生成式人工智能数据训练的版权法因应

摘要

生成式人工智能数据训练在版权法中应当如何定性引发广泛的讨论，既有研究提供的文本与挖掘例外、法定许可以及默示许可的观点均存在不足。通过对大语言模型的实施机理不难发现，人工智能数据训练行为在本质上并未干扰原作品原始表达，而构成对原有作品的非表达性使用，故而可以通过《著作权法》第24条加以调整，这一点也得到法经济学观点的佐证。为了避免生成式人工智能因数据训练中的“记忆”所引发的侵权风险，可以通过构建层次化的非表达性判断框架，建立相应的“记忆”风险技术判断标准，并实施差异化的“史努比问题”应对机制来应对。

一、问题的提出

在当前全球科技竞争格局深刻变革的背景下，人工智能已成为我国抢占未来发展制高点的战略抓手，生成式人工智能的发展离不开高质量数据的供给，但大模型的数据训练行为是否构成版权侵权却引起广泛争议。同时，随着美国法院承认人工智能训练行为构成合理使用的判决推出，更是将数据训练行为是否构成合理使用这一问题的讨论引向高潮。鉴于此，本文从生成式人工智能的技术原理出发，结合国内外当前学术研究现状，围绕我国《著作权法》第24条的规定，从法律对技术的规制与指引效果入手，尝试就数据训练行为在版权法上的定位展开讨论，藉此为我国之后可能出现的相关司法实践提供本土化解决方案。

二、既有的解决方案及其反思

鉴于生成式人工智能数据训练行为蕴藏着巨大的著作权侵权风险，如何为其找到一条切实可行的规制路径是当前亟需解决的问题。除了合理使用外，当前学界围绕这一主题还有三种代表性观点，下文将对这些观点详细展开并阐明其存在的具体问题。

（一）文本与数据挖掘例外说

持这一观点的学者认为生成式人工智能数据训练为“非作品性使用”，不涉及著作权侵权，并不受著作权法保护。生成式人工智能数据训练很大程度依赖于文本与数据挖掘技术（Text and Data Mining，以下简称 TDM）。TDM技术本质是数据挖掘与分析技术，该技术只是在挖掘文本和数据过程中获取相关信息的工具，人工智能在输入阶段的数据处理类似于人类阅读，不具有表达和传播功能，机器“完全不会像人类读者一样去欣赏、体验作品，或像人类作者一样去再创作”，并不利用作品的表达特征，亦有学者提出，另又因单个作品被用于数据训练毫无意义，具有明显的“非特定性”，属于“非作品性”使用，应当予以允许。实践中，越来越多的国家和地区就TDM的例外进行了立法上的规定，以为人工智能技术创新发展扫除法律障碍。欧洲国家先后在著作权法修正案中规定了“文本数据挖掘”的例外条款，如2016年的法规著作权法、2017年的德国著作权法允许出于非商业性研究的目的对作品进行复制，2019年欧盟的《数字化单一市场版权指令》中新增了科研及文化遗产机构以科学研究为目的的 TDM行为和以 TDM 为目的复制和摘录合法获取的作品或其他客体的行为，日本在《著作权法》中确立了“不以享受为目的的作品使用”“计算机利用作品时的附随性使用”和“利用计算机进行信息处理并向公众提供处理结果时对作品进行的轻微使用”。但考虑到我国是成文法国家，《著作权法》并没有就文本数据挖掘的例外进行规定，因此从解释论角度并不具有适用空间。正如有学者表示，“在此国际大背景下，文本数据挖掘的例外规定在我国《著作权法》中却付之阙如”，不免有些遗憾。

（二）法定许可说

鉴于合理使用制度确实会剥夺著作权人的部分权利，有学者主张以法定许可制度规制人工智能数据训练，法定许可制度核心关键点在于可以不经许可但是给付报酬，对著作权的限制弱于合理使用制度，这可以很好地平衡作者权利和促进数据挖掘使用。

