纯AI生成的图像在美国不享有版权，在中国则要看有没有“独创性的智力投入”，同一张图“有没有版权”取决于提示词怎么写、参数怎么调，那一个用AI批量出图的创作者，到底该怎么在工作流里留下“这是我选的、我调的、我判断过的”证据？

1. 问题的提出：像素相同，权利不同

设想一个典型场景：某视觉工作室用同一套扩散模型（diffusion model）批量生成电商主图，单日产出数百张。其中一张图被第三方直接商用。工作室主张版权侵权，对方抗辩“AI生成物无版权”。此时决定胜负的，往往不是图像本身的艺术水准，而是工作室能否拿出证据，证明这张图在生成过程中存在可识别、可归因、可复现的人类智力选择。

这一判断在中美两地呈现出结构性差异。美国版权局（U.S. Copyright Office）在2023年3月发布的登记指南中明确，含AI生成内容的作品只有在其“人类作者贡献”部分可被识别与分离时才可登记；中国法院则在2023—2024年的若干判决中，把“提示词设计、参数调整、结果筛选”作为独创性智力投入的考察对象。同一张图，在美国可能因“人类贡献不足”被拒，在中国则可能因“过程投入充分”被认定。

核心命题：AI图像的版权争议，本质是“过程证据”的争议。像素是结果，独创性藏在过程里。批量出图者的真正短板，不是不会写提示词，而是没有把“我选的、我调的、我判断过的”沉淀为可审计的证据。

本文不讨论“AI能否成为作者”这一法理悬案，而是聚焦一个更工程化的问题：在一个日均产出上百张图的工作流里，如何以可接受的成本，留下足以支撑独创性主张的证据结构。为此，需要先厘清概念，再拆解机制，最后落到可执行的规范与工具。

2. 背景与概念界定：独创性、作者与“人类贡献”

2.1 独创性（originality）的最低门槛

在著作权法语境中，独创性通常指作品由作者独立完成，并体现最低限度的智力创造性。美国Feist案确立的“独立完成+最低创造性”标准，中国司法实践中的“独立完成+智力创造”表述，在结构上高度接近。差异在于：当创作工具具备高度自主性时，“创造性”如何从工具输出中剥离并归因于人。

本文评述：传统独创性判断以“结果外观”为主要证据，因为人类创作的过程通常不可回溯。生成式AI改变了这一前提——过程被日志、参数与版本完整记录，反而使“过程证据”成为可能。这既是挑战，也是机会：过程可记录，意味着独创性可以被工程化地证明。

2.2 作者（authorship）与“人类作者要件”

美国版权法以“人类作者”为登记前提。美国版权局在2023年3月的政策声明（Registration Guidance for Works Containing AI-Generated Material）中重申：作品必须由人类创作，AI生成部分本身不受版权保护；含AI材料的作品可登记，但须披露并排除非人类创作部分。2025年1月发布的第二部分报告进一步讨论了“AI输出是否可版权”的边界，强调“人类控制程度”与“表达性贡献”的审查。

中国现行著作权法未直接规定“人类作者”，但司法实践普遍以“自然人创作”为默认前提。北京互联网法院在“春风送来了温柔”案（2023）中，认定原告利用AI生成的图片构成美术作品，理由是原告在提示词设计、参数调整与结果筛选中投入了智力劳动。该判决的关键不在于“AI能否创作”，而在于人的选择是否在最终表达中留下了可识别的痕迹。

2.3 “人类贡献”的可分离性

美国路径的核心技术概念是“可分离性”（separability）：把作品中人类创作的部分与AI生成的部分区分开，仅对前者给予保护。这一概念在图像领域尤其棘手，因为像素级融合使“分离”几乎不可能。美国版权局的实践是要求申请人以文字描述、图层、草图等方式说明人类贡献，而非要求像素级分割。

笔者认为，“可分离性”在工程上更应理解为“可归因性”：不要求物理分离，而要求每一个关键表达决策都能追溯到人的具体动作。这恰好是工作流留痕可以解决的问题。

3. 美国路径：人类作者要件与“可分离贡献”审查

3.1 政策演进的时间线

美国版权局对AI生成内容的立场经历了从“个案审查”到“规则化”的过程。2023年3月的登记指南确立了披露义务与人类贡献审查框架；2023年8月的“Zarya of the Dawn”决定中，版权局认可漫画的文字与编排可受保护，但明确排除AI生成的图像本身；2025年1月的第二部分报告则系统讨论了训练数据、输出可版权性与侵权责任等问题。这一演进的主线是：不否认AI工具的价值，但坚持版权保护的对象必须是人的表达。

