中期：立法衔接，激活制度接口

在我国现行的著作权法律框架和制度之下，仅通过解释论无法解决现有著作权合理使用情形的列举不足问题，需从立法论角度，讨论如何对合理使用兜底条款进行完善和改进。《著作权法》第24条第1款第13项设定了“法律、行政法规规定的其他情形”的兜底条款，为合理使用制度的拓展适用预留了制度空间。但同时，也应当在现有法律体系的基础上进一步完善修改，以满足大模型训练与权利保护的平衡要求。其一，修订《著作权法实施条例》，明确将人工智能大模型训练的数据使用行为纳入合理使用的范畴，激活前述兜底条款，为模型训练提供直接合法性依据。该路径以最小立法成本维系最大制度弹性，既规避了法律修订的复杂程序与潜在争议，又可依托行政法规细化适用条件与范围，借鉴域外立法经验，在产业数据需求与权利人权益保护之间实现衡平。其二，调适行政监管与合理使用的衔接关系。修订《生成式人工智能服务管理暂行办法》，将符合条件的大模型训练合理使用情形纳入数据来源合法性认定范畴，确立“授权优先、合理使用为补充”的监管原则，消解行政监管中“授权优先”对合理使用制度适用空间的不当挤压。

（三）长期：单独立法，构建专项规则

从长远来看，随着人工智能产业的持续发展，大模型训练的著作权问题将越发复杂，仅依托现有著作权法框架完善立法势必无法满足产业发展的需求。立法上亟须专门厘清人工智能数据训练的合理使用法律规则，使得各方利益主体权利边界更加明晰。近年来，新加坡、日本及欧盟等主要法域均在立法层面对数据训练著作权问题予以回应。例如，《新加坡版权法》确立“计算数据分析例外”，允许特定条件下为计算数据分析目的对作品进行复制、改编等使用。2023年修订的《日本著作权法》新增“AI训练豁免”条款。欧盟于2019年出台的《单一数字市场版权指令》引入“文本与数据挖掘例外”，区分非商业与商业场景设定适用条件；2024年通过的《人工智能法案》则进一步细化了该数据训练合理使用框架。

本文认为，我国应顺应国际立法潮流，通过修订《著作权法》或直接制定《人工智能法》，设立“数据训练豁免”专条，构建系统完备的合理使用规则。具体而言，应明确允许以模型训练为目的的合理复制行为，界定非表达性信息提取的范畴，并建立严格监管机制防范输出端的侵权风险，准确界定非表达性信息提取的范围与条件，防止著作权人合法权益受损。专项立法不仅能为产业发展提供坚实法治保障，亦有助于我国参与全球人工智能著作权规则制定，提升国际话语权。

六、结语

人工智能大模型数据训练的著作权困境，实质上折射出工业时代著作权制度与数字生产力发展之间的结构性矛盾。纾解该困境，有赖于构建司法与立法协同治理机制，消解“海量数据需求”与“著作权壁垒”之间的张力，实现多维度的利益平衡：权利维度，统筹著作权人权益保护与产业数据获取需求；责任维度，厘清训练环节豁免与输出环节侵权认定的责任边界；价值维度，衡平私权激励与技术普惠承载的公共利益。此举旨在保障我国在全球人工智能竞争中兼具创新活力与法治底蕴，进而助推社会主义文化与科学事业的繁荣发展。