开源协议专题（七）：如何在AI训练中降低开源合规风险

摘要：AI编程工具的兴起使开源代码被大规模用于模型训练，由此引发的GPL传染性争议已从理论探讨转向司法实践。本文以Doe v. GitHub案为切入点，分析AI训练数据中GPL代码合规的三层法律问题——训练数据层、模型权重层与模型输出层，并结合美国、欧盟、中国的监管态度，提出企业合规路径。
关键词：GPL许可证；AI训练数据；模型权重；文本与数据挖掘；开源合规
一、现象：训练数据中的“隐形”开源代码
2022年11月，程序员兼律师Matthew Butterick联合Joseph Saveri律师事务所，在加利福尼亚北区联邦地区法院对GitHub、微软及OpenAI提起集体诉讼（Doe v. GitHub, Inc., No. 4:22-cv-06823-JST）。原告主张，GitHub Copilot在训练过程中使用了GitHub平台上大量受开源协议约束的代码，却在生成输出时剥离了版权管理信息（Copyright Management Information, CMI），涉嫌违反《数字千年版权法》（DMCA）第1202条及多项开源协议。该案原告寻求90亿美元的法定损害赔偿，并于2024年12月就DMCA第1202条(b)款是否要求“同一性”（identicality）提起中间上诉（No. 24-7700），目前第九巡回法院正在审理中。更具现实意义的是，AI生成代码的合规风险已从“模型训练端”延伸至“企业使用端”。开发者通过AI编程助手生成代码并集成到专有软件中时，若该代码与训练数据中的GPL代码构成实质性相似，则整个软件可能面临GPL传染性的约束。这一风险目前缺乏明确的司法判例指引，但已引起企业法务部门的高度关注。
二、核心法律问题：GPL传染性是否穿透至AI模型？
传统开源合规分析框架围绕“静态链接—动态链接—独立进程”的技术光谱展开（参见本系列专题六《兰迪研究丨开源协议专题（六）——衍生作品（derivativework）的认定标准》）。然而，当客体从“传统软件模块”转变为“AI模型及其输出”时，这一框架面临根本性的适用困境。
（一）基础概念澄清
在展开法律分析之前，有必要先厘清四个基础概念。具体如下：
1.模型权重（Model Weights）
模型权重是神经网络内部的可学习参数，以浮点数矩阵的形式存储，代表不同层之间神经元连接的强度。在模型初始化时，权重通常被设为随机小值；经过训练后，权重被“冻结”并保存，成为模型的“记忆”或“知识”载体。以GPT-3为例，其包含约1750亿个参数；Meta的Llama系列模型的参数规模亦在数十亿至数千亿之间。需要强调的是，权重文件本身不具备可读性——无法直接从中提取出任何具体的代码片段或文本内容，其知识以分布式编码的方式存储于整个网络之中。
2.模型训练过程
模型训练通常包括以下步骤：首先，将原始文本（包括源代码）通过“分词”（Tokenization）切分为离散的token单元；其次，通过“嵌入”（Embedding）将每个token映射为高维向量；随后，这些向量在神经网络的各层之间传递，权重决定每个神经元对下一层的影响强度。训练过程中，模型通过“前向传播”（Forward Pass）生成预测结果，再通过“损失函数”（Loss Function）计算预测误差；随后利用“反向传播”（Backpropagation）算法，逐层调整权重以减小误差。这一循环重复数百万次后，权重逐渐稳定，模型便“学会”了训练数据中的统计规律。
3.架构、权重与推理代码
一个可运行的AI模型由三部分组成：（1）模型架构（Architecture），即神经网络的层级结构、连接方式及激活函数等设计，通常以代码形式实现；（2）模型权重（Weights），即训练完成后保存的参数文件；（3）推理代码（Inference Code），即加载权重、接收输入并生成输出的程序。其中，架构与推理代码属于可执行的计算机程序，受著作权法保护；而权重文件本身是否构成独立的“作品”，目前在法律上存在争议——因其缺乏人类可读的表达形式，且知识以分布式方式编码，难以对应到具体的独创性表达。
4.文本与数据挖掘（Text and Data Mining, TDM）
文本与数据挖掘是指对大量数字化文本和数据进行自动化分析，以发现模式、趋势及相关性的技术过程。欧盟《数字单一市场版权指令》（Directive (EU) 2019/790，以下简称“DSM指令”）第4条规定，对合法可访问的作品进行TDM属于版权例外，但权利人可通过机器可读的方式（如robots.txt）保留其权利（opt-out）。若权利人有效行使了退出权，则TDM例外不再适用，使用方需获得许可。这一机制是理解欧盟AI训练数据合规框架的关键。