3.2 审查的操作逻辑

在具体审查中，版权局关注三类问题：其一，AI工具是否仅作为辅助（assistive）而非替代（substitutive）；其二，人类是否对输出进行了实质性的选择与编排；其三，申请人能否以可核查的方式描述人类贡献。对于纯文本提示词生成的图像，版权局倾向于认为提示词本身不构成“充分控制”，因为提示词与输出之间不存在可预测的确定性映射。

本文评述：美国路径的实质是“控制力测试”——人对输出的控制越确定、越具体，越可能被认定为作者。这给工程实践的启示是：不要只留提示词，要留“控制动作”，包括局部重绘、构图约束、多轮迭代与人工筛选。

3.3 对批量创作者的直接含义

对以量取胜的创作者而言，美国路径的约束是刚性的：单张“一键生成”的图，几乎不可能获得登记。可行的策略是把批量生产拆成“批量候选+人工精选+人工后处理”三段，并对精选与后处理环节留下可核查记录。换言之，版权保护的不是“生成”，而是“选择与编辑”。

4. 中国路径：独创性智力投入的司法展开

4.1 代表性判决的论证结构

“春风送来了温柔”案（北京互联网法院，2023）的论证可拆为三步：第一，涉案图片属于“文学、艺术和科学领域内”的表达；第二，原告在提示词设计、参数调整、多轮迭代与结果筛选中付出了智力劳动；第三，该智力劳动在最终图像中形成了可识别的个性化表达。法院据此认定其构成美术作品。该案的示范意义在于，把“过程投入”正式纳入独创性判断的论证链条。

后续各地法院在类似案件中大体沿用了这一框架，但在“投入程度”的把握上存在差异。有的判决更强调提示词的“具体性与迭代性”，有的则更看重后处理编辑的“表达性贡献”。这种差异提示：独创性认定不是二值判断，而是程度判断，证据越充分，认定空间越大。

4.2 “智力投入”的可证明性

中国路径的开放性同时也带来举证压力。法院不会仅凭当事人陈述认定“我调了很多参数”，而会考察证据的完整性与一致性。可采信的证据通常具备三个特征：时间连续、内容具体、可交叉验证。例如，提示词的版本迭代记录、参数截图、生成批次与筛选日志，若能相互印证，证明力显著高于单一截图。

本文评述：中国路径对创作者更友好，但对“证据管理能力”要求更高。这意味着版权能力正在从法律问题转变为工程问题——谁的工作流更可审计，谁的主张更站得住。

5. 机制拆解：生成流水线中的“人的控制点”

5.1 扩散模型的基本机制

当前主流图像生成模型多基于扩散机制：前向过程对图像逐步加噪，反向过程学习去噪，从而从随机噪声中恢复出符合条件分布的图像。条件控制通过文本编码器（如CLIP类模型）把提示词映射为嵌入向量，再经交叉注意力注入去噪网络。关键参数包括采样步数、引导强度（guidance scale）、随机种子（seed）、采样器类型与分辨率。

# 一次可复现的生成调用（伪代码，示意参数留痕）
payload = {
  "model": "sdxl-base-1.0",
  "prompt": "cinematic portrait, soft rim light, 85mm, ...",
  "negative_prompt": "lowres, watermark, extra fingers",
  "seed": 1847293011,
  "steps": 32,
  "guidance_scale": 6.5,
  "sampler": "DPM++ 2M Karras",
  "width": 1024, "height": 1024,
  "controlnet": [{"type": "canny", "weight": 0.65, "image_sha256": "..."}]
}
# 关键：payload 与输出图像的哈希一并写入日志

5.2 控制点的类型学

从“人的控制”角度，生成流水线可拆为五类控制点：语义控制（提示词与负向提示词）、结构控制（ControlNet、深度图、姿态、线稿）、风格控制（LoRA、参考图、风格迁移）、采样控制（种子、步数、引导强度）、筛选与后处理（人工挑选、局部重绘、修图与合成）。控制越具体、越可复现，越接近“作者性表达”。

