翻譯：白池磊 知產(chǎn)財經(jīng)

　　知產(chǎn)財經(jīng)從美國版權(quán)局官網(wǎng)獲悉，2025年5月9日，美國版權(quán)局發(fā)布《版權(quán)與人工智能》報告的第三部分（預(yù)發(fā)布版本）：生成式人工智能訓(xùn)練。該報告圍繞AI訓(xùn)練的初步侵權(quán)認(rèn)定、合理使用分析、許可框架的選擇等問題展開，為立法、司法與業(yè)界提供了可參考的分析框架。以下是對報告核心內(nèi)容的概述。

　　一、生成式人工智能訓(xùn)練中的版權(quán)侵權(quán)認(rèn)定

　?。ㄒ唬┏醪角謾?quán)認(rèn)定要素

　　構(gòu)成初步侵權(quán)需滿足兩個要素：1.有效的版權(quán)所有權(quán)；2.復(fù)制受保護(hù)作品的原創(chuàng)性內(nèi)容（無論是否完全一致，只要存在實質(zhì)性相似即可）。

　?。ǘ┥墒紸I開發(fā)中的潛在侵權(quán)環(huán)節(jié)

　　1.數(shù)據(jù)收集與整理

　　復(fù)制權(quán)問題：下載、存儲、格式轉(zhuǎn)換、篩選或修改受版權(quán)保護(hù)內(nèi)容的行為均可能侵犯復(fù)制權(quán)。即使數(shù)據(jù)后續(xù)被刪除，復(fù)制行為本身已構(gòu)成侵權(quán)。

　　衍生作品權(quán)問題：若整理過程中對作品進(jìn)行改寫、重組或生成合成數(shù)據(jù)（如為圖像添加文本描述），可能涉及衍生作品權(quán)。

　　2.模型訓(xùn)練

　　訓(xùn)練前的數(shù)據(jù)復(fù)制：訓(xùn)練需將數(shù)據(jù)集復(fù)制到高性能存儲設(shè)備，構(gòu)成復(fù)制權(quán)侵權(quán)。

　　訓(xùn)練過程中的臨時復(fù)制：數(shù)據(jù)分批次輸入模型時，臨時存儲的副本可能構(gòu)成侵權(quán)。

　　模型權(quán)重的爭議：若模型權(quán)重（參數(shù)）編碼了受保護(hù)內(nèi)容的實質(zhì)性表達(dá)（如能生成與原作幾乎相同的輸出），則可能侵犯復(fù)制權(quán)或衍生作品權(quán)。法院判例存在分歧——部分案例認(rèn)為模型權(quán)重僅為抽象表達(dá)不侵權(quán)（如Kadrey v. Meta），但若模型能輸出實質(zhì)性相似內(nèi)容，則可能侵權(quán)（如Andersen v. Stability AI）。

　　3.RAG（檢索增強(qiáng)生成）

　　數(shù)據(jù)庫構(gòu)建：將受保護(hù)內(nèi)容復(fù)制到檢索數(shù)據(jù)庫中，構(gòu)成復(fù)制權(quán)侵權(quán)。

　　實時檢索：從外部來源（如搜索引擎）獲取內(nèi)容并生成回答時，臨時復(fù)制行為可能侵權(quán)，尤其是當(dāng)系統(tǒng)保留檢索記錄或顯示原文時。