但是由于《著作权法》并没有为法定许可设定兜底条款，可以增设“人工智能模型训练”这一法定许可使用的类型。为了保障法定许可的可行性，可以以著作权集体管理组织辅之以法定许可，以代理权利人进行维权。适用法定许可同样存在局限性。使用海量文本与数据的交易成本极高，这就导致市场中的理性经济人会尽量避免使用落入法定许可的文本和数据，在容易产生数据偏见的同时会阻碍作品传播使用及人工智能技术的发展。其次，训练数据输入的非选择性。缺乏统一的权利信息数据库，增加了许可协商成本，可能会出现价格拟定不合理、作品种类规定不全面、管理者 与权利人之间利益分配难以达成合意等情况，若要对上述内容进行明确，保证法定许可制度的实施，则需要耗费巨大的人力、物力和财力，高昂的成本不足以实现对著作权人的激励。此外，法定许可制度缺乏付酬救济保障措施，这会导致著作权人和使用者之间利益失衡。

（三）默示许可说

对于数据训练针对海量数据的，学者认为数据训练构成合理使用，但允许著作权人“选择退出”，“选择退出”机制建立在默示许可基础上，即著作权人应当在作品发表时明确作出拒绝他人将作品用于数据训练，或者得知他人可能将作品用于数据训练时，应当在规定的期限内发送拒绝作品使用的通知，否则著作权人无权阻止作品在数据训练中应用。

然而，从著作权法的基本构造来看，著作权是一种法定的排他性权利，其行使应当遵循明示原则而非推定原则。默示许可理论试图通过著作权人的沉默或消极行为来推定其同意，这种推定在法理上缺乏坚实基础。著作权法的立法目的在于通过赋予创作者排他性权利来激励创作，如果允许通过沉默来推定放弃这种权利，实际上是在没有明确法律授权的情况下限制了法定权利的行使范围。更重要的是，默示许可理论在适用条件上存在理论障碍。传统民法理论中的默示许可通常适用于当事人之间存在特定关系且行为具有明确指向性的情形，但在生成式人工智能数据训练的场景中，著作权人发表作品的行为与同意大模型训练之间缺乏逻辑上的必然联系。将作品公开发表本身是著作权人行使发表权的体现，不能简单推定为对所有可能用途的概括授权。如果此种推定逻辑如果成立，将导致著作权保护范围的不当收缩，从而与著作权法的立法宗旨产生抵牾。

三、生成式人工智能数据训练构成非表达性使用的正当性证成

如上所述，虽然法定许可、文本挖掘例外等为人工智能数据训练行为的合法性提供了论据，但由于其自身的局限仍难以满足我国司法实践的现实需求。对此本文认为，生成式人工智能数据训练行为实际是对原作品的非表达性使用，宜通过合理使用路径加以解决。

（一）内部视角：人工智能数据训练本身并未使用原作品的表达

从版权法内部视角看，生成式人工智能的数据训练并未使用原作品中的具体表达，而是接近于“非表达性”使用了原作品的内容。

1.“非表达性使用”成立的核心：未干扰原作品的原始表达

所谓“非表达性使用”（Non-Expressive Use），是指对受著作权保护作品的利用并非为了传达或呈现该作品的原创表达本身，而是为了其他目的，例如对作品进行分析、研究、索引、归类等。这种使用方式关注的是作品中的非著作权要素，比如事实、数据、信息或者作品的结构、风格等，而不是作品作者所投入的独创性表达。根据著作权基本理论，之前法院适用“非表达性使用”的案例包括复制目标代码以提取不可版权的事实和互操作密钥，自动化复制学生论文以与其他论文进行抄袭检测，复制图书馆的书籍以允许研究人员对整套书籍的内容进行统计分析，以及复制印刷的图书馆书籍以创建搜索索引等。从上述案例不难发现，即便其都实施了著作权法所禁止的复制行为，但因为其未干扰版权法旨在保护的原作品表达，目的并非为了替代原作品的市场，而是为了进行分析、研究或开发新的内容，既不会对原作品的潜在市场或价值造成实质性损害，也有助于促进科学研究、技术创新和知识的传播，符合著作权法鼓励进步的宗旨。

2.生成式人工智能数据训练构成“非表达性使用”证成

人工智能依赖于“机器学习”，是机器自己从原始数据中提取逻辑、模式的能力，也可以称为人工智能自己获取知识的能力通过增强算法对海量数据进行分析和数学建模，从而“学习”人类的思维模式进而形成先进算力。其特点在于无需人的参与即可完成数据的分析和内容的生成。从大模型工作原理可以发现，数据训练行为仅构成对原作品的非表达性使用，具体而言：

