生成式人工智能数据训练行为性质梳理

随着生成式人工智能（Generative Artificial Intelligence，下称“AI”）的快速发展，版权人逐渐意识到AI数据训练亦可能侵犯其应有权益，因此近些年在全球范围内出现多家企业起诉或准备起诉AI公司未经许可使用作品训练AI的行为的现象。2023年3月，多名艺术家指控Stability AI未经许可抓取受著作权保护图像训练大模型并生成衍生内容的行为构成侵权。2024年6月，小红书“Trik AI”绘画大模型被诉侵权使用训练语料案在北京互联网法院开庭审理。2024年8月，多位作者在加州联邦法院对AI公司Anthropic提起集体诉讼，指控其未经许可使用数十万本受版权保护的书籍训练其AI聊天机器人Claude，涉嫌侵犯版权。2024年11月，德国音著协GEMA在德国慕尼黑地区法院提起诉讼，指控OpenAI在未获得许可或未向相关作者支付报酬的情况下复制了德国作者受保护的歌词，用以训练其系统。而AI数据训练这一行为的性质如何认定目前尚无定论，该行为是否构成著作权侵权，是否能通过合理使用等规则予以豁免等问题在引起广泛探讨，本文尝试基于当下技术对前述问题进行一定梳理。
一、数据训练的定义
人工智能的核心要素通常包括数据、算力和算法，其中数据被誉为人工智能系统的“燃料”，是支撑算法训练和优化的关键。数据训练是指利用标注数据对机器学习模型进行训练和优化的过程，旨在通过调整模型参数，使其能够准确提取输入内容的特征，从而产生预期的输出。从技术角度来看，数据训练可以分为两个阶段：数据准备和模型训练。
数据准备阶段主要包括数据的收集、清洗、标注及特征工程等工作，为高效、准确的模型训练提供基础。在这一阶段，需要确保所收集的数据质量，以避免模型在训练过程中受到噪声或错误数据的影响。例如，在图像识别任务中，数据准备可能涉及从互联网抓取大量图片，并对其进行分类和标注，以便模型学习不同类别的特征。
模型训练阶段则专注于利用准备好的数据，通过算法优化迭代调整模型参数，从而不断提高模型的性能与准确性。在这一过程中，模型通过多次迭代学习数据中的模式和规律，以便在面对新数据时能够做出准确的预测或生成相应的内容。例如，GPT系列通过对大量文本数据的训练，最终能够在用户输入指令后生成与人类语言相似的自然语言文本。
二、数据训练的行为分析
1.数据准备行为分析
数据准备阶段的行为包括数据爬取、收集、清洗、标注和处理。其中，数据爬取和收集涉及对目标数据的下载与存储，形式上符合著作权法对复制行为的定义，可能落入复制权的控制范围。例如，2024年8月，荷兰版权执法组织BREIN下架了一个用于AI模型训练的大型语言数据集，该数据集包含数万本书籍、新闻网站、电影和电视剧的未经授权信息。该行为性质在学术界与实务界均无异议，故不再赘述。
2.模型训练行为分析
首先，模型训练行为本质上并不涉及对训练数据的直接复制。其核心在于通过优化模型参数，使其具备对输入数据的特征提取能力，从而生成具有一定逻辑的输出。所谓“特征”，是指输入数据经过模型处理后所提取的抽象信息，即模型通过多层非线性变换计算得出的结果。这种特征提取过程并非简单模仿某一特定作品生成，也无法通过逆向操作还原为输入数据。即输入数据与所提取的特征之间并非一一对应，且通过转译所得的特征并不总是能够完全呈现输入数据的具体内容。
其次，模型训练行为也不涉及对训练数据的存储。训练完成后的AI模型本质上是参数的集合，并不包含任何形式的训练数据。模型之所以能够生成符合特定思维模式的内容，是因为其参数已经通过训练具备了对特征的提取和处理能力。训练完成后的模型在实际运行时的输出也不依赖于训练数据。因此，从技术角度看，模型训练行为在本质上是一种生产过程，而非传统意义上的内容复制或存储。
鉴于模型训练行为具备上述特征，难以直接认定该行为受著作权法中复制权的控制。
三、数据训练的法律性质观点
1．侵犯著作权
有观点认为，作者对作品享有的排他性权利是著作权法的核心，主张通过《著作权法》第十条第（十七）项“其他权利”条款保护尚未明确列出的权利。这一观点充分考虑了权利人的权益，但在人工智能技术快速发展的背景下，也可能对AI依赖的大规模、高质量数据获取带来实际困难。