（二）核心法律问题：AI模型训练涉及的开源合规风险
1.训练数据层：使用GPL代码训练是否触发传染性？
GPL v2第2条约束的是“基于本程序形成作品”（work based on the Program）。模型训练过程中，GPL代码被转化为token序列、嵌入向量，最终沉淀为权重矩阵中的浮点数值。从形式上看，权重文件并非代码的“翻译”或“改编”，而是一种全新的、不可读的数学表达。然而，若从功能主义视角审视，模型之所以能够生成与GPL代码功能相似的输出，恰恰源于其对训练数据的学习——这种“功能继承”关系是否足以构成GPL意义上的“衍生作品”，目前全球司法实践尚未给出明确答案。
2.模型权重层：权重文件是否受GPL约束？
这是GPL传染性分析的前提性问题。若权重文件本身不构成著作权法意义上的“作品”，则GPL协议对其无从适用。即便将模型整体（架构+权重+推理代码）视为软件系统，其中架构与推理代码部分若系独立开发，亦不必然受GPL约束。但一个更为棘手的问题是：若模型权重的生成过程被认定为对GPL代码的“改编”，则权重文件是否应被视为GPL代码的衍生作品？这一问题的答案，将直接决定开源模型（如Llama、DeepSeek）的权重发布是否需遵循GPL义务。
3.模型输出层：AI生成的代码片段是否"继承"GPL传染性？
这是企业最关切的问题。当开发者将AI生成的代码集成到专有软件中时，该代码是否受GPL约束？从现行法律框架分析，存在两种对立路径：
路径一：若AI输出与训练数据中的GPL代码构成“实质性相似”（substantial similarity），则该输出本质上是对原代码的“复制”或“改编”，应继承原代码的许可证义务。在罗盒诉风灵案中，法院认定已适用GPL v3协议的代码版本将永久保持开源，其核心逻辑正是基于“后续版本使用了先前开源版本中的源代码”这一事实。若AI输出与GPL训练数据存在代码级相似，类推适用该逻辑，输出代码应受GPL约束。
路径二：AI模型对训练数据的学习是“风格模仿”而非“代码复制”，输出代码是模型基于概率分布重新生成的表达，与任何单一训练样本均不构成实质性相似。Google LLC v. Oracle America, Inc.案的裁判逻辑可提供参照：法院认定，谷歌为互操作性目的重新实现Java API声明代码构成“合理使”（fair use），其核心在于“重新实现”具有转换性。同理，AI模型对GPL代码的“重新实现”——即使功能相似——也可能因表达形式的差异性而免于GPL约束。
上述两种路径的交锋，本质上反映了“代码的功能性”与“表达性”在AI场景下的重新博弈。在司法实践明确之前，企业应采取保守合规策略：假设AI输出可能触发GPL传染性，提前建立隔离与审查机制。
三、全球监管态度比较
（一）美国：合理使用抗辩与Copilot诉讼的启示
美国是目前AI代码生成诉讼最为活跃的司法管辖区。Doe v. GitHub案的最新进展表明，法院对AI训练数据的版权侵权指控持审慎态度。2024年6月至7月，加州北区法院先后驳回了原告的大部分DMCA主张及州法索赔，保留了包括开源许可证违约在内的部分指控继续审理。法院的核心顾虑在于：原告未能提供充分证据，证明Copilot的输出与特定GPL代码之间存在"同一性"（identicality）或实质性相似。
然而，2025年2月11日，特拉华州联邦地区法院在Thomson Reuters Enterprise Centre GmbH v. Ross Intelligence Inc.案中，在审理时认定Ross的合理使用抗辩不能成立。该案中，Ross Intelligence使用Thomson Reuters的Westlaw法律摘要（headnotes）训练其法律研究AI工具，法院认定该行为不构成合理使用（fair use），并指出Ross“旨在通过开发市场替代品与Westlaw竞争”。值得注意的是，该案属于非生成式AI场景，且法院特别强调被告与原告之间存在直接商业竞争关系，因此其对生成式AI训练的类推适用性有限。
此外，美国版权局已明确表态：纯AI生成内容不受版权保护；但若开发者对AI输出进行了实质性修改，则可对修改部分主张版权。这一规则对开源合规具有双重影响：一方面，企业可通过“人工重构”切断AI输出与训练数据的法律关联；另一方面，若重构不足，则AI输出的“非版权性”可能使其更易被认定为训练数据的直接复制，从而触发GPL传染性。