　　4. 輸出結(jié)果

　　直接復(fù)制：生成與原作幾乎相同的圖像、文本或角色（如電影劇照、新聞原文），可能侵犯復(fù)制權(quán)。

　　衍生內(nèi)容：改編或重構(gòu)原作的輸出（如修改故事情節(jié)或視覺風(fēng)格），可能侵犯衍生作品權(quán)。

　　（三）法律爭議焦點

　　1.模型權(quán)重的性質(zhì)：需判斷其是否實質(zhì)保留或“記憶”了受保護(hù)內(nèi)容。

　　2.實質(zhì)性相似標(biāo)準(zhǔn)：法院關(guān)注模型輸出是否與原作存在實質(zhì)性相似，而非僅技術(shù)實現(xiàn)方式。

　　3.責(zé)任分配：訓(xùn)練者、模型分發(fā)者及用戶的責(zé)任邊界尚不明確，需結(jié)合具體場景分析。

　?。ㄋ模┬袠I(yè)與司法實踐

　　1.開發(fā)者風(fēng)險：主流開發(fā)者通常保留訓(xùn)練數(shù)據(jù)集以供未來使用，加劇侵權(quán)風(fēng)險。

　　2.新聞媒體關(guān)切：RAG技術(shù)對新聞內(nèi)容的檢索與生成引發(fā)強(qiáng)烈擔(dān)憂，可能替代原作并分流流量。

　　3.判例分歧：法院對技術(shù)細(xì)節(jié)的審查程度不同，導(dǎo)致同類案件結(jié)果差異。

　　二、未經(jīng)授權(quán)使用受保護(hù)的作品進(jìn)行AI模型訓(xùn)練的合理使用分析

　　（一）合理使用的四要素框架

　　1.用途與性質(zhì)：重點考察使用是否具有“轉(zhuǎn)化性”（transformative），以及是否為商業(yè)性質(zhì)。模型的預(yù)訓(xùn)練（pre-training）通常具有高度轉(zhuǎn)化性，因為其目的是生成新場景下的多樣化輸出；而將模型用于生成與訓(xùn)練集作品實質(zhì)相似內(nèi)容，則轉(zhuǎn)化性較弱。同時，即便為非營利研究目的，若后續(xù)商業(yè)化部署，仍可能被認(rèn)定為商業(yè)使用。

　　2.作品性質(zhì)：創(chuàng)作性強(qiáng)、尚未公開的作品更受保護(hù)；科研或功能性作品則保護(hù)力度相對較弱。

　　3.使用數(shù)量與重要性：AI訓(xùn)練常需全量拷貝整個作品，這在傳統(tǒng)意義上不利于合理使用；但若此行為對達(dá)成轉(zhuǎn)化性目的“合理必要”，則第三因素的反對力度可減輕。

　　4.對潛在市場或價值的影響：若AI輸出可取代原作品，或稀釋同類型作品市場，市場傷害顯著；反之若有有效授權(quán)市場，未經(jīng)授權(quán)使用更難被認(rèn)定為合理使用。

　?。ǘ┕怖婵剂?br>
　　盡管生成式AI帶來醫(yī)療、教育、內(nèi)容創(chuàng)作等廣泛社會效益，多方也擔(dān)憂對創(chuàng)作者生計的侵蝕。版權(quán)局認(rèn)為，除上述四要素已納入的公共利益考量外，額外將社會效益作為獨(dú)立權(quán)衡點的必要性不足。

　?。ㄈ┰S可市場的可行性

　　報告指出，音樂、新聞、圖像等領(lǐng)域已有或正在建立針對AI訓(xùn)練的數(shù)據(jù)許可市場；若許可渠道可行，第四要素將更傾向于不支持未經(jīng)授權(quán)的訓(xùn)練。

　?。ㄋ模﹪H比較

　　1.歐盟：通過DSM指令（Directive 2019/790）為科研目的文本挖掘（TDM）設(shè)立例外，并在《歐盟AI法案》中要求AI提供者遵守版權(quán)持有者的“選擇退出”（opt-out）機(jī)制。

　　2.英國：僅允許“非商業(yè)科研”場景下的計算分析，需合法獲取作品；版權(quán)持有者可明確排除。

　　3.日本、新加坡：分別對“享用”（enjoyment）及“合法訪問”作出限制性規(guī)定，排除涉及滿足個人觀賞或未經(jīng)合法途徑獲取的訓(xùn)練行為。

　　4.以色列：仿效美國合理使用，2022年司法部意見認(rèn)為大多數(shù)ML（機(jī)器學(xué)習(xí)）訓(xùn)練為合理使用，但不涵蓋下游產(chǎn)品。

