在近期的“抖音诉B612”案中，北京知识产权法院首次援引《反不正当竞争法》（下称“反法”）的一般条款，对模型开发者基于开发行为及数据训练所形成的结构与参数赋予法益保护。法院确认，人工智能模型结构及参数构成开发者的竞争利益，认定“从事人工智能模型研发经营的企业不得未经许可直接使用他人通过数据训练改进而来的模型结构和参数”，并将之界定为“人工智能模型领域公认的商业道德”。[1]
值得注意的是，该案中被告提出抗辩，主张原告使用非法获取的人脸照片数据进行训练，不应受到法律保护。就此，法院从行为规制的角度驳回该主张，认为原告在数据获取阶段的合规性问题，与被告是否有正当理由复制使用特定模型结构和参数并无直接关联。[2]在法院看来，训练数据是否合法，并不当然影响对被告行为的独立评价。
尽管反法在立法层面首重于对市场竞争行为进行规制，但仍具备相当的权益保护法特性。[3]就该案案情及裁判逻辑来看，抛开所涉利益的载体特征，被告行为在实质上与传统意义上的侵权行为并无本质区别，而原告之所以选择以反法作为主要诉讼路径，很大程度上是出于模型开发者的利益形态在既有法律分类体系中难以明确归属的现实考量。[4]换言之，反法在该案中不仅承担了竞争秩序维护功能，更在某种程度上发挥了对新型智力成果法益的“孵化”作用。[5]
在此基础上，本文拟从训练数据与模型法益的关系着手，讨论前序训练行为的合法性是否及如何影响模型开发者所主张法益的正当性。也即，模型开发者能否在训练行为合法性待定的情形下，主张其对模型结构和参数所享有的竞争利益。
@ 一. 数据训练行为并不必然以数据权利主体的授权作为合法前提
现阶段AI模型在技术层面仍有赖于对大量数据进行训练，囿于训练数据的量级通常较大（如GPT-3公开的训练原始数据量多达45TB）[6]、数据类型及来源繁杂、授权成本高昂等因素，大多模型开发者难以事先就训练行为获取全部数据主体或其他类型权利人的许可。也正因此，自OpenAI开启“大模型元年”始，数据训练行为的合法性问题即受广泛关注。
诚然，本文所讨论的模型开发者法益问题似乎预设了一个前提：即未经授权使用他人数据进行模型训练在某种意义上构成法律上的“瑕疵”——如果未经授权的训练行为不存在合法性问题，自然也就不存在对模型相关法益的正当性进行判断的必要。但实际上，对无授权（或授权形式存在瑕疵）数据的训练行为是否构成侵权，至今仍无定论。且在以版权内容及互联网公开数据作为语料的特定场景中，[7]对训练数据的授权要求呈逐步宽松态势。
- 未经授权使用他人作品训练可能基于合理使用免责
就版权内容而言，基于训练行为的非表达性特征，以及对AI产业发展及市场替代性的考量，通过合理使用或类似规则明确训练行为在一定前提下不受版权限制，在国内外学界均已成为一种无法忽视的意见。[8]司法实践层面，国内“新创华诉某科技公司”一案认为：“在无证据证明生成式人工智能是为使用权利作品的独创性表达为目的、已影响到权利作品正常使用或者不合理地损害相关著作权人的合法利益等情形下，（使用他人作品进行训练）可以被认为是合理使用。”[9]
在国外，美国加利福尼亚州北部地区法院近期做出的Bartz诉Anthropic[10]与Kadrey诉Meta[11]两案的裁决，均在个案中附条件认定该案所涉的训练行为构成合理使用。除此外，目前在审的Matthew Butterick诉Github[12]、纽约时报诉OpenAI[13]、Silverman诉OpenAI[14]等案件中，各方也均就此问题展开争辩。而在立法层面，欧盟通过《数字化单一市场版权指令》（DSM）为商业性质的文本与数据挖掘行为提供“默示许可”的空间，[15]并存在将之援引至数据训练情形的可能。[16]日本、英国、新加坡、以色列等国家及地区亦积极通过政策或立法报告的方式为版权领域的数据训练行为提供免责空间。[17]如日本文化审议会著作权分科会法制度小委员会在其发布的《人工智能与著作权处理方案》中提出，为人工智能训练而将版权作品用于信息分析，若符合《日本著作权法》第30条之4中规定的“对作品的利用并非为了自己享受或使他人享受作品所表达的思想或情感”的情形，即构成非享受性使用，则该情形原则上构成合理使用。[18] - 使用互联网公开数据进行训练在特定条件下具备正当性。
互联网公开数据是模型开发者训练数据的另一重要来源，对该类数据的处理通常涉及两类潜在权利：一是自然人的个人信息权益，二是经营者竞争权益。就前者而言，我国《民法典》第一千零三十六条、《个人信息保护法》第十三条均明确了相应处理行为的合法性基础，即“合理处理”但“自然人明确拒绝或者处理该信息侵害其重大利益的除外”。域外虽未将公开与否与信息处理的合法性要求相关联，但影响广泛的欧盟《一般数据保护条例》（GDPR）第六条第1款(f)项明确，“数据控制者或第三方为了追求合法利益之必要”的信息处理行为合法，“但被保护数据主体的利益或基本权利自由优先于该种利益，尤其当数据主体为儿童时除外”。而在德国科隆高等地区法院所作出的一项裁决中，法院援引GDPR前述条款并认为“在用户已经选择公开提供相关信息的基础上，Meta（开发者）在推进人工智能技术方面的利益超过了对公共数据的隐私担忧”，从而认定模型开发者对互联网公开数据进行训练并未侵害数据主体的个人信息权益。[19]
同时，尽管属于公开状态，但特定平台上的数据内容可能构成平台经营者的竞争利益来源。而模型开发者除通过商业合作方式获取该等数据外，也会通过爬虫方式径行获取。[20]数据来源平台默示同意爬取的情形自不必多言，[21]强制爬取则易引发纠纷。[22]但需注意的是，平台上的公开数据同时涉及多方主体权益，平台经营者并不必然就平台上的数据享有权益，也并非所有对数据的利用行为都会对平台的经营造成妨害（尤其是在模型开发者对数据的使用和最终输出形式与数据来源平台并不一致，且不具备商业上替代性的情形中）。考虑到数据流通以及竞争法益的特殊之处，并结合人工智能产业发展的现实必要性以及越来越多平台禁止第三方爬虫行为的现状，即便模型开发者未经授权爬取网络公开数据用于训练，其违法性的证成或非显然。
至此，我们可以形成一定的讨论基础：其一，未经授权的模型训练行为并不一定违法，且由于训练数据在类型、授权来源等因素上的复杂性，个别（甚至部分）数据的权利瑕疵未必能推导出训练行为整体的非法性；其二，即使训练行为的合法性存在争议，该争议本身也因权利边界不明、理论分歧较大而具备高度不确定性。在此基础上，面对产业发展的现实考虑，以不确定性极强的合法性争议，否决后续模型产品的法益，未必是相称的做法。
@ 二. 模型结构与参数不应承继训练行为的法律瑕疵
AI模型通常由结构（Architecture）和参数（Parameters）两部分组成。[23]从技术特征来看，训练数据对模型结构的设计，以及对参数的训练都具备一定程度的影响，但这种影响并不作用于模型法益的可保护性。 - 模型结构的技术适配逻辑与训练数据的合法性缺乏关联