（1）数据输入阶段：预训练数据被拆分和重组

在数据输入阶段，许多人工智能企业在未经许可的情况下会从网站和其他公开来源爬取大量的文本作品、图像和音乐，以填充用于开发人工智能模型的训练集，并通过删除重复数据、处理异常数据、弥补缺失数据等数据清洗行为来重新调整这些格式信息，建立相应的学习内容库。此外，企业还可能会通过访问并复制现有的版权作品语料库的方式以训练其自有模型。需要注意的是，企业在训练人工智能之前，首先需要对这些被爬取的材料编码为标准化文件格式，并编译成结构化数据集，以用于人工智能具体训练。在此过程中，大模型并未对原作品的任何内容进行使用，更谈不上对作品原有表达内容的侵犯。

（2）模型训练阶段：大模型对解构后数据进行训练

在大模型训练阶段，系统通常会从抽象且不可版权性的层面对训练数据中的内容进行捕捉和利用。为此，大模型的训练不仅限于从训练集提取作品的事实，作品在训练过程后并不会被“丢弃”。实际上，这些作品被算法映射并存储在模型中，然后由模型用于生成输出。为了训练大型语言模型，训练集中的文本作品会被分解为小段或“标记”，通常由一个单词或部分单词组成。这些标记被编码为向量（即长数字序列），它捕获了标记相对于文本中其他标记的出现位置，因此文本以数字形式表示。换言之，向量化的标记可以被解码并被再次翻译成文本。通过这种方式，大语言模型得以保留了它们所训练的原始作品中的表达并形成了这些作品的“内部表示”，同时在适当的输入作为触发时，可以“再现用于训练的原始作品。”以“文生图”人工智能模型系统为例，其主要采用先将相关文本信息编码并建立与特定图像间的关系并通过使用“扩散”技术来处理图像。例如，其会在数百张带有“咖啡”和“杯子”标签的图像上进行训练，并逐渐发展出一个关于咖啡杯应当是什么样子的模型。按照系统的正常运行，该模型与训练数据中的任何咖啡杯都没有相似之处（如下图1所示）。 

图1

其中，左侧是训练使用的“咖啡”与“杯子”图片，右侧是模型生成的“咖啡杯”图片。从中不难看出，大模型在训练阶段并非是对现有数据或作品的简单压缩或汇编，其更多是一种将原作品内容解构成若干独立表达单位后的重新生成抽象化表达的过程。在此种扩散方式下，人工智能系统会慢慢地向原始图像添加“噪声”，直到原始图像不再可见。然后，通过逐渐从图像中减去噪声来逆转添加噪声的过程，以便模型学习如何重建原始图像。在此种方式训练后，大模型得以从相应的文本提示中再次生成原始图像。换言之，模型已经编码了原始图像的表示。一旦人工智能模型编码并存储了原始训练材料，生成的基础模型将被微调，以更好地实现开发者的特定目标。经过训练和微调的模型可以基于人类对其输出的评估，实现与人“对齐”的目标，从而更好地满足开发者的目标。因此，在此过程中，大模型也并未对原作品的表达性内容进行使用，仍属于一种非表达性使用。

（3）结果输出阶段：大模型根据用户指令生成相应内容

在结果输出阶段，大模型会根据使用者输入的指令及模型训练阶段固定的模型生成人工智能生成物。具体而言，大模型在将训练材料存储进自身的同时会根据给定的指令再生（或“反刍”）这些训练材料。人们可以通过给大模型输入足够详细的提示词，使其渲染出一幅全新、前所未见的图像，以符合人类用户提供的设计需要。例如，有人生成一幅描绘玛格丽特·撒切尔（Margaret Thatcher）打扑克的画作（如图2所示），还有人利用提示词撰写生成了一张描绘伊丽莎白女王二世与弗拉基米尔·普京打扑克的假新闻照片（如图3所示）。
 