首先，依赖公共领域获取作品不仅范围有限，还存在时效性差的问题，难以满足AI技术对快速更新数据的需求，直接影响模型训练和应用。其次，海量作品的权利人通常分散且难以联系，逐一获取授权成本极高，不利于技术普及和产业公平竞争。最后，将未明确列出的权利纳入“其他权利”保护虽在理论上增强了权利人的权益保障，但也带来了法律适用的不确定性。一方面，模糊的权利边界可能阻碍技术开发者对数据的合理使用；另一方面，过度强化排他性权利可能抑制技术创新与社会进步。故而，此观点的声量日渐微弱。
2．著作权侵犯行为豁免
如前所述，数据训练行为中，数据准备阶段可能涉及侵犯他人的复制权，而模型训练阶段尚难以明确定性。从人工智能产业的长远发展来看，关键在于确保AI研发能够以较低成本、合法合规地使用海量文本或数据资源。为此，国际上多个司法实践和法律条文针对数据训练或数据准备行为设定了特定的限制与例外，旨在减轻或免除AI研发平台在著作权领域可能面临的高侵权责任，从而促进技术创新与产业发展。
（1）TDM例外
欧盟于2019年通过的《数字单一市场版权指令》对文本与数据挖掘（Text and Data Mining, TDM）作出了明确规定，[1] 在著作权和数据库特殊权利（sui generis database right）[2]保护上设定了例外规定。在第三条和第四条规定了TDM的限制和例外，即在科学研究、文本与数据挖掘等特定情境下，数据准备行为可以被认定为符合著作权法的限制与例外规定，从而免于侵权认定；尤为重要的是，第四条第三款进一步强调了若权利人未以适当方式明确保留禁止挖掘的权利，则复制和提取行为可被视为合法。[3] 欧盟关于TDM的限制和例外规定为数据准备行为提供了侵犯著作权后的责任豁免路径，并保障了权利人的自主决定是否将作品用于数据训练的权利。
2024年9月，德国汉堡法院作出“Kneschke诉LAION”案一审判决，该案争议的焦点是为创建AI训练数据集而复制图像的行为是否构成著作权侵权，即聚焦于数据准备阶段。法院最终判决驳回了Kneschke的主张，认定LAION的（数据准备）行为符合《德国著作权法》第60d条“以科学研究为目的的文本和数据挖掘”例外规定。[4]
2024年9月，德国音著协GEMA成为全球首个推出AI许可模式的收藏协会，依据其与成员的约定，GEMA具有声明其成员及作品不接受人工智能数据预训练前期的文本和数据挖掘的权利。依据前述规定，人工智能研发公司不得使用已声明保留权利（选择退出）的受保护作品进行人工智能培训，因此GEMA可以以声明的方式明确拒绝AI研发平台对其作品挖掘、使用。该模式设计不仅确保音乐创作者在其作品被用于训练人工智能系统、生成新的人工智能歌曲或作为人工智能生成的音乐内容的一部分时，能获得合理的版税份额，同时又保障了AI在开发阶段能够以合理的成本获取必要的数据资源。
（2）非享受性使用
日本在2018年的《著作权法》修法中引入了柔性合理使用条款[5]，其中第30条之4中规定当对作品的使用并非为了享受其所表达的思想或情感时，在必要范围内，可以不经授权使用作品。[6] 数据准备行为的目的并非享受作品的思想或情感，而是提取数据特征以训练模型。因此，这类行为可被视为非享受性使用，符合第30条之4的规定，即在日本法律中，数据准备行为亦存在有效的侵犯豁免路径。
与欧盟规定不同的是，该规定豁免的行为类型并不限于“作品存储行为”，而是“必要范围内任何利用作品的方式”。由此，可以避免AI模型训练阶段对于各类具体行为属性认定带来的纷争，例如“作品处理行为是否受到《著作权法》权利范畴的规制”。一定程度上可以说，日本“不以享受作品原有价值为目的利用”责任豁免模式，给予了模型训练研发方更明确的行为预期。
（3）合理使用的引入
从各国版权立法实践来看，通过“权利限制与例外制度”为AI研发平台在模型训练阶段提供一定的责任豁免，正逐渐成为一种趋势。在我国，也有学者提出，应通过合理使用规则为数据训练行为引入特定的豁免机制。这一观点承认数据训练行为可能落入复制权的控制范围，但主张通过合理使用将其设定为不构成侵权的例外情形，从而排除其受到版权保护。支持这一观点的人认为，合理使用是优化作品数据资源配置的有效路径，同时也是平衡著作权人权益与人工智能开发者需求的理性选择。这种制度设计不仅有助于降低AI研发的法律风险，还能为技术创新和产业发展提供更大的灵活性和支持。