AI模型结构是代码在特定条件下执行所生成的拓扑表达，另受配置文件、外部参数、随机元素、生成方式等因素的影响。作为模型各组成部分之间的连接方式与组织形式，结构包括神经网络层的堆叠方式、激活函数的选择以及各处理模块之间特征张量的传递路径和连接方式等。[24]
不同模型结构对数据的拟合能力不同，针对特定类型数据甚至需要在结构中设置专门机制进行处理，训练数据的特性会对模型结构的选择与设计有所影响。两者间的关系宛如模具与原材料，不排除部分情形中“杀鸡也可用牛刀”的兼容性，但开发者在设计模型结构时，往往会对训练数据的类型、规模、特征具备一定预期。
但需注意的是，结构与训练数据间虽具备协同关系，但至少从功能性层面而言，该种协同响应的主要是数据形式与统计特性等类型化特征，与影响合法性的具体内容无关（如作品的具体表达、个人信息中具备可识别性的内容等）。例如，当训练数据中包含图像类型数据时，一般需要在结构中设置卷积神经网络（CNN），以匹配图像数据具备空间局部性的特征。[25]但图像内容中的人脸信息是否经过相应主体授权，则与模型结构的选择无涉。换言之，除非该种数据极其有限，且在形式或统计特性上足够特殊，以致开发者不存在通过合法手段获取具备同样特性数据的可能性，从而需要专门设计一种架构对之进行处理，否则，训练数据来源合法性对于模型结构设计的影响极其有限。试举一例，某人在路边抓了只鸡，顺带买了个大小合适的铁锅用来炖鸡，抓鸡的行为或有侵害他人财产权的可能，但不能说因为铁锅是用来炖鸡的，就认定某人失去对这个锅的权利。同理，训练数据来源的合法性不影响对模型结构设计可保护性的评价。 - 模型参数不属于训练数据争议行为的延续表现
模型参数是在模型训练过程中被学习和优化的数值元素，如权重和偏置等，它们控制模型如何处理输入并生成输出。[26]在常见的神经网络中，权重用于对输入进行加权，决定信号传递的强度；偏置则允许神经元输出具有平移能力，使模型能够拟合更复杂的函数。[27]
相较于与模型结构间的协同关系，训练数据对参数的学习过程起到更为关键的作用。作为对数据分布及其特征、模式等要素进行统计吸收与抽象提取的结果，参数的形成过程高度依赖于训练数据的输入。一般而言，在给定模型结构的前提下，训练数据的内容、质量与分布直接影响参数值的最终收敛[28]状态与泛化[29]能力。[30]正因如此，训练数据的代表性与覆盖度往往被视为参数质量的核心保障。然而，参数的生成虽高度依赖训练数据，但这种依赖具备相当的间接性与抽象性，训练数据的内容本身与参数自身被保护的核心价值之所在缺乏直接关联，对参数的使用行为并非数据训练行为的延续，试述如下：
2.1 参数并非对训练数据的直接再现
AI模型的参数生成机制，主要是以随机初始化的一组权重数值为起点，通过反向传播算法计算损失函数对（可训练）参数的梯度，并结合优化方法（如梯度下降）对参数作逐步更新。[31]在这一过程中，模型参数逐渐与训练数据的分布特征相拟合，从而捕捉其统计规律，直至收敛至优化目标所指向的最优或近似最优解，并在验证集、测试集或其他域外（out of domain）测试集上表现出良好的泛化能力。
由上可知，参数的训练本质是对数据统计规律的拟合，而非对特定文本内容的“压缩”或“摘要”，其与训练数据间并不存在一一对应的表达继承关系。这一认知在美国的司法实践中亦已得到确认，在Kadrey诉Meta案中，法官指出：“根本无法将模型本身理解为对原告任何书籍的翻版或改编”，认为模型不属于训练数据的衍生作品。[32]在表达层面，训练数据与模型参数间不具备同一性或直接对应性。换言之，对参数的处理并不等同于对训练数据的处理，即便前序训练阶段对数据的处理行为构成侵权，对模型参数的利用行为也与对数据的处理行为相独立，不会造成侵权状态的持续。
2.2 正常情况下，参数难以反向还原出训练数据内容
模型训练是高维参数空间的单向优化过程，从参数回溯具体训练数据内容具备极高的不确定性，在现实中可行性较低。且参数本身并不存储可识别的数据内容，除非模型自身泛化能力较差出现“过拟合”（Overfitting）[33]现象，否则用户也难以在使用模型的过程中“再现”原始训练数据内容。而基于模型性能表现考虑，正常的模型开发者也会尽量避免“过拟合”情形的出现。在此基础上，就算训练行为构成侵权，对参数的使用行为也不会导致二次侵权或侵权主体的扩散。
退一步讲，在因“过拟合”致使用户获取训练数据内容的少数情形中，权利主体也可基于输出阶段的争议行为寻求救济，而非直接否定模型的可保护性。一方面，若模型由于“过拟合”导致泄露了用户的个人数据或侵犯了数据主体的隐私，数据主体完全可以在输出阶段提出维权诉求。模型输出阶段的行为才是可能直接涉及侵权责任的核心。数据主体能够通过对模型的输出结果进行评估，确认是否存在数据泄露或隐私侵害。从诉讼技术的角度来看，输出阶段的争议行为相对容易识别并证明，因为此时已经有明确的实际损害发生。相对而言，训练阶段的争议则更加复杂，难以追溯并且较为隐蔽，基于输出结果维权无疑更为直接而高效；
另一方面，“过拟合”属于模型的性能问题，属于技术层面的缺陷，而不是法律层面的违法行为。法律责任通常是与行为或产品状态的合法性相联系，而不是直接与技术性能相关联。法律的关注点在于是否存在违法行为或是否违反了与用户、消费者的约定，而不是关注技术工具本身的缺陷。因此，除非法律或相关效力性文件明确规定“过拟合”缺陷的模型即为违法，否则，若仅仅因为模型存在“过拟合”而否定其法益，实际上是混淆了技术问题与法律责任，不应因为模型本身的技术缺陷就全面否定其法益。
2.3 模型参数并不是训练数据的必然结果
东吴弄珠客于《金瓶梅序》中语：“读《金瓶梅》而生怜悯心者，菩萨也；生畏惧心者，君子也；生欢喜心者，小人也；生效法心者，乃禽兽耳。”读同一本书尚能生出多种完全不同的感受。假使有人读完《金瓶梅》后，基于自身历来所学，结合书中世情因果，写了本《警世恒言》告诫世人，是否能基于《金瓶梅》一书的争议性而认定《警世恒言》同样为“秽书”？答案显然是否定的。
若某项成果与特定侵权行为存在直接因果关系时，则存在将该成果作为侵权结果予以整体评价的可能性。然而，AI模型的参数并不属于此类情形。参数的生成过程虽以训练数据为基础，但两者间的关系远较直接因果关系更为复杂与抽象，难以认定参数为争议数据使用行为的“必然产物”：
其一，同一训练数据经由不同的算法结构、模型架构、超参数设定及训练策略，所产生的参数结果及其性能表现可能截然不同。即便输入相同，输出亦可能因路径差异而各异，足见训练数据本身并不决定唯一的参数结果。
其二，现实中的训练数据往往来源多元，其合法性状态亦可能存在差异。然而，这些数据在训练过程中被混合使用，并共同作用于参数的优化过程，极难将特定参数成分与具体数据源进行明确对应。在此种抽象映射关系中，无法从技术上识别参数中哪些部分来源于合规数据，哪些可能涉及争议性使用。