图2

 图3

毫无疑问，上述两幅画作的生成都受到了成千上万张与关键词配对的图像的影响，训练数据中的所有人物形象都为模型中嵌套的具体人物造型提供了信息，并使其生成独立于之前作品之外的全新内容。换言之，其不仅仅是组合和解构了之前作品中的潜在特征，并生成了一个源自潜在空间的新实例并与输入提示共享特征，创设出了区别于原来作品表达内容的新的表达。

综上不难看出，生成式人工智能数据训练过程中，机器将大量被投喂的数据和文本进行整合，转化为机器可读的格式，使用作品的目的具有工具性，而非传播性，机器并未直接利用原作品的表达，也未向外传播。是对大量作品的表达进行统计学意义上的分析，其最终目的并不是复制、改编作品的表达，而是通过分析作品或者非作品中体现的思想、情感、风格，从而生成具有一定逻辑的权重参数，最终目的是为让新作品在思想上、美感上、逻辑上获得更好体验，在这一过程中，作品被分解为数据语料，失去独立价值，成为训练模型的“随机统计样本”，更不会对原有作品的正常利用、市场经济价值产生影响，不会威胁原著作权人的合法利益。

（二）外部视角：责任规则下人工智能数据训练的评价

根据“卡梅框架”的观点，运用责任规则的责任配置更有助于评价生成式人工智能数据训练行为所具有的经济效率优势，其主要体现在交易成本的控制和风险分配的优化两个核心维度：

从交易成本控制的角度，财产规则在面对人工智能需要的海量数据训练现实时存在根本性制度困境。具体而言，当前大模型的训练通常需要数万亿个token的训练数据，其中更是涉及到数百万乃至数千万个潜在的作品。如果严格按照财产规则要求逐一获得事前许可，将产生天文数字般的交易成本，不仅背离了经济理性也缺乏现实的可行性。更为严重的是，识别每个数据片段的版权归属本身就需要建立完整的版权数据库，而许多网络内容的版权归属链条极其复杂，追溯成本往往超过内容本身的经济价值。即便技术上可行，逐一获得数百万个许可所需的时间成本也将使大模型开发周期延长数年甚至数十年，导致技术创新的时效性优势完全丧失。同时，财产规则在大模型数据训练场景中也必然会导致“反公地悲剧”，即不论占训练数据再小比重的版权人都会拥有对整个大模型项目在事实上的否决权，此种权力结构从根本上违背了对人工智能贡献与控制权的比例性要求。因为理性的版权人会充分利用自己的谈判地位，要求大模型服务提供者提供不成比例的高额许可费，极端的甚至会演化成拆迁补偿中的“钉子户”。此种否决权的过度分散不仅会阻滞单个企业的技术开发，更会对整个人工智能产业的发展造成系统性障碍，产生巨大的社会机会成本。相比之下，责任规则通过事后损害赔偿机制实现了显著的效率改进。大模型企业只需承担相对合理的合规成本，而不必面对天文数字般的许可费用，这种成本结构大大降低了人工智能技术开发的准入门槛，维持了充分的市场竞争和创新激励。同时，大模型技术所具有的显著正外部性也得以充分释放，使全社会都能从技术进步中受益，实现了社会福利的最大化。

从诉讼风险分配的角度，即便版权人起诉也会面临严重的诉讼成本收益不匹配问题。当前司法实践中，中外法院对AI训练是否构成合理使用仍存在显著分歧，由此会增加了版权人胜诉的不确定性。更现实的是，即使是相对简单的版权侵权诉讼，也需要高额的律师费和专家证人费用，这对于大多数个体创作者而言可能构成难以承受的前期沉没成本。同时，普通的版权人也难以完成独立举证的工作，因为证明大模型实际使用某作品进行训练需要诸多复杂的技术分析，包括但不限于模型逆向工程、训练数据重构等高度专业化的工作。最后，即使版权人最终胜诉，如何量化大模型训练对单个作品所造成的经济损害也必然是难以避开的问题，权利人最终实际获得的损害赔偿可能远低于诉讼成本投入。因此，基于交易成本控制与风险合理分配的双重视角将人工智能数据训练行为认定为合理使用，更符合交易成本最小化的效率要求，也有利于通过合理的风险分配机制实现技术创新与版权保护之间的动态平衡。

