AI知产研报 | 第3期:AI著作权侵权认定:裁判思路与合理使用

01

AI领域著作权侵权行为的类型化分析与争议焦点

生成式人工智能引发的著作权争议呈现出显著的阶段性特征与多维复杂性。在不同技术阶段，相关主体的行为模式、所涉著作权内容与侵权类型均存在差异，需进行分层审视。根据技术流程与行为性质，可将AI模型相关的行为分为以下几个阶段：数据收集与处理阶段、模型学习与训练阶段、用户输入与生成阶段及用户传播阶段。

首先，在数据收集与处理阶段，争议焦点在于行为的合法性判断。

人工智能在在数据收集与处理阶段的核心行为体现为，对海量现有作品与数据（包括大量受版权保护材料）进行大规模数字化复制、格式转换、存储与初步结构化。该行为在事实上已明确触及著作权法中的复制权。在当前的学术讨论及法律实践中，争议焦点主要集中在行为的合法性判断上，特别是能否依据著作权限制制度，如“合理使用”制度或部分法域专设的“文本与数据挖掘（TDM）例外”条款，来为相关行为提供豁免。在德国GEMA案中，法院即援引文本与数据挖掘例外条款，认定OpenAI在数据收集与处理阶段进行的复制行为构成合理使用。

其次，人工智能在模型学习与训练阶段的行为定性，是当前著作权领域最具争议的核心问题。

这一法律争议之所以极为复杂，根源在于技术逻辑层面，AI模型训练与传统的数字化压缩或计算机临时复制存在本质区别。具体而言，传统意义上的数字化复制（包括压缩、缓存等），无论形式如何变化，均在载体上保留了与原件可比对、可还原的对应序列。而AI模型的训练并非对特定文本或作品的直接存储或压缩，而是通过参数调整对海量数据的统计规律与表达特征进行抽象化学习，其目标是构建一个能够预测“最可能出现的下一个字符或像素”的概率模型。这一过程在技术层面上并不产生与训练数据逐一对立的固定副本，且因随机化机制引入了输出上的不确定性，从而与传统的“复制”行为存在本质区别。

尽管如此，当特定训练数据被大量重复投喂时，模型可能对其产生“记忆”，从而在输出时存在高概率复现原内容的风险。在德国 GEMA 诉 OpenAI 案中，慕尼黑地方法院将AI模型记忆受版权保护内容的现象视为关键证据，用以认定训练行为构成复制权侵权。在英国、美国的系列案件中，专家证言亦证实了这种记忆现象的存在，并获法院认可，但美国法院（如汤森路透案、Bartz 案、Meta 案）并未对训练阶段进行孤立判定，而是将数据收集、预处理、存储与训练视为一个侵权整体，整个过程认定构成侵害复制权，而非单独对训练阶段的行为进行定性。

而在英国Getty Images诉Stability AI案中，由于模型的学习与训练行为发生在英国境外，法院将审查焦点集中于AI模型本身是否构成受著作权法规制的“侵权复制品”。在这一路径下，原告未能证明由模型生成的具体输出内容与其版权作品之间存在实质性相似。因此，尽管法院在技术上认可模型可能存在“记忆”训练数据的现象，但最终并未认定AI模型本身属于侵权复制品，从而不构成侵害复制权。判决同时指出，模型参数并不存储完整的版权作品内容，这一技术特性也影响了其法律定性。

上述一系列判决，清晰揭示出当前各国司法实践中在模型训练阶段行为定性问题上的核心分歧：当模型训练过程并未涉及对作品的“固定”存储，仅衍生出一种不确定的“再现可能性”时，这样的情形究竟能否被判定为著作权法意义层面的“复制”行为。此争议已成为该领域备受瞩目的焦点。

再次，在用户输入与生成阶段（即输出端），侵权认定面临着严峻的挑战。

从既有案例观察，通常情况下，唯有模型出现极高概率的“记忆复现”现象，AI 输出结果才会与原作存在紧密关联。否则，AI 输出的结果大多只是对规律的抽象模仿，在表达层面并不存在实质性相似，即体现为“神似”而非“形似”的特征。基于此，除非模型因对特定作品“深刻记忆”，进而输出高度近似的表达内容（例如生成改编版的“奥特曼”形象），否则，倘若原告无法证明表达层面存在实质性相似，法院往往倾向于不再深入分析，而是直接认定不构成对复制权的侵害。可以预见，随着模型技术的日益成熟，输出结果的随机性与创造性将持续增强，在此阶段要认定构成直接侵权，证明难度及法律门槛很可能会进一步提高。