因此，从功能及技术特性出发，模型参数的形成不具备争议性训练行为的“结果性”，亦不宜在法律上将其与训练行为视为同一侵权链条中的阶段性表现。仅因训练阶段存在合法性瑕疵，尚不足以据此否定参数本身作为独立技术成果的法律评价地位。 - 以授权瑕疵为由否定模型法益不合比例原则
如未经许可的数据训练行为属于侵权，且该种侵权定性得以被延至模型法益中，暂不讨论部分特殊规则的适用，此时模型开发者即负停止侵权之义务。在绝对理想的情况下，模型开发者应停止在模型对相应数据潜在贡献的持续利用。然而，尽管“机器遗忘”（Machine Unlearning）[34]技术概念早在2019年就已被提出，[35]但在实际落地层面，大多机器遗忘技术仍主要聚焦于对模型输出行为进行调整，难以有效清除数据在表示空间中的残留影响。且最新研究表明，只有在多个表示层[36]中进行协同且针对性的参数扰动，[37]才能较为彻底地消除特定数据样本的嵌入贡献。[38]但这类修改若幅度稍大，又易导致模型性能下降乃至泛化能力受损，在实务中仍难以落地。换言之，如否定模型法益，要求模型开发者停止“使用”未经授权的特定数据，就当下技术而言，基本等同于要求模型开发者停止使用原模型，整体对模型进行重训练——现阶段无法以低成本、低风险方式从现有模型中精确剥离数据影响。
在此基础上，如仅因部分数据的授权问题直接否定模型法益，由此所造成的损害将显著超出拟保护的数据权益，规制目的与规制手段间不合比例，有悖比例原则[39]：正如前所述，训练数据本身具备来源多样化的特征，存在授权问题的数据可能只占训练数据中的一部分。尤其是在数据权利主体主张权利的具体个案中，个案所涉的数据相较于训练语料整体而言，无异于沧海一粟，其对模型输出结果的影响是相当渺小的。基于个别的、特定的“损害”（在输出端没有体现原始数据内容的情况下，这种损害是否存在都是有争议的），对模型整体的法益进行否定，显著不成比例。
@ 三. 未经许可的演绎作品可保护性对模型法益可保护性的镜鉴
《伯尔尼公约》第2条第3款规定：“对文学或艺术作品的翻译、改编、音乐改编以及其他形式的改动，应作为独立的原创作品受到保护，且不影响原作品的著作权。”由此明确了演绎作品[40]区分于原作品的可保护性，但也同步要求不得影响原作品的著作权。这种“不影响”的最典型表现即系要求对演绎作品的创作，应预先取得原作品著作权人的许可授权。未经许可的演绎作品甚至被称之为“非法演绎作品”，长久以来，这类作品应否得到法律保护一向是个有争议的话题。[41]
如前所述，现行主流观点认为数据训练并不属于对原始数据的表达性使用，而“翻译、改编、音乐改编以及其他形式的改动”均属于表达性使用的一种，[42]训练不能被认定为是演绎行为，模型也不属于训练数据的演绎作品。[43]尽管如此，未经许可的演绎作品的可保护性问题之于本文仍有相当的借鉴意义：在《伯尔尼公约》的181个成员国中，对他人作品进行演绎创作均需获得权利人的许可，假使未经授权的演绎作品能够获得保护，那么，也不应以数据训练行为存在合法性瑕疵为由拒绝赋予模型法益可保护性——相较于未经授权的演绎作品而言，训练行为是否需获许可仍有争议，且模型在表达层面通常不涉及原始数据内容，模型在产业发展上也具备更紧迫的需要，综合来看，对训练行为存在争议的模型进行保护，对数据权利主体所造成的潜在损害，远较未经授权的演绎作品可能给原始作品著作权人造成的损害为低。 - 演绎人得以基于其独创性贡献开展维权
就我国而言，国内《著作权法》第十三条基本吸收了《伯尔尼公约》中有关演绎作品的规定：“改编、翻译、注释、整理已有作品而产生的作品，其著作权由改编、翻译、注释、整理人享有，但行使著作权时不得侵犯原作品的著作权。”但并未就未经授权的演绎作品的可保护性问题作明确规定。国内通说认为，受限于原作著作权人的专用权，未经许可，演绎者不能随意使用演绎作品，但他人仍不得侵害演绎者之于演绎作品的著作权，也即“消极保护说”。[44]这一观点符合国内实践，如在“宫锁连城”案中，北京知识产权法院指出：“因摄制及改编行为均是在他人作品基础上形成新作品的行为，故前述判决认定涉案作品中既包括对他人作品的抄袭部分，亦包括作者独创性部分。基于前文中所述原因，涉案作品所存在的侵权情形仅意味着涉案作品的著作权人无权自行使用并禁止他人使用该侵权部分，但对于涉案作品中的独创部分，著作权人仍享有著作权，有权禁止他人以著作权控制的方式使用该部分，且其所获得的保护水平与其他作品并无不同。”[45]
相较于我国，美国、法国各自在立法中明确了对演绎作品中未经授权的部分不予保护：美国《版权法》第103条(a)款规定：“根据第102条规定，版权保护的客体包括汇编作品和演绎作品，但如果作品使用了受版权保护的既存材料，而该使用是不合法的，则该作品中相应部分不享有版权保护。”[46]法国《知识产权法典》第L.122-4条则规定：“未经作者或其权利继承人或受让人同意，任何对作品的全部或部分展示或复制均为非法。同样，任何形式的翻译、改编、变形、改编或使用任何艺术或技术手段进行的复制，也均属非法。”[47]由此，有学者将之总结为“不予保护模式”，[48]但实际上，这种“不予保护”并非是绝对的：以美国为例，相关案件虽受“任何人不得从其不法行为中获利”这一古老法谚的约束，但借助其“合理使用”的灵活标准，对于具备足够原创性的演绎内容，并不乏通过合理使用规则赋以可保护性的实例。如在Keeling诉Hars一案中，第二巡回法院即指出：“未经授权但合法的合理使用作品本身可获得版权保护。”[49]法国司法实践实际同样为未经授权的演绎者提供了基于其原创内容的保护空间。[50]
由此可见，在演绎这一场景中，即便演绎行为未获授权，基于在演绎过程中的原创贡献，演绎作者仍能禁止他人对其作品进行使用。与之相比，模型开发者在模型功能的实现上作出了核心贡献，以训练阶段的授权瑕疵为由，试图否认模型法益可保护性的主张并不合理。 - 特定场景中对侵权不停止的适用
侵权不停止，是指行为构成侵权，但行为人被免除停止侵权责任的情形。[51]这一情形的现实依归并不难理解：假使某人盗窃了他人的水泥用于建房，后于房屋落成后被发现。显然，此时拆除房屋虽能制止侵权，但不符合基本的经济性，不是正确的做法。合理的选择是由屋主或其他受益人继续使用房屋，但对受损一方进行补偿。当然，无论是否提供补偿，都属于屋主或受益人与受损一方间的争议，第三方决计不可以房屋材料来源不正为由，肆意毁坏他人房产。