四、生成式人工智能数据训练的非表达性使用认定

（一）合理解释《著作权法》第24条更符合当前司法实践需要

面对数字技术高速发展可能给著作权制度带来的挑战，我国《著作权法》第24条有关合理使用的条款便具备很好的制度张力，可以给司法裁判提供直接有效的工具。新修订《著作权法》第24条相比于2010年制定的《著作权法》第22条而言，有两个重大的变化：其一，该条款中明确规定了12种可能构成合理使用的情形以及1项兜底条款，即增加了“法律、行政法规规定的其他情形。”与之前合理使用条款被仅仅局限于12种特定行为不同的是，本次修法后的条款给了合理使用更大的弹性空间。换言之，随着技术的发展和社会的需要，即便某种行为并不属于第24条规定的行为，但只要有相关的法律或者行政法规认定其属于合理使用，那么该种行为便构成合理使用。这样“概括+列举”相结合的规定使得合理使用制度在未来可能覆盖的范围会得到扩张，也将合理使用类型法定的模式转变为合理使用法定与行政双重确定的模式，有助于进一步保护创作者的创作以及公众的自由表达。其二，第24条还对行为人实施合理使用行为需要满足的条件进行了规定，即“在下列情况下使用作品，可以不经著作权人许可，不向其支付报酬，但应当指明作者姓名或者名称、作品名称，并且不得影响该作品的正常使用，也不得不合理地损害著作权人的合法权益”，这样的修改也被学者称作是三步检验标准在我国《著作权法》中的直接体现。由于社会生活的愈发复杂多变，需要不经作者许可而利用作品的行为类型也会增多，第24条增加此种表述的原因一来是为了拓宽合理使用的类型外延，二来也与上文提及新增的“法律、行政法规规定的其他情形”条款共同遏制合理使用可能被滥用的风险。

考虑到生成式人工智能的数据训练行为具有非表达性使用的特征，通过对《著作权法》第24条进行合理解释，可以为生成式人工智能的数据训练行为提供合理的制度供给。司法实践中，可尝试从数据训练的行为目的、技术特征、市场影响三维度对《著作权法》第24条进行解释：首先，通过目的性扩张解释，为非商业性、公共服务性质的数据训练提供合法性依据。《著作权法》第24条第一项为“个人学习、研究”，如果研发行为具备非直接营利性，可类比“科学研究”目的进行扩张解释，研发机构可纳入合理使用的主体范围。其次，结合数据训练的技术目的，重构“少量复制”的数量标准。对《著作权法》第24条第六项“少量复制”进行重新诠释，如果复制行为仅为模型学习的中间步骤，如临时存储与向量化，且未留存可传播的完整副本，则可视为“技术性必要复制”，豁免于传统数量限制。再者，引入“转换性使用”的法理，为非消费表达、无市场影响的数据训练寻求出路。若生成内容具有实质性创新，未对原作品市场造成实质性损害，从而不会产生市场替代后果，不会实质性损害原作品著作权人的经济利益，则可认定为合理使用。

（二）对生成式人工智能数据训练构成非表达性使用的具体评估

1.数据训练的“记忆”风险可能引发生成侵权内容

虽然整体而言，生成式人工智能数据训练行为并不具有表达性特征。但这并不能够否认生成式人工智能往往会依靠“记忆”生成内容与其训练作品相同的内容。此处所说的“记忆”，是指人工智能大模型生成训练材料副本的能力，具体指生成式人工智能有时会因为“记忆”并重现其训练数据的元素。该术语暗示模型可以恰好记住某些文本或图像，而不记住其他文本或图像，这种情况与人类在做记忆时具有很大的相似性。但这也具有误导性，正如相关研究者在对“记忆化”与“可提取性”进行解释时所指出的：大模型对其训练数据的任何知识都需要以某种方式存储在模型的权重中，以反映模型中数据片段之间关系的数值。因此，记忆化的简单定义可以是存储在模型权重中的任何信息都是被记住的。需要注意的是，尽管大模型通常并不是为了复制其训练数据而设计，但其可能会在某些场景下偶然产生这种现象，例如，Getty Images诉Stability AI案（如下图4）属于此种情况。