（二）欧盟：AI法案与版权指令的交叉适用
欧盟《人工智能法案》（Regulation (EU) 2024/1689）于2025年8月2日起对通用人工智能模型（GPAI）提供者产生约束力。该法案第53条第1款(c)项明确要求GPAI提供者制定符合欧盟版权法及相关权利法的政策，特别是通过最先进的技术识别并遵守DSM指令第4条第3款所规定的、以适当方式表达的权利保留。这意味着，GPAI提供者必须建立机制，识别训练数据中权利人通过机器可读方式（如robots.txt）表达的TDM退出声明，并排除相应内容。
DSM指令第4条规定的TDM例外，是欧盟法下AI训练数据使用的主要法律依据。该例外允许对合法可访问的作品进行商业目的的文本与数据挖掘，但前提是权利人未以机器可读方式保留权利。对于开源代码而言，这一机制产生了特殊的法律效果：GPL协议本身并未明确禁止将代码作为训练数据使用，但GPL协议的权利人是否可以通过robots.txt等方式行使TDM退出权，从而阻止AI模型对其代码进行训练，目前尚无明确判例。若权利人成功行使退出权，则AI提供者的训练行为将失去TDM例外的庇护，需另行获得许可。
此外，欧盟《数字市场法》（DMA）对科技巨头的生态封锁行为保持高度关注。微软对Cursor的技术封锁事件（参见本系列热点评论篇）在欧盟引发讨论，监管机构认为此类行为"与开源精神背道而驰"。这一态度可能延伸至AI训练数据领域：若科技巨头利用开源代码训练模型，再通过闭源产品排除竞争对手，可能触发DMA的滥用规制。
（三）中国：《生成式AI服务管理暂行办法》的合规框架
中国《生成式人工智能服务管理暂行办法》（以下简称《暂行办法》）第7条第（二）项规定，生成式AI服务提供者"涉及知识产权的，不得侵害他人依法享有的知识产权"。这一条款为训练数据中的开源代码合规提供了直接的监管依据。
结合本系列专题二对GPL协议法律性质的分析，GPL v3在中国司法实践中已被认定为“附解除条件的非典型著作权许可使用合”（罗盒诉玩友案）。若AI服务提供者在训练过程中使用了GPL代码，却未在模型输出中保留版权声明与许可证信息，可能构成对GPL协议的违反，进而导致授权自动终止。在此情况下，提供者继续使用、分发该模型或其输出，将因丧失权利基础而构成著作权侵权。
在输出端侵权责任方面，广州互联网法院审理的“奥特曼案”（2024年2月8日判决）具有重要参考价值。该案中，法院认定生成式AI服务提供者因欠缺投诉举报机制、潜在风险提示和显著标识，未尽到合理注意义务，应承担侵权赔偿责任。该案虽涉及奥特曼形象而非开源代码，但其确立的“平台注意义务”框架可直接类推适用于AI生成代码的开源合规场景：若AI服务提供者未建立有效的开源许可证识别与过滤机制，导致用户生成侵权代码，提供者可能因未尽注意义务而承担帮助侵权责任。
此外，中国法院在GPL传染性认定上已确立“功能耦合”标准（罗盒诉玩友案）。若AI生成代码与企业的专有软件在功能上形成“高度耦合”且“不可分割”关系，即使该代码仅占整体软件的极小比例，仍可能导致整个软件被认定为GPL代码的衍生作品。这一标准对企业使用AI生成代码的合规审查提出了极高要求。
四、多维度合规治理，有效降低开源合规风险
面对AI训练数据开源合规的不确定性，企业应建立"预防—检测—响应"的多维度、全流程治理体系。
（一）训练数据端：建立AI训练数据SBOM
将软件物料清单（SBOM）的概念延伸至AI训练数据领域，要求AI工具提供商披露训练数据集中开源代码的许可证构成。具体包括：（1）训练数据中MIT、Apache-2.0、GPL、LGPL、AGPL等协议的比例；（2）高传染风险代码的过滤或标记机制；（3）数据来源的合法性证明。在采购AI编程工具时，企业应在合同中明确要求提供商承担训练数据合规保证义务，并设置赔偿条款。
（二）输出端：集成代码溯源扫描
在CI/CD流程中嵌入自动化扫描工具（如ScanCode Toolkit、FOSSology），对AI生成的代码片段进行许可证指纹识别。具体动作包括：（1）要求研发团队对AI生成的代码进行明确标注，便于后续审查追溯；（2）对AI输出与已知GPL代码库进行比对，识别高相似度片段；（3）对检测出的高风险代码片段，优先替换为MIT/Apache-2.0许可的等效实现，或通过人工重构切断法律关联。
（三）架构端：强化模块边界隔离