　　5.中國：尚無明確TDM或AI訓(xùn)練例外，實踐待發(fā)展。

　　三、AI 訓(xùn)練的許可框架

　　（一）自愿許可（Voluntary Licensing）

　　1.直接許可：AI 公司與單個版權(quán)主體一對一協(xié)商授權(quán)條款，根據(jù)作品類型和用途制定靈活的價格和范圍。

　　2.集體自愿許可：通過“集體管理組織”（CMOs）進(jìn)行大規(guī)模授權(quán)，能夠簡化數(shù)以萬計的交易，降低雙方成本。

　　該許可模式可能存在的問題：

　　1.可行性：技術(shù)界擔(dān)憂面對海量、多樣作品時逐一許可成本過高；創(chuàng)作者界則認(rèn)為這只是商業(yè)成本，已有多起授權(quán)案例可資借鑒。

　　2.補(bǔ)償水平：許可費(fèi)用雖可能分散，但可采用基于收益或利潤的后付模式，避免前期高額支出；研究機(jī)構(gòu)或可依賴合理使用豁免。

　　3.反壟斷顧慮：集體授權(quán)需防范 CMOs 濫用定價權(quán)，對此可通過保留“直接許可”選項及尋求司法部反壟斷指引來平衡。

　　（二）法定許可（Statutory Licensing）

　　1.強(qiáng)制許可（Compulsory License）：由國會設(shè)定固定費(fèi)率和適用范圍，免除談判；歷史上僅在市場失靈嚴(yán)重時采用，但往往程序冗長、嵌入行業(yè)后難以廢除，且可能扼殺靈活創(chuàng)新。

　　2.擴(kuò)展集體許可（Extended Collective Licensing, ECL）：借鑒歐洲模式，由政府授權(quán) CMOs 對某類作品統(tǒng)一授予許可，未加入的權(quán)利人可“選擇退出”；可在特定領(lǐng)域（如視覺藝術(shù)）試點，但需做精細(xì)化設(shè)計，避免“一刀切”。

　　3.“選擇退出”機(jī)制：類似歐盟文本與數(shù)據(jù)挖掘例外，作品默認(rèn)可被 AI 爬取，但權(quán)利人可通過元數(shù)據(jù)、robots.txt 等途徑聲明不參與。實踐中存在元數(shù)據(jù)易篡改、平臺無權(quán)更改標(biāo)記等障礙，多數(shù)版權(quán)方并不支持由法律強(qiáng)制設(shè)立此機(jī)制。

　?。ㄈ┌鏅?quán)局的分析與建議

　　1.因地制宜地推廣自愿許可：對于高價值、集中度高的作品（如熱門音樂、正版圖庫），自愿直接或集體許可已顯可行；對于分散、難以追權(quán)的內(nèi)容（如網(wǎng)絡(luò)評論、次生創(chuàng)作），可借助 CMOs 聚合權(quán)利、降低談判成本。

　　2.多樣化補(bǔ)償結(jié)構(gòu)：除固定費(fèi)率外，應(yīng)鼓勵采用后付分成、基于收入/利潤比例的模式，支持小型初創(chuàng)與學(xué)術(shù)研究公允使用的需求。

　　3.謹(jǐn)慎對待法定強(qiáng)制：反對普遍的強(qiáng)制許可，其風(fēng)險在于“一成不變”、程序繁復(fù)且可能抑制創(chuàng)新；考慮有限度的ECL，僅在特定行業(yè)、特定作品類型中適用，并保留權(quán)利人退出權(quán)；同時建議司法部就集體許可的反壟斷安全港提供指導(dǎo)。

　　4.暫不推行法律層面的“選擇退出”：技術(shù)實現(xiàn)和執(zhí)行成本較高，且難以消除既有模型已攝取的作品影響。

　　本報告最終版本將在不久后發(fā)布，預(yù)計內(nèi)容不會有實質(zhì)性變動。

　?。ū疚闹黧w部分由AI總結(jié)生成，可能存在一定偏差或錯誤，敬請諒解。AI生成文字不代表本公眾號的觀點，僅作為輔助創(chuàng)作的參考）

　　附報告：

掃碼查看報告