值得一提的是，即便在认定存在“实质性相似”的前提下，司法实践对于用户输入与生成阶段行为的法律定性仍存在分歧。目前，法院大多援引复制权或改编权作为判定依据，但也有法院从信息网络传播权的视角切入。在德国GEMA诉 OpenAI 案中，法院指出， AI 模型允许用户在自主选定的时间与地点，通过交互方式即时获取受版权保护的内容，这一行为本质上已构成对信息网络传播权的直接侵权。在杭州奥特曼案中，法院认定，被告运营的AI平台为用户在生成阶段的侵权行为提供了技术便利与客观帮助，使得用户可以在个人选定的时间与地点获取受版权保护的内容，构成对信息网络传播权的间接侵权。

此外，针对 AI 行为的司法认定，应采取“阶段性拆解判定”还是“整体性判定”，全球司法界尚存分歧。广州奥特曼案采取了吸收逻辑，认为复制权与改编权的判定已足以涵盖信息网络传播行为，无需重复评价。美国法院在处理 AI 侵权案件时，亦呈现出明显的整体性判断倾向，尤其针对输入和训练阶段的行为，往往综合认定。而德国GEMA诉 OpenAI案则提供了拆解范式，对数据处理、模型训练及用户生成等各阶段行为进行独立定性。GEMA诉 OpenAI案甚至认定输出端的复现行为同时触及复制权与信息网络传播权，理由是生成内容在模型或用户服务器上的任何形式存储，均构成了对复制权的侵害。

值得说明的是，按照我国既往司法经验，即便某一AI行为被认定同时侵犯了多个权利项，法院在裁量损害赔偿时依然会进行整体的综合评估，秉持填平原则，以避免重复评价。然而，目前无论是国内还是国外的司法实践，在针对此类 AI 行为的评价方面，均存在一定程度的分歧。这种分歧亟待理论界与实务界展开更深入的研究与探讨。

最后，在用户传播阶段，核心问题在于用户是否将 AI 生成的侵权内容向公众传播及其行为定性。

若用户实施了此类行为，使得其他人可在选定时间与地点获取该内容，其行为性质将直接定性为侵犯信息网络传播权。在这一环节，侵权判定的逻辑与传统互联网环境下的版权侵权判断并无二致，法律后果主要由实施传播行为的个人承担。

02

涉AI平台侵权判定的争议焦点

在涉AI平台的版权侵权责任认定中，首先需要区分平台承担的是直接侵权责任还是间接侵权责任。我国广州互联网法院审理的“奥特曼”案与杭州互联网法院审理的“奥特曼”案，恰好为这一区分提供了极具参考价值的司法样本。两案的核心差异表明，法院并非对AI平台采取一刀切定性，而是根据平台的具体功能架构和业务类型，对被诉行为进行精细化切割，对平台在不同环节所扮演的角色进行动态界定。

在广州奥特曼案中，平台通过API接入第三方大模型，直接向用户提供“文生图”服务。用户输入“奥特曼”等关键词后，平台模型直接生成与奥特曼形象实质性相似的图片。在这一过程中，平台的行为直接参与了被诉侵权内容的“生成”这一创作环节，其角色被法院界定为网络内容提供者。生成侵权图片的行为由平台主导和控制，平台自身的行为侵犯了原告的复制权和改编权，因此构成直接侵权。

而在杭州奥特曼案中，平台的功能架构与商业模式则完全不同。平台提供基础模型和LoRA模型训练功能，用户可自行上传图片训练模型，再使用模型生成图片。具体而言，用户自行上传奥特曼图片训练LoRA模型，并将该侵权模型及生成的图片发布在平台上；平台则为此提供技术支持和存储空间。在这一模式下，平台的角色被认定为中立的网络技术服务提供者，其并未直接参与侵权内容的创作，而是为用户的内容生成与发布行为提供了技术工具和存储服务。法院经审理认为，综合考量作品知名度、平台营利模式及技术干预可能性等因素，平台因未尽到与其能力相适应的合理注意义务，对用户的直接侵权行为存在过错，应当承担间接侵权责任。