部分演绎作品具备较高的市场或艺术价值，且具备稳定的受众，当因授权问题被判定侵权时，要求演绎作者停止侵权或与版权领域鼓励创作的取向相冲突。在我国，基于对演绎作品价值、对原作者及原作作品价值的影响、社会效益的综合考量，存在法院在法律规定外适用侵权不停止的可能。[52]如在“此间的少年”一案中，广州知识产权法院认为：“停止侵害与其他责任形式一样并非当然适用……民事责任的承担有其灵活性，可以根据案件具体情况进行利益衡量，在采取充分切实的全面赔偿或支付经济补偿等替代性措施的前提下，可不判决停止侵权行为……保护作品的创作者和传播者的利益是著作权法的直接目的，但促进科学和文化事业的发展与繁荣则是著作权法的最终目的。当直接目的和最终目的产生冲突的时候，对直接目的的强调就应当适度让位于最终目的的实现。”最终判令被告以再版版税的30%作为停止侵权的替代措施。[53]认定侵权不停止本身，即是对侵权的确认，同样也是对争议作品法益独立性的确认——依据该案判决，可以理解为被告至少就争议作品享有70%的财产权益。无论该作品是否构成侵权，但如第三方未经被告同意使用该作品，仍然构成对被告的侵权。
回归到本文探讨的模型训练场景，尽管从技术上看，模型结构和参数根本不是训练阶段争议行为的延续，且未经许可的训练行为也并不等同于“侵权”，但即便认定侵权，考虑到模型功能通常并不构成对训练数据的替代内容、两者在功能定位上截然不同，发展人工智能产业本身也符合社会公众利益等要素，模型结构与参数实际完全能够通过“侵权不停止”适用条件的检验。这意味着，即使在前序训练行为构成侵权，且该等侵权性质得以传导至模型法益的假设中，基于对“侵权不停止”原理的适用，仍可得出模型虽然侵权，但无须停止相应的运营和分发行为这一结论，这实际等价于司法认定该等运营和分发行为是合法的、受保护的，他人不能侵害相关主体的模型法益。
@ 四. 功能主义视角下模型法益与数据主体权利的比较
功能主义是形式主义外的另一种法学研究范式，在我国受到多部门法学者的自发使用，其范畴性涵义在于，“法律规范的形成和解释不能仅依托规范的初始内容和相应的逻辑推导，还需要关切规范的社会效果，以不断调整规范的实质内容”。功能主义范式不受既有规范内容的先验拘束，更多从工具论的视角，通过对规范在社会系统中所起的作用进行衡量，从而完成对规范正当性的论证。[54]
具体到本文探讨场景中，训练行为的合法性瑕疵如何对模型法益产生影响，这一命题同步涉及到模型法益和数据主体权益两种利益导向。就前者而言，本文命题处理的尺度在于相应规范应发展并引导人工智能产业；就后者而言，处理的尺度在于应使模型训练行为对数据主体权益的侵扰最小化，并保障数据主体能够基于人工智能产业发展获取合理利益。两者导向互有差异，但并非全然冲突，存在一定的协调空间。 - 赋予模型法益的制度功能
在功能主义视角下，对模型法益的保护，不单是行为规制产生的责任或法律权属问题，更是一个制度目的的问题。是否对未经授权的模型法益赋予可保护性，主要应视相关做法能否有效承担发展并引导人工智能产业的制度功能。具体如下：
1.1 对人工智能产业发展的激励功能
有学者指出，现代著作权规则体系是以激励机制为指导构建，这种激励机制实际系产业投资者利益集团通过主导立法所形成的，反映了著作权产业投资者的利益需求。[55]鼓励创作一直是投资者主导立法的一种遮掩，激励机制的真正目的旨在著作权法中确立财产权的优势地位，通过信息的产权化和著作财产权的配置来实现投资利益的最大化。事实上，著作权激励机制乃是通过权利配置来激励对信息生产与传播的投资，而非激励生产与传播行为本身。[56]
相较于著作权领域的创作与传播，人工智能产业的发展尽管也离不开“天才之火”，但更依赖于大量的资源投入，包括人才储备、产业协同、基础设施建设、算力资源、产品运营等都需要巨额的资金消耗。可以说，人工智能产业在近两年的飞速发展，离不开社会资本的持续“加注”，这导致人工智能产业对投资的依赖程度远高于著作权等文化产业。在这一过程中，投资者收获了投资回报（或至少是回报的预期），产业技术得到了进步，社会大众分享了技术落地所带来的便利，尽管可能存在部分群体或产业的既有利益遭受挑战（如传媒领域），但社会福利整体持增长态势。
基于诱致性变迁（Induced Institutional Change）的规律，[57]此时包括法律规则在内的治理体系，应当为这种增长所改进，鼓励人们更好地投入到对整体福利增长的促进事业中。具体言之，投资者在人工智能产业的发展中起到了重要的作用，相应规范至少应当避免塑造影响投资收益的重大不稳定因素。赋予模型法益，使模型法益不因普遍且难以完全规避的训练数据授权问题而被否定，有助于从财产权角度稳定投资者的预期，进而实现对人工智能产业发展的激励。
1.2 构建产业良性竞争秩序的功能
对模型法益进行确认，意味着为模型设定了一定的权利排他性边界，由此，模型法益得以发挥对企业的激励作用。这种激励并不单停留在对单个主体的影响层面，同时在构建产业良性竞争秩序方面也发挥着至关重要的作用——通过为创新成果提供法律保障，企业能够在竞争中享有独特的技术或产品优势，并通过这一优势获得市场份额，形成有利的竞争壁垒，从而实现长期的商业利益，而这正是产业良性竞争的基本逻辑。当各方依据这些规则展开竞争时，市场的竞争态势被约束在合理范围内。企业之间以研发和创新成果作为竞争力的重要来源，既能够带动自身业务的增量利益，又能促进技术的进步和社会的整体发展。随着竞争的加剧和技术的创新，不仅推动了产业本身的升级，也为社会带来了更多的创新成果和经济效益，形成了一个健康的正向循环。
反之，若对存在授权瑕疵的模型不予保护，则目前大部分模型的合法性都将存在争议。一旦失去法律上的明确保障，可想而知，在违法成本几乎为零的情况下，恶意复制和抄袭的行为就容易滋生——对于部分恶意经营者而言，抄袭竞品的模型不仅能大幅降低研发成本，还能迅速获得市场份额，获取不正当竞争的优势。这种状况还将拖累整个行业的技术水平和产业链条发展，使产业长期处于低质量“内卷式”竞争的怪圈。
1.3 促进社会福利整体提升的功能
囿于大部分模型在训练数据的授权层面都无法实现全量授权，假使认定未经授权的训练行为存在合法性问题，且以此否定模型的法益可保护性，那么大部分模型在法律上的权利状态将极不稳定。在此基础上，与模型相关的一切商业合作，都将负担较重的信任成本——模型开发者不得不采取措施以防范合作方窃取既有模型，合作方也会对基于不受保护的模型所开展的商业合作成果的合法性和稳定性产生顾虑。
而使模型的法益不受前置训练行为影响，将为模型产业乃至相关链条的合作创造一个良性的技术传播环境。具体来说，模型的合法性和可保护性使得行业内部的技术交流更加透明和安全。在法律赋予充分救济权利的前提下，各方更愿意开放合作与共享，从而能够加速技术的传递和普及，提升技术应用的社会信任度。民众能够尽早体验到人工智能在各个民生领域的积极应用，扩展模型产业的“正外部性”，[58]并在使用过程中不断形成新的市场需求。这一正向效应能够推动整个产业的发展，并提高社会的整体福利水平。
1.4 避免产业在国际竞争中处于劣势的功能