在合理使用规则的具体设计上，有学者提出，可在现有合理使用条款中专门引入“生成式人工智能数据训练”作为合理使用的例外情形。具体方式系在《著作权法实施条例》中引入合理使用专门例外条款，将其设计为：“为生成式人工智能训练数据，复制、存储、改编他人已发表的作品以及将数据训练成果向公众提供。”并适当放宽该条款适用条件，通过“三步检验法”的后两步进行限制，以此增加适用的弹性。[7] 这种制度设计既能发挥《著作权法》“事后界权”的优势，对非典型作品使用行为予以足够的关注，又能有效降低社会成本，维持《著作权法》的激励功能，且在司法实践中为法官留有一定裁量空间，能更好地应对个案的实践需求。
另有观点主张，可以直接设立“数据合理使用”制度，以《人工智能法（学者建议稿）》为代表，第24条明确提出：“【数据合理使用】人工智能开发者使用他人享有著作权的数据进行模型训练时，如果该使用行为与数据原本的使用目的或功能不同，并且不影响该数据的正常使用，也没有不合理地损害数据权利人的合法权益，则该使用行为属于数据合理使用。对于符合上述合理使用情形的数据使用行为，人工智能开发者可以不经数据权利人许可，不向其支付报酬，但是应当以显著的方式标注数据来源。”这种制度设计试图在权利人利益与技术创新之间找到平衡。一方面，确保人工智能开发者能够以合理成本获取必要的数据资源；另一方面，通过要求标注数据来源和限制使用条件，保护权利人的基本权益，避免其合法利益受到不合理损害。这种“双向保护”的立法思路，为AI发展提供了较为灵活的法律框架，同时回应了数据权利人和AI技术发展的核心诉求。
3．非作品性使用
由于数据训练中对作品的使用具有“非特定性”，即不针对具体或特定的单一作品，而是作为生产过程中的中间环节进行使用，有学者认为，这类行为难以通过传统著作权法中的“复制”或“改编”等权利概念进行明确界定，建立“先进后出”规则需引入新界定标准，而又难以在短期内形成相对客观、统一的标准。因此，有观点主张，可以将此类行为直接界定为“非作品性使用”，并将其排除在著作权权利范围之外。“直接排除”方案的优势在于：通过重新审视和解释“复制”概念，结合特定时代和产业发展的需要，能够使规则的适用更加一致和明确，减少因合理使用条款在具体场景中产生的争议。相比于逐案分析是否构成合理使用，“直接排除”模式提供了一种更简化的法律适用路径。
在具体实施方面，有学者建议，可以通过修订著作权法或其实施条例明确规定：人工智能开发过程中，将作品作为训练数据进行使用，仅限于模型训练阶段且不针对单一特定作品独立使用的，应视为“非作品性使用”，不受著作权法的保护。亦可通过在人工智能行业相关立法中给出相应的规则或者原则，确立明确的发展导向。[8] 该方案不仅有助于减少AI研发中的法律不确定性，也为行业的长远发展提供了制度保障。然而，将计算机的“临时复制”排除出复制权的控制范围，可能导致大量信息成果无法适用版权的分析框架，或许会过分限缩《著作权法》控制的行为范围，因此“非作品性使用”规则的建立需要兼顾数据权利人和技术开发者的利益平衡，并结合社会公众对知识共享和创新发展的整体需求，以实现法律与技术发展的协调统一。
4．竞争法或数据权益行为
如前所述，数据训练中的模型训练行为从技术上难以认定为受著作权法复制权控制的行为。如果模型训练未触及著作权法禁止的行为，则不涉及著作权法上的侵权问题，也无需引入侵权例外或补充制度。因此有观点主张，数据训练行为并非著作权层面的行为，不应受著作权规制。机器学习过程中，数据的作用是提取规律和特征，而非直接使用作品的表达形式，更类似于资源的合理利用，而非对作品的改编或传播。同时，数据作为生产要素具有独立经济价值，开发者在使用数据提升模型能力时，应向权利人支付合理费用或报酬，这一逻辑在《反不正当竞争法》框架下更容易获得支持。[9]
此外，数据的生产、使用和交易涉及复杂的权利和利益分配问题，仅依赖著作权法或反不正当竞争法可能不足以解决。故学者主张应通过专门的数据权益立法，明确数据权利属性和交易规则，为数据相关产业提供更清晰的法律依据，全面保护权利人权益，同时支持AI技术的合法发展。
四、小结