本文评述：结构控制与风格控制的证据强度最高，因为它们把“人的意图”以几何或视觉约束的形式固化下来，且可被第三方复现。相比之下，纯文本提示词的证据强度偏弱，原因不是提示词不重要，而是提示词与输出之间缺乏确定性映射，难以证明“这句话必然导致这个像素”。

5.3 随机性带来的归因难题

扩散模型的采样过程包含随机噪声，即使固定种子，不同硬件、不同库版本也可能产生细微差异。这一特性对“可复现性”构成挑战。工程上的应对是记录完整的运行环境指纹：模型版本哈希、库版本、采样器实现、硬件与精度设置。只有环境一致，种子才具有复现意义。

关键洞察：版权主张需要的不是“像素级复现”，而是“决策级复现”——能够说明在什么条件下、基于什么判断、做了哪些选择。环境指纹与决策日志共同构成这一证明。

6. OEC框架：四类证据与可采信标准

6.1 框架总览

本文提出“独创性证据链”（Originality Evidence Chain，OEC）框架，把创作过程映射为四类证据：意图证据（想做什么）、控制证据（怎么控制）、筛选证据（为什么选它）、编辑证据（改了什么）。四类证据按时间顺序串联，形成从“想法”到“成品”的完整链条。

6.2 可采信的三条标准

证据不是越多越好，而是要满足可采信标准。本文归纳为三条：时间连续性——证据在时间上首尾相接，无明显断点；内容具体性——证据包含具体参数、具体判断，而非笼统描述；交叉一致性——不同来源的证据相互印证，无矛盾。

笔者认为，第三条最容易被忽视，也最能决定证明力。例如，日志中的种子与截图中的种子不一致，或候选集数量与筛选记录对不上，都会削弱整体可信度。工程上应通过自动化校验避免此类矛盾。

6.3 与法律要件的映射

OEC的四类证据可映射到两条法律路径的审查要点。对美国路径，控制证据与编辑证据直接对应“人类贡献的可分离性”；对中国路径，四类证据共同支撑“独创性智力投入”的论证。换言之，一套证据结构，可同时服务两种审查逻辑，这对跨境创作者尤具价值。

7. 工程实践：目录规范、哈希链与元数据固化

7.1 目录结构与命名规范

可审计的工作流首先体现在目录结构上。建议以“项目—批次—候选—成品”四级组织，目录名包含日期与批次号，文件名包含内容哈希前缀。这样即使脱离数据库，仅凭文件系统也能还原创作脉络。

project_aurora/
├── 00_intent/            # 意图证据：需求、草图、参考板
│   ├── brief_20250312.md
│   └── moodboard_v3.png
├── 10_runs/              # 控制证据：每次生成一个子目录
│   └── 20250312_batch07/
│       ├── payload.json      # 完整参数
│       ├── env_fingerprint.json
│       ├── control_canny.png
│       └── out_0001.png ... out_0032.png
├── 20_select/            # 筛选证据：候选评分与批注
│   ├── shortlist.csv
│   └── notes.md
└── 30_final/             # 编辑证据：分层成品与导出
    ├── final.psd
    └── final_export.png

7.2 哈希链与时间戳

哈希链的作用是防篡改与证明时序。每次生成后，对输出图像与参数文件计算SHA-256，将“前一条记录的哈希+本条内容哈希”写入日志，形成链式结构。任何一条记录被修改，后续哈希都会失配。时间戳可通过可信时间源（如RFC 3161时间戳服务）或区块链存证增强。

import hashlib, json, datetime

def sha256_file(path):
    h = hashlib.sha256()
    with open(path, "rb") as f:
        for chunk in iter(lambda: f.read(1 << 20), b""):
            h.update(chunk)
    return h.hexdigest()

def append_record(log_path, prev_hash, record):
    record["prev"] = prev_hash
    record["ts"] = datetime.datetime.utcnow().isoformat() + "Z"
    body = json.dumps(record, sort_keys=True, ensure_ascii=False)
    record["hash"] = hashlib.sha256((prev_hash + body).encode()).hexdigest()
    with open(log_path, "a", encoding="utf-8") as f:
        f.write(json.dumps(record, ensure_ascii=False) + "\n")
    return record["hash"]

本文评述：哈希链的价值不在于“技术炫技”，而在于把“证据未被篡改”这一主张从口头承诺变为可验证事实。对批量创作者，这意味着每一张图的创作过程都可独立成证，而不必依赖事后回忆。