当前，人工智能产业发展处于高速增长期，各国对包括模型在内人工智能各产业领域的管控呈重引导、软监管的态势。中[59]、美[60]、欧盟[61]等处于人工智能产业竞争前线的主要参与国家及地区都暂缓了将之纳入成文法案拘束的步伐，而从2023年至今的连续三届人工智能安全峰会来看，尽管各主办国争夺在人工智能领域话语权的尝试仍是潜在的核心命题，但会议的关切焦点已由AI安全议题转向AI创新与发展。[62]这背后响应的关切正是为了避免过当的监管要素影响人工智能产业的发展进步，特别是避免本国在发展过程中相较于竞争对手失速。
人工智能或许是第四次工业革命的标志性产业，是我国在国际竞争中弯道超车的重要机会，能否在本轮竞争中取得优势，甚至直接关乎国家战略发展问题。作为人工智能发展浪潮中的有力竞争者，无论如何，我们都不应当为此制造过当的监管束缚。而训练数据的质量、量级及可获得性，对于人工智能产业发展而言至关重要，可以称之为产业中的战略资源。模型开发者能否以合理的成本获取训练数据，对产业的发展有着重大影响。OpenAI在其对美国《人工智能行动计划》的回复意见中将版权和数据获取列为影响AI竞争力的重大政策点，呼吁政府实行一种“促进学习自由的版权政策”，以在国际竞争中取得优势。[63]在前文所提及的系列案件中也可发现，无论是美国还是欧盟，或是英国、日本等国家地区，当地司法都不会轻易以训练数据的合法性为由否定模型开发者对模型的法益。在另一关键资源算力受到来自美国封锁的情况下，为使模型产业在国际竞争中始终保持公平或至少是可接受的竞争地位，我国不应自缚手脚。仅因训练数据的授权瑕疵就否定模型法益的可保护性，将使我国人工智能产业在国际竞争中处于劣势。 - 否定模型法益无助于保护数据主体权益
且不考虑模型法益的制度功能，从保障数据主体权益的立场出发，看似应当否定未经授权训练模型的法益，以保护数据主体的权利、减少数据处理风险，并引导模型开发者规范获取数据授权。然而，这一做法实际难以实现期待效应，相反，还将产生系列难以处理的负面影响。
2.1 模型训练数据的授权瑕疵在当前阶段难以尽然避免
否定性评价发挥引导作用的前提是，试图被引导的行为本身是具备可行性的。而在模型开发领域，相当部分的开发者不是不愿意使用经规范授权的数据，而是客观上尚不具备就全部训练行为取得授权的现实可能性。一方面，中小开发者难以承担与模型训练数据规模相匹配的高昂授权成本；另一方面，当前的数据交易机制、交易市场规模、可交易数据资产的选择范围及质量均难以匹配模型训练的需要，开发者就算寻求规范授权，也只可能与有限的主流版权商及商业机构开展对接。暂且不考虑以商业授权方式购入的数据资产是否必然符合授权合规要求的问题，对于大量零散的数据（尤其是涉及个人主体的部分），开发者客观上难以接洽获取授权；最后，虽有少数数据主体已与模型开发者开展授权合作，[64]但部分大型互联网企业基于安全或竞争层面的考量，并不愿对外开放数据层面的合作授权，[65]甚至还存在限制人工智能领域对手使用基础服务的情形。[66]在此背景下，即便否定未经授权训练情况下模型的法益可保护性，模型开发者基于其能力和客观实际，也无法就全部训练数据获取规范授权。
2.2 过于严格的合法性要求，将使开发者丧失寻求合理商业授权的动力
基于难以实现全量授权的现实，如对存在授权瑕疵的模型均不予保护，那么在可预期的一段时间内，模型都将在合法性上“裸奔”。在此种情形中，基于效益最优的考虑，将资源着力于以更低代价完成模型训练，而非以更合规方式寻求授权，是相对理性的决策——既然客观上无法实现全量授权，那就意味着在数据授权上的堆垒不过是镜中花水中月，既如此，不如以更“野蛮”的方式训练模型，尽早投入使用变现。而对于部分模型开发者而言，由于他人模型不受法益保护，此时显然“借鉴”是比自研更有性价比的选择。且不论由此给AI产业带来的负面影响，不断放低的竞争底线，也将使数据权利主体丧失潜在的授权合作需求。[67]在产业发展初期过早提出了过高的合法性要求，最终可能造成数据权利主体与模型开发者的双输局面。
2.3 允许抄袭者以抗辩方式否定模型法益，无法实现对数据主体权利的救济
如在“抖音诉B612”一案的场景中，即便原告模型的部分训练数据存在授权瑕疵，这也是一种私权上的争议，被告本就无权对原告与数据权利主体间的权利义务关系置喙。且从效果上看，如以授权瑕疵为由拒绝对开发者模型法益的保护，可能会产生适得其反的效果：一方面，开发者仍可在未受法律制约的情况下继续使用该模型，且数据权利主体也不会因此获得任何救济或赔偿；另一方面，抄袭者也可因不承担责任而继续使用涉争议模型。若将对模型的分发及使用视为对前序未授权训练行为的延续行为，那么，抄袭者的持续使用实际上扩大了前序争议行为的影响范围。在此框架下，即便初衷是通过否认对模型的保护来加强对数据权利的维护，最终效果却可能恰恰相反——未授权模型不仅未被限制，反而因缺乏明确权属而被更广泛地使用，从而放大了未经授权行为的影响。这种规范目的与实际后果之间的张力，构成了一个明显的制度悖论。
综上所述，数据主体的权益并非无足轻重，但基于现实条件限制，简单否定使用未经授权数据进行训练的模型的法益，并无法实现对数据主体权利的有效保护，相反可能进一步损害数据授权市场，加剧行业内的不正当竞争，最终损害各方利益。对数据主体权益的保护，需要通过更为合理的方式实现。
@ 五. 结 语
综合全文讨论可知，在当前阶段，无论从形式分析层面来看，抑或从功能主义视角来看，都不应仅基于训练行为的授权瑕疵，直接否定模型的法益可保护性。在“B612”案中，法院能够跳出既有权利分类体系的局限，对模型结构与参数所承载的竞争法益进行识别，体现了对人工智能技术特性与产业发展规律的深刻理解。该案判决在维系市场秩序与新型智力成果保护之间实现了有效平衡，为后续相关争议的处理提供了有益范式。
当然，这并不意味着数据主体的正当权益就应该在发展的过程中被无端“牺牲”，需要在两者当中寻求平衡，以满足人工智能产业的发展需要，并同时尽量减少对数据主体权益的侵扰。结合模型训练场景的特征来看，数据主体的核心关切主要集中在几个方面：基于数据本身的权益受损（如个人信息权益、版权等）、不当处理形成风险、授权市场价值减损等。基于该等关切，我们试就本文场景的处理作如下建议：
其一，承认模型法益的独立性，为产业发展提供稳定预期。有学者主张，个人信息处理的合法性不应对企业数据财产权产生事前否定的效果，应承认非法处理个人信息行为能够衍生数据财产权。[68]个人信息通常是数据财产的直接组成部分，相较于该两者间的关系，模型与训练数据间的关联更为间接，其在形式上并不属于对训练数据争议行为的延续表现。且模型本身体现了区别于纯粹数据集合的创造性，在开发过程中亦产生了无法忽视的财产性投入，承认模型法益之于训练数据的独立性，有更为充分的依据。而认可未经授权训练数据情形中的模型法益，也正是本文命题中模型开发者等产业主体的核心关切。