当前及未来一段时间内，数据训练行为的法律性质仍难以达成共识。为了应对AI数据训练侵权问题，各国都在尝试为AI数据训练行为设立特定的法律豁免条款或制定新的规则框架，以明确数据使用的合法性边界。尽管主流观点倾向于减轻或免除此类行为的传统法律责任，但随着人工智能技术的快速发展，过早实施“一刀切”式的监管措施可能会对技术创新和产业发展产生不利影响。
当前，全球范围内有许多涉及AI数据训练的侵权案件正在处理中，虽然司法判决的多样性会导致案件判决结果因法律基础和案例背景不同而各异，但当下也不应强求得出适用于所有案件的统一性规则，多维度探索可能性更有利于产业规则与制度的发展，更应期待各国可以通过广泛个案的认真处理，为制度构建提供重要参考。同时笔者也期待是否会出现重要案例在全球范围内塑造AI技术的法律规则，不仅能为AI技术提供法律保障，还能为数据使用、版权保护和技术创新之间的矛盾提供更加系统和长期的解决方案。
注释
[1] 欧盟《数字单一市场版权指令》第2（2）条将“本文和数据挖掘（text and data mining）”定义为：任何旨在分析数字化的文本和数据，以获得规律（patterns）、趋势（trends）和联系（correlations）等信息的自动化分析技术。
[2] 数据库特殊权利，是依据欧盟《数据库指令（Directive96/9/EC）》产生的，为了保护针对数据库的投资而创设的一类财产权，这一权利类似但又与版权有所不同，其并不要求数据库内的内容构成版权法上的作品。
[3] 《数字单一市场版权指令》
第3条 以科学研究为目的的文本和数据挖掘
1.成员国应当规定，科研机构和文化遗产机构为科学研究目的进行文本和数据挖掘，对其合法获取的作品或其他内容进行复制与提取的行为，属于96/9/EC指令第5条（a）项与第7条第1款，2001/29/EC指令第2条以及本指令第15条第1款所规定的权利的例外。
2.第一款所规定的作品或其他内容的副本应以适当的安全等级储存，可保留作科学研究之用，包括为验证研究结果之用。
3.权利人可以采取措施确保承载作品或其他受版权保护内容的网络和数据库的安全性和完整性，但该措施不应超过实现这一目标所必需的限度。
4.成员国应鼓励权利人、研究机构、文化遗产机构共同商定关于适用第2款所述义务和第3款所述措施的最佳做法。
第4条文本和数据挖掘的例外或限制
1.成员国应规定，以文本和数据挖掘为目的，对合法获取的作品或其他内容进行复制与提取的行为，属于96/9/EC指令第5条（a）项与第7条第1款，2001/29/EC指令第2条，2009/24/EC指令第4条第1款（a）和（b）项，以及本指令第15条第1款所规定的权利的例外。
2.以进行文本和数据挖掘为目的，根据第1款复制和提取的作品或其他内容可保留到必要时为止。
3.适用第1款规定的例外或限制的条件是，权利人没有以适当方式明确保留对上述作品或其他内容的使用，例如针对网上公开提供的内容采取机器可读的方式。
4.本条不影响本指令第三条的适用。
[4] 德国版权法的第60d条实施了欧盟《数字单一市场版权指令》的第3条和第4条。
[5] 柔性合理使用条款是相对于日本传统封闭列举式立法的“刚性”合理使用条款而言的。
[6] 日本《著作权法》
第30-4条在如下所列情形以及其他情形下，当对作品的利用并非为了自己或他人享受作品所表达的思想或情感时，在使用的必要范围内，可以以任何方式利用作品。但是，如果根据作品的种类及用途，作品利用方式会对著作权人利益产生不当损害的情形下，不适用本规定:
1.用于与作品的录音、录像或其他使用相关的技术开发或实用化试验情形;
2.用于信息分析的情形;
3.除上述两种情形以外，在电子计算机信息处理过程中对作品表达所进行的不被人类感知和识别的利用情形，但不包括电子计算机执行计算机程序作品的行为。
[7] 曹新明、范晔.生成式人工智能数据训练的合理使用规则研究[J].中国版权,2024(04):20-35.
[8] 刘晓春.生成式人工智能数据训练中的“非作品性使用”及其合法性证成[J].法学论坛,202439(03):67-78.
[9] 涌现AI法公众号：代理人新视角：AI数据训练与著作权无关？
https://mp.weixin.qq.com/s/vWG4mnk5kVpSIQ8wf1xfPg，最后访问时间：2024年12月9日.