图4

此外，“文生图”模型在相同文本描述与仅仅稍有不同的相对简单图像配对时极容易发生侵权。这也被学者称为“史努比问题”，如史努比等角色在训练数据中出现得足够频繁，以至于让大模型学习到与这些名字相关的一致特征和属性。总结来讲，就是版权作品受到越抽象的保护，生成式人工智能模型‘复制’其的可能性就越大，我国法院审理的“奥特曼”案（如下图5）即属于此种情况。

图5

2.对数据训练是否具有非表达性特征的具体判断

基于生成式人工智能“记忆”机制可能引发的侵权风险，司法实践中应当建立一套科学、可操作的“非表达性特征”判断标准，以实现保护生成式人工智能产业发展与防范著作权侵权的双重目标。

（1）构建层次化的非表达性判断框架

司法实践中应当采用层次化递进判断的方法来认定生成式人工智能数据训练的非表达性特征。首先需要区分训练过程本身与训练结果的法律性质。训练过程作为技术性的数据处理行为，原则上应当被认定为具有非表达性特征，但当训练结果显示出对原作品的实质性复制时，就需要进一步审查训练过程是否仍然保持其非表达性。在具体判断中，法院应当重点考察训练数据的使用目的和方式。如果大模型的训练目的在于学习语言模式、艺术风格或创作技巧等抽象特征，而非复制特定作品的具体表达，那么即使在训练过程中接触了大量版权作品，这种使用仍应被认定为非表达性使用。但如果训练的目的或设计明显指向复制特定作品或创作者的独特表达，则应当质疑其非表达性特征。

（2）建立生成式人工智能“记忆”风险的技术判断标准

针对人工智能大模型因“记忆”可能引发的风险问题，司法实践应当建立技术导向的判断标准。法院可以要求人工智能开发者提供模型架构、训练参数和去重机制等技术文档，以证明其训练过程采取了合理的技术措施来避免对训练数据的机械记忆。具体而言，应当考察模型是否采用了适当的正则化技术、数据增强手段和隐私保护算法来降低记忆化风险。在评估记忆化程度时，司法实践可以引入量化分析方法。通过统计学手段分析人工智能大模型生成内容与训练数据的相似度分布，如果相似度显著超出随机概率或行业平均水平，则表明存在异常的记忆化现象。同时，应当考虑训练数据中特定作品的出现频率，对于在训练集中大量重复出现的作品，其被记忆化的风险更高，相应地对其使用的合理性审查也应更加严格。

（3）实施差异化的“史努比问题”应对机制

对于“史努比问题”等涉及知名角色或标志性作品的情况，司法实践应当采用差异化处理策略。对于具有高度识别度和商业价值的虚构角色、标志性图像或独特艺术风格，应当建立更严格的审查标准。人工智能开发者在训练模型时应当对此类高风险内容采取特殊的预防措施，如降低其在训练数据中的权重、增加变换和混合处理等。法院在判断此类案件时，应当重点考察人工智能生成内容的独创性程度。如果生成的内容仅仅是对训练数据中知名角色或作品的简单复制或微小变化，那么无论训练过程如何设计，都难以主张其具有非表达性特征。相反，如果生成内容虽然借鉴了某些元素，但在整体上体现出新的创意组合和表达方式，则应当更倾向于认定训练行为的非表达性。

结语

“平衡精神的弘扬是著作权法价值二元取向的内在要求，包括公共利益与个人利益的平衡和创作者利益与使用者利益的平衡。”著作权法在保护著作权人权利的同时，应当关注社会公众对作品接触的需求，维持作品保护和推进作品传播之间寻找平衡。尽管社会担忧生成式人工智能的发展会影响一部分著作权人原有的利益，对人类创作作品市场形成了一定挤压，但根据目前人工智能发展情况，人类的情感倾注、逻辑架构、审美方式并无法被人工智能替代，人工智能的出现只是加速了市场作品竞争，对创作提出了更高的要求，正如摄影技术的出现极大冲击了绘画市场一样。因此，正确认识人工智能数据训练行为的非表达性使用属性，并对其可能产生潜在隐患进行积极回应才是实现法律与技术平衡的最佳体现。