其二，建立输出环节复现数据内容的处理机制，处理数据主体的核心隐忧。在“过拟合”场景中，确实存在输出环节中出现原始训练数据内容的可能性。部分观点主张此种情形可能构成对数据主体的侵权，如美国版权局即在其报告中提出：“模型权重是否涉及复制或衍生作品权利，取决于模型是否保留或记住了争议作品中的实质性可保护表达。如上所述，在准备训练数据集和训练模型时使用这些作品涉及复制权，但复制产生的权重只有在存在实质性相似性时才构成侵权。”[69]在技术上，应要求模型开发者尽力避免过拟合现象的出现，避免实质损害数据主体权益。在规制层面，我们认为此种情形的出现在绝大多数场景中均属于“技术性事故”，应建立一种机制，使数据主体一旦发现此种情形，即具有要求模型开发者整改处理的权利。即便认为此类情形属于侵权，也不应就此否定模型整体的法益，而应以修复损害为基准进行处理。
其三，数据获取环节侵权的，应作独立评价。个别情形中，如模型开发者明确违背数据主体意愿，或以其他非法方式取得他人数据以开展数据训练的，此时可就其获取数据的行为本身进行评价，要求相应主体承担违法责任。但对于已经形成的模型成果，从最大化效益的角度考虑，我们认为仍不应否定其法益之所在，可以借鉴民法中的添附理论，基于利益分配的视角，对侵权问题进行处理。[70]
本文注释
-1.《中华人民共和国商标法》第56条(本案适用的是2013年修正的《中华人民共和国商标法》第56条)
-2.《最高人民法院关于审理商标民事纠纷案件适用法律若干问题的解释》第11条、第12条(本案适用的是2002年10月16日施行的《最高人民法院关于审理商标民事纠纷案件适用法律若干问题的解释》第11条、第12条)
一审: 广东省深圳市南山区人民(2018) 粤0305民初17951号民事判决(2019年10月14日)
二审: 广东省深圳市中级人民法院(2019) 粤03民终31635号民事判决(2020年2月12日)
[1] 北京知识产权法院（2023）京73民终3802号二审民事判决书。
[2] 同上。针对被告该抗辩，一审法院认为合法性问题不影响被告行为的定性，二审法院认为原告获取人脸照片数据的行为与被告选择并使用何种人工智能模型的结果和参数的行为并不直接相关，因此对该抗辩不予支持。
[3] 参见孔祥俊：《反不正当竞争法新原理总论》，法律出版社2019年3月第1版，第40-44页。
[4] 参见张好：《办案手记丨全国首例AI模型结构与参数保护案二审代理律师办案手记》，发布于微信公众号“AI时代知产圈”，https://mp.weixin.qq.com/s/jlDF8ydn-1CkZS3lVyYtQ.
[5] 孔祥俊.反不正当竞争法补充保护知识产权的有限性[J].中国法律评论,2023,(03):19-32.
[6] Tom B. Brown, Benjamin Mann, Nick Ryder, et al. 2020. Language models are few-shot learners. In Proceedings of the 34th International Conference on Neural Information Processing Systems (NIPS '20). Curran Associates Inc., Red Hook, NY, USA, Article 159, 1877–1901.
[7] 实践中，训练语料的来源还包括商业数据集、商业运营数据、人工标注形成的特定数据等。
[8] 国外可见Lemley, Mark A. and Casey, Bryan, Fair Learning (January 30, 2020). Available at SSRN: https://ssrn.com/abstract=3528447 or http://dx.doi.org/10.2139/ssrn.3528447；CHIOU T. Copyright lessons on machine learning: what impact on algorithmic art [J]. Journal of Intellectual Property, Information Technology and Electronic Commerce Law, 2019, 10(3)：398-411.)；Yunlan Zhu, The Comparative Analysis of Fair Use of Works in Machine Learning, SHS Web of Conf. 178 01015 (2023), DOI: 10.1051/shsconf/202317801015; 国内可见刘友华,魏远山.机器学习的著作权侵权问题及其解决[J].华东政法大学学报,2019,22(02):68-79；华劼.合理使用制度运用于人工智能创作的两难及出路[J].电子知识产权,2019,(04):29-39；李安.机器学习作品的著作权法分析——非作品性使用、合理使用与侵权使用[J].电子知识产权,2020,(06):60-70；商建刚.数据训练的著作权法分析[J].法学论坛,2025,40(02):68-78.
[9] 杭州互联网法院(2024)浙0192民初1587号一审民事判决书。杭州市中级人民法院(2024)浙01民终10332号二审民事判决书维持原判。当然，实务界也存在对这一观点的不同意见，部分评论认为杭州互联网法院在该案中的观点具备一定的个案性，不能上升为普遍的司法规则。
[10] See Bartz v. Anthropic PBC, 3:24-cv-05417,（ND Cal.）.该案中，Bartz等作家起诉AI公司Anthropic，指控其未经授权从盗版网站下载数百万本图书（含原告作品）并扫描购买书籍建立中央数据库，用于训练AI模型Claude。Anthropic辩称使用属合理使用。法院裁定：训练AI模型属合理使用；实体书转数字存档亦属合理；但盗版建库行为侵权，需承担赔偿责任。
[11] Kadrey v. Meta Platforms, Inc., 3:23-cv-03417.（ND Cal.）该案中，原告13位知名作家指控Meta从 “影子图书馆” 下载其受版权保护的书籍，用于训练Llama大型语言模型，涉嫌直接侵权、间接侵权及违反《数字千年版权法》。Meta则主张其行为属于 “合理使用”。法院认为，原告未能证明训练行为对版权市场的损害，在此前提下该案中的训练行为构成合理使用。但如未来原告能证明市场损害，可能改变结论。
[12] See DOE 1 v. GitHub, Inc.，4:22-cv-06823，（ND Cal.）
[13] See Case 1:23-cv-11195-SHS-OTW.