参照本系列专题六提出的“十种模块沟通方”与“五大审查维度”，将AI生成代码视为“高风险输入源”，在架构设计时采取隔离措施：（1）容器化隔离：将AI生成代码的运行环境部署在独立Docker容器中，通过操作系统级隔离降低GPL传染风险；（2）网络/RPC通信：若AI生成代码需与专有软件交互，优先采用HTTP/gRPC等标准化接口，避免代码级集成；（3）功能解耦：确保AI生成代码仅承担辅助功能，而非产品核心功能，降低"功能耦合"认定风险。
（四）合同端：明确知识产权归属与免责
在AI服务协议及企业内部开发规范中，明确以下条款：（1）生成代码归属：约定AI生成代码的知识产权归企业所有，但企业需对代码的许可证合规性负责；（2）合规保证：要求AI工具提供商承诺其训练数据不侵犯第三方开源协议，并定期提供合规审计报告；（3）在对外提供的产品许可协议中，明确知识产权风险提示条款。
五、结论与展望
AI训练数据中的开源合规问题，是技术演进速度远超法律适应能力的典型领域。目前全球尚无明确判例回答“GPL传染性是否穿透至AI模型”这一核心问题，但风险正在从“理论争议”快速转向“实际诉讼”。
对中国企业而言，在《生成式人工智能服务管理暂行办法》的框架下，训练数据合法性已从倡导性要求变为强制性义务。结合中国法院对GPL协议“功能耦合”的实质审查标准，企业若将AI生成代码直接集成到核心产品中，且未建立有效的溯源与隔离机制，一旦该代码与GPL训练数据构成实质性相似，将面临整体开源的严峻后果。
因此，在法律不确定性持续存在的阶段，企业应采取保守合规策略：假设AI输出可能触发GPL传染性，提前在训练数据审查、输出检测、架构隔离、合同设计四个维度建立防御体系。同时，密切关注Doe v. GitHub案的后续进展、欧盟AI法案的执行实践，以及中国首批AI训练数据侵权案件的裁判规则，及时调整合规策略。
参考资料
[1]Doe v. GitHub, Inc., No. 4:22-cv-06823-JST (N.D. Cal.).
[2]Doe v. GitHub, Inc., No. 24-7700 (9th Cir. interlocutory appeal filed Dec. 23, 2024).
[3]Thomson Reuters Enterprise Centre GmbH v. Ross Intelligence Inc., No. 1:20-cv-613-SB, 2025 WL 458520 (D. Del. Feb. 11, 2025).
[4]Google LLC v. Oracle America, Inc., 593 U.S. ___ (2021).
[5]Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (AI Act).
[6]Directive (EU) 2019/790 of the European Parliament and of the Council of 17 April 2019 on copyright and related rights in the Digital Single Market (DSM Directive).
[7] 《生成式人工智能服务管理暂行办法》（国家互联网信息办公室等七部门，2023年7月13日公布，2023年8月15日施行）。
[8]广州互联网法院奥特曼案（全球首例AIGC平台侵权案，2024年2月判决）。
[9]广州知识产权法院（2019）粤73知民初207号民事判决书（罗盒诉玩友案）。
[10]Kocetkov, D., et al. "The Stack: 3 TB of permissively licensed source code." arXiv:2211.15533 (2022).
[11]Lucchi, N. "Generative AI and Copyright: Training, Creation, Regulation." PE 774.095, European Parliament Committee on Legal Affairs (JURI), July 2025.
[12]BigCode Project. "The Stack v1.1 Dataset Card." Hugging Face, 2022. https://huggingface.co/datasets/bigcode/the-stack