因此，在涉AI平台的版权侵权纠纷中，平台责任的定性取决于其在具体侵权链条中的实际参与程度。当平台直接主导内容的生成时，可能构成直接侵权；当平台仅为用户提供技术工具和存储空间，但未尽到与其能力相适应的注意义务时，则可能构成间接侵权。

在间接侵权维度，当下的司法争议主要聚焦于，AI平台在多大程度上被视为履行了必要的“合理注意义务”？在确立相关平台责任规则时，必须基于技术发展的客观现实。对平台过错的认定，其前提在于厘清平台在现有技术条件下的“可为”与“当为”的界限。对于生成式 AI 这种具有高度随机性、输出难以被完全预测与实时控制的技术，法律若要求平台“彻底杜绝”特定侵权内容的生成，是否具备技术上的可行性？这一问题仍有待澄清。未来规则能否进一步明晰，将取决于全球司法实践如何在技术固有局限与法律保护的需求之间，探寻到更为精准、合理的平衡点。

03

版权人面临的举证困境

具体到数据准备环节，在GEMA诉OpenAI案与Bartz案中，法院均对数据收集与存储阶段的行为进行了独立的合理使用分析。在Bartz案中，法院进一步区分了数据来源的合法性，认为对合法获取的正版内容进行数字化收集与存储是合理必要的步骤，可构成合理使用；而对盗版内容的相同行为则不能成立此抗辩。在GEMA诉OpenAI案中，慕尼黑法院则明确依据欧盟《数字单一市场版权指令》中的文本与数据挖掘例外条款，认定OpenAI在数据收集与处理阶段的复制行为构成合理使用。真正的法律难点在于，对于利用这些数据进行的模型训练行为本身，是否应当以及如何构成合理使用。

从主要国家作出的既往判决来看，德国法院在此类案件中的立场相对严谨，通常倾向于否定训练行为存在合理使用的空间。与之不同的是，美国法院则在个案中表现出一定的摇摆性。美国法院在判定时主要基于 “四要素” 进行分析。在“使用目的与性质”这一关键维度上，美国法院普遍认可 AI 模型具有高度的转换性，尤其是当 AI 模型将版权小说等文本转化为功能性极强的通用工具时，因其带来的社会增益显著，故转换性更容易得到认可。但若AI学习数据是为了提供与原作品高度类似的竞争性服务，则转换性难以成立。例如，在汤森路透案中，法院认为被告开发直接竞争同类产品的商业目的，缺乏转换性。因此，合理使用的判断焦点实际转向了第四个要素，即“潜在市场价值的影响”。这种影响不仅包括现有的市场份额与授权市场，更涉及一种‘市场稀释’（Market Dilution）的损害。在汤森路透案中，法院认定被告威胁了原告当前的法律研究平台市场及未来的训练授权市场，故抗辩不成立。而在 Meta 案中，法院认为由于输出端缺乏实质性相似，不存在直接替代，且原告未能就“市场稀释”（即AI大规模低成本生产对原作销售的稀释性威胁）提供充分证据。最终，由于原告在举证环节的疏忽，未能聚焦并证明此类损害的存在，法院认定 Meta 的合理使用抗辩成立。

在 Bartz案中，法院为“模型训练”确立了相对宽松的合理使用标准，法院认为，只要基于合法数据，且模型输出无实质性相似，由此引发的竞争即属于技术进步带来的合法市场博弈，而非对原作品的侵权替代。法院特别指出，虽然模型会导致竞争作品的激增，但属于合法的市场竞争，非版权法制止的市场替代。因此，针对正版内容的训练行为，法院认可其构成合理使用。然而，本案的裁判微妙之处体现在对数据来源的审查。法院之所以未深究“利用盗版训练”是否构成合理使用，是因为在前端的数据收集与存储阶段，被告构建“盗版书库”的行为被直接认定为侵权。这似乎在暗示，若数据源头本身涉及盗版问题，无论后续的训练技术具有多高的“转换性”，都无法豁免其在采集阶段已然构成侵权的本质。