[14] See Silverman v. OpenAI, Inc., 3:23-cv-03416, (N.D. Cal.)该案中，作家们及行业协会针对OpenAI的数据训练行为提起诉讼，但法院采纳了被告的部分动议，以原告未能指控模型输出内容与受版权保护书籍内容实质相似为由，认定原告对直接侵权的指控并不充分，而间接侵权的证成有赖于直接侵权的成立，从而驳回了原告关于间接侵权的索赔要求并允许其继续修改起诉，目前案件仍在审理中。
[15] See DIRECTIVE (EU) 2019/790 OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL on copyright and related rights in the Digital Single Market and amending Directives 96/9/EC and 2001/29/EC[EB/OL]. (2019-04-17)[2024-09-15]. https://eur-lex.europa.eu/eli/dir/2019/790/oj; Articles 3-4. Available via EUR-Lex.
[16] 需要注意的是，在德国汉堡法院2024年审理的一起案件中，法院认为，DSM立法时并未对人工智能模型训练的情形进行考虑，因此模型训练行为不能作为DSM所规定的数据挖掘行为免责。该案中，法院最终通过“科研目的”路径免除了模型开发者的责任。见LG Hamburg, 10. Zivilkammer, Judgment of 27 September 2024, Case No. 310 O 227/23, ECLI:DE:LGHH:2024:0927.310O227.23.00, available at: https://www.landesrecht-hamburg.de/bsha/document/NJRE001588058
[17] 又如新加坡知识产权局在其编制的《2021年版权法信息手册》中指出，该国版权法中“允许专门出于计算数据分析目的复制作品”这一版权例外包含训练机器学习的情形。
[18] 文化审议会著作权分科会法制度小委员会. AI と著作権に関する考え方について[EB/OL].(2024-03-15)[2024-09-15]. https://www.bunka.go.jp/seisaku/bunkashingikai/chosakuken/pdf/9403790101.pdf:18-20.
[19] Erick Robinson, German Court Allows Meta to Use Public Data for AI Training: Implications for Europe’s AI Landscape, https://briefings.brownrudnick.com/post/102kcl1/german-court-allows-meta-to-use-public-data-for-ai-training-implications-for-eur?utmsource=chatgpt.com。
[20] 如OpenAI在其官网页面中释明其部分数据来源于网络爬虫搜集（https://openai.com/index/approach-to-data-and-ai/?utmsource=chatgpt.com）；Anthropic在其透明度页面中说明其训练数据来源包括通过通用爬虫手段获取的公共互联网信息（https://www.anthropic.com/transparency?utmsource=chatgpt.com）。
[21] 基于一般实践，此处的“默示同意”是指平台经营者未通过robots协议或公开声明方式禁止爬虫行为，同时也未通过内容墙等技术手段限制相关数据的访问权限。
[22] 如Reddit即因Anthropic未经授权爬取其网站数据进行大模型训练的行为，于2025年6月4日在加州旧金山高等法院提起诉讼。见https://redditinc.com/hubfs/Reddit%20Inc/Content/PDFs/Docket%20Stamped%20Complaint.pdf.
[23] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.https://doi.org/10.1038/nature14539
[24] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.https://doi.org/10.1038/323533a0.
[25] 杨泽明, 刘军, 薛程, 于子红. 卷积神经网络在图像分类上的应用综述[J]. 人工智能与机器人研究, 2018, 7(1): 17-24.
[26] 同见LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.https://doi.org/10.1038/nature14539. 在更复杂的模型结构中，参数种类更加丰富，包含如注意力机制中的多头权重矩阵、归一化层参数等。
[27] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.第6章：“Feedforward Deep Networks”http://www.deeplearningbook.org.
[28] 收敛（Convergence）指参数在不断调整后趋于稳定，损失函数（loss function）逐渐最小化，训练过程不再显著改变参数值的状态。
[29] 泛化（Generalization）指模型将从训练数据中学到的规律，有效应用到新数据（测试集或现实数据）上的能力。
[30] 但即便结构与训练数据相同，受参数初始化情况、优化顺序及硬件、精度、损失函数非凸性等因素的影响，最终所得出的参数也不一定完全相同。
[30] Dave Bergmann, Cole Stryker, “What is backpropagation?”. Accessed June 6, 2025. https://www.ibm.com/think/topics/backpropagation.
[32] Kadrey v. Meta Platforms Inc., No. 3:23-cv-03417 (N.D. Cal. Nov. 20, 2023).后续系列类似案件中，法院均采同等意见，如Andersen v. Stability AI Ltd., No. 3:23-cv-00201 (N.D. Cal. Oct. 30, 2023)；Silverman v. OpenAI, Inc., 3:23-cv-03416, (N.D. Cal.)
[33] 过拟合指模型在训练数据上表现非常好，但在未见过的新数据上表现很差的现象。在过拟合情形中，模型学到的实际是训练数据的“细节和噪声”，并非是数据中隐含的规律，因而缺乏泛化能力。
[34] 机器遗忘（Machine Unlearning）技术的目标是在不影响整体能力的前提下，有选择性地抹除特定知识。
[35] Antonio Ginart, Melody Y. Guan, Gregory Valiant, James Zou (2019).”Making AI Forget You: Data Deletion in Machine Learning” arXiv:1907.05012 [cs.LG].
[36] 表示层（representation layer），是指深度学习模型中用于编码和表达输入信息的中间层，它不直接执行分类、预测或生成输出，而是在原始输入与最终输出之间抽象出一种“特征表示”（feature representation）。
[37] 对数据相关的参数或表示进行定位，本身也是机械遗忘领域的关键难题之一。
[38] Xiaoyu Xu, Xiang Yue, Yang Liu et al. (2025). “Unlearning Isn't Deletion: Investigating Reversibility of Machine Unlearning in LLMs”, arXiv:2505.16831 [cs.CL].
[39] 比例原则包含适当性原则、必要性原则及狭义比例原则，狭义比例原则是广义比例原则的下位子概念，指规制目的与规制手段间的合比例性，此处仅指狭义比例原则。作为公法领域的一项重要原则，比例原则近年来在私法领域得到了广泛适用。参见：郑晓剑.比例原则在民法上的适用及展开[J].中国法学,2016,(02):143-165.
[40] 实际上，前文所提及的“衍生作品”与“演绎作品”的内涵近似，美国法上称之为“衍生作品”（Derivative Work）。
[41] 有关未经授权的演绎作品的可保护性问题，存在不予保护、消极保护、积极保护三种观点。见张书青.非法演绎作品后续利用行为的侵权定性[J].电子知识产权,2018,(03):84-92；又见刁舜.添附理论视角下的非法演绎作品保护研究[J].电子知识产权,2016,(08):24-34；孙玉芸.论非法演绎作品的法律保护[J].南昌大学学报(人文社会科学版),2012,43(05):79-83.
[42] 参见陶乾.基础模型训练的著作权问题：理论澄清与规则适用[J].政法论坛,2024,42(05):152-164.
[43] 同29。Kadrey v. Meta Platforms Inc.; Andersen v. Stability AI Ltd.,；Silverman v. OpenAI, Inc.等案件均认定模型并非训练数据的衍生作品；
[44] 参见王迁：《知识产权法教程》，中国人民大学出版社2021年第七版，第226页。
[45] 北京知识产权法院(2016)京73民终143号二审民事判决书。另在北京市海淀区人民法院(2007)海民初字第22050号一审民事判决书、上海市浦东新区人民法院(2007)浦民三（知）初字第120号一审民事判决书等案件中亦体现此观点。
[46] See 17 U.S. Code §103(a).
[47] 同时，法国《知识产权法典》第L.113-4条规定：“复合作品的权利属于其作者，但不影响原作作者的权利。”，此处的复合作品（L'œuvre composite）指其他作者在原作者作品基础上进行创作后的产物。
[48] 孙山,李研.数字时代未经许可之演绎作品的著作权保护研究[J].科技与法律(中英文),2025,(02):42-53.
[49] See Keeling v. Hars, 809 F.3d 43 (2d Cir. 2015). 该案中，原告在未经授权的基础上，将好莱坞动作片《惊爆点》改编为舞台剧《惊爆点现场》，最终法院以原告作品属对原作的合理使用为由，驳回了被告有关未经授权演绎作品不应予以保护的抗辩。
[50] 法国作为作者权体系的国家，高度重视作品中的人格属性，其“复合作品”（L'œuvre composite）之意，实际正是指向演绎作品中体现原作者及演绎者的不同人格的特征。出于严格保护作者人格权的考虑，法国将未经授权演绎行为直接评价为“非法”，但对于演绎作品中系属演绎者原创，且能体现其独立人格的内容，仍会在司法实践中提供保护。如在“我的岳母、前妻和我”一案中，巴黎上诉法院认为原告所续写的第二版剧本体现了区分于首版剧本的独立人格，具备可保护的价值，因而认定原告有权就其未经同意续写的作品进行维权。 Cour d'appel de Paris, 11 mai 2022, 19/20486.
[51] 陈爱碧.商标法领域“侵权不停止”适用的正当性及其界限——兼评“星河湾”商品房商标侵权纠纷案[J].政治与法律,2015,(12):144-152.
[52] 根据部分学者的统计，在“侵权不停止”的适用上，主要由法院主动适用，极少数情况中由被告提出。参见：喻玲,汤鑫.知识产权侵权不停止的司法适用模式——基于138份裁判文书的文本分析[J].知识产权,2020,(01):17-24.
[53] 广东知识产权法院（2018）粤73民终3169号二审民事判决书。该案被多次评为典型案例，但实务界对判决部分细节存在一定争议，其中一点即指“不停止侵权”实际是在法定情形外创设了一种法定许可。
[54] 申晨.论中国民法学研究中的功能主义范式[J].法制与社会发展,2023,29(05):146-166.
[55] 熊琦：《著作权激励机制的法律构造》，中国人民大学出版社2011年第1版，第24页。
[56] 同上，参见第35-40页。
[57] “诱致性变迁理论认为，制度变革最初源于社会中的个人或群体在响应新的获利机会时所创制的规则，当新的规则能够导致社会福利增加时，其就会改进或者替代现有制度的变迁模式。” 参见林毅夫:《关于制度变迁的经济学理论--诱致性变迁与强制性变迁》，载【美】科斯等:《财产权利与制度变迁》，刘守英等译，384 页，上海，上海三联书店，1994。转引自：熊琦：《著作权激励机制的法律构造》，中国人民大学出版社2011年第1版，第24页。
[58] 正外部性是指个人在市场上的消费增加了他人的福祉，但个人不向第三方收取收益。该概念由经济学家亚瑟·塞西尔·庇古在1920年代提出。见Pigou, Arthur Cecil, Welfare and Economic Welfare, The Economics of Welfare (Routledge), 2017-10-24: 3–22 [2020-11-03], ISBN 978-1-351-30436-8, doi:10.4324/9781351304368-1.
[59] 鉴于2025年人大常委会及国务院年度立法工作计划中并未与2023、2024年一样出现人工智能法的项目，部分学者认为，我国当前已暂停了对人工智能法的立法进程。见：寿步：《评中国<人工智能法>立法进程的终止》，发布于微信公众号“人工智能与网络空间治理”，2025年5月16日，https://mp.weixin.qq.com/s/btT6t3VaXfurEtvZ1dZHQ。
[60] 美国HR1法案目前已通过众议会审议。该法案部分条款旨在暂停美国任何州或其政治分支机构（如市或县）执行任何专门针对人工智能模型、人工智能系统或自动决策系统的法律或法规。该暂停实施令自生效之日起实施，为期10年。See H.R. 1, One Big Beautiful Bill Act, § 43201(c), (2025).
[61] 欧盟已于2025年2月撤回人工智能指令相关提案，并考虑推迟实施已通过的《人工智能法》（已部分实施）。见：https://www.europarl.europa.eu/legislative-train/theme-a-europe-fit-for-the-digital-age/file-ai-liability-directive，访问于2025年6月11日；Luca Bertuzzi：《欧盟委员会考虑暂停<人工智能法>生效》，发布于微信公众号：“AIGverse”，2025年5月27日，https://mp.weixin.qq.com/s/rYck3YZ8DfHU2GfkBHdtA.
[62] 参见：南极土著：《亲历法国人工智能行动峰会》，发布于微信公众号：“东不压桥研究院”，2025年2月14日，https://mp.weixin.qq.com/s/mfaIwXwBg6NFTpzDSRz3g；另见：陈湉、秦博阳：《从国际人工智能峰会看治理趋势变化》，发布于微信公众号“中国信息安全”，2025年6月10日。
[63] 参见：南极土著：《白宫披露美国科技巨头对“AI行动计划”的全部政策建议》，发表于微信公众号“东不压桥研究院”，2025年4月25日，https://mp.weixin.qq.com/s/OWpBSAhdbY7UId88wveOJQ.
[64] 如纽约时报于2025年5月29日宣告与亚马逊公司就人工智能领域的数据授权达成了一项正式合作。The NewYork Times: “The Times and Amazon Announce an A.I. Licensing Deal”, Accessed June 8, 2025.https://www.nytimes.com/2025/05/29/business/media/new-york-times-amazon-ai-licensing.html.
[65] 如X（前推特）于2025年5月6日更新的一项开发者协议条款，该条款要求开发者不得使用 X 或其 API 的内容来“微调或训练基础或前沿模型”。Emma Roth：“X’s new policy prevents companies from using posts to ‘fine-tune or train’ AI models” , Accessed June 8, https://www.theverge.com/news/680626/x-ai-training-ban-posts?utm_source=chatgpt.com.
[66] 如谷歌在一场反垄断听证会中被揭露其拒绝OpenAI接入其搜索API，以此限制OpenAI在人工智能搜索领域的能力。PYMNTS:” Antitrust Trial Reveals Google Rejected OpenAI Partnership”, Accessed June 8, https://www.pymnts.com/google/2025/antitrust-trial-reveals-google-rejected-openai-partnership.
[67] 当然，这种授权合作需求可能需要模型产业及数据交易市场发展到一定程度才会大规模铺开。
[68] 吕炳斌.个人信息处理的合法性对数据财产权的影响[J].国家检察官学院学报,2025,33(03):58-72.
[69] The U.S. Copyright Office. “Copyright and Artificial Intelligence, Part3: Generative AI Trianing(pre-pub ver)”, p30.
[70] 参见：李达.添附理论在知识产权问题上的适用及展开[J].西安电子科技大学学报(社会科学版),2025,35(01):86-95；刁舜.添附理论视角下的非法演绎作品保护研究[J].电子知识产权,2016,(08):24-34.