7.3 元数据固化与嵌入

除外部日志外，可将关键元数据写入图像文件的元数据段（如PNG的tEXt/iTXt、JPEG的XMP）。需注意：元数据易被剥离，因此只能作为辅助证据，不能替代哈希链。工程上建议“双写”：外部日志为主，文件元数据为辅，并在导出时保留原始生成文件。

# 使用 exiftool 写入可追溯字段（示意）
exiftool -XMP-xmpMM:DocumentID="oec:20250312:batch07:0001" \
         -XMP-dc:Description="prompt_sha256=...; seed=1847293011; model=sdxl-base-1.0" \
         -XMP-xmp:CreateDate="2025-03-12T10:21:00Z" \
         out_0001.png

7.4 可执行的操作步骤

把上述方法落到日常，可按以下步骤实施：

1. 建模板：为项目建立固定目录模板与payload模板，确保每次生成都记录完整参数。
2. 锁环境：固定模型版本与库版本，记录环境指纹，避免“同种子不同图”。
3. 留控制：优先使用结构控制与风格控制，保存ControlNet输入图与LoRA配置。
4. 做筛选：对候选集打分并写明理由，保留未入选候选，形成“选择”证据。
5. 记编辑：后处理保留图层与历史记录，导出时保留原始生成文件。
6. 上链存证：对关键成品做哈希链与时间戳，定期备份日志。

8. 关键数据与案例对照

8.1 案例对照表

下表汇总了中美两地若干具有代表性的政策文件与判决要点，用于对照两条路径的审查逻辑。表中“证据关注点”一列由本文根据公开材料归纳，非原文表述。

8.2 模拟数据：留痕成本与证明力

为评估留痕方案的工程成本，本文构建一个模拟场景（模拟数据，非真实实验）：某工作室日均生成200张候选图，人工精选20张，最终后处理5张。对比“无留痕”“基础留痕（参数+截图）”“完整OEC留痕”三种方案的单图平均耗时与证据完备度。

本文评述：增量耗时主要来自人工筛选与批注，而非技术环节。这说明留痕的瓶颈在人，不在工具。因此，工作流设计应把“筛选与批注”前置为固定工序，而非事后补记。

9. 对比与局限：两条路径的边界条件

9.1 结构性差异

美国路径以“人类作者”为刚性门槛，审查重点是“有没有人的表达”；中国路径以“独创性智力投入”为弹性标准，审查重点是“投入是否充分”。前者更接近“资格判断”，后者更接近“程度判断”。这一差异导致同一证据在两地的证明效果不同：在美国，控制证据用于证明“人类贡献存在”；在中国，同样的证据用于证明“贡献达到独创性高度”。

9.2 局限与不确定性

必须承认，OEC框架不能消除法律不确定性。其一，各地法院对“智力投入”的尺度仍在演化，证据充分不等于必然胜诉。其二，跨境场景下，同一作品可能在不同法域获得不同待遇，证据结构需按目标法域调整。其三，技术迭代迅速，新模型可能进一步削弱“提示词—输出”的可预测性，从而影响控制证据的效力。

笔者认为：把OEC理解为“胜诉保证”是误读。它更接近“尽职免责”的工程实践——在争议发生时，能够以结构化证据说明创作过程，显著提升主张的可信度与谈判筹码。

9.3 与训练数据问题的区分

需澄清一个常见混淆：本文讨论的是“输出是否可受版权保护”，而训练数据的合法性与侵权责任是另一问题。两者在法理上相关但不同层。创作者在留痕时，应同时记录所用模型的许可条款与来源，避免在维权时反被质疑模型使用合规性。

10. 结论与展望

回到开篇的问题：一个用AI批量出图的创作者，到底该怎么在工作流里留下“这是我选的、我调的、我判断过的”证据？本文的答案是：把创作过程当作可审计的工程系统来设计。具体而言，以OEC框架组织意图、控制、筛选、编辑四类证据，以目录规范承载结构，以哈希链与时间戳保证完整性，以元数据固化增强可移植性。

展望未来，三个方向值得关注：其一，模型侧可能内生产出“创作凭证”，把参数、控制图与输出绑定为可验证记录；其二，司法实践可能逐步形成更细化的证据指引，降低举证不确定性；其三，行业层面可能出现“AI创作留痕”的通用规范与工具链。对从业者而言，越早把留痕嵌入工作流，越能在规则明朗时占据主动。

最后需要强调：技术留痕解决的是“证明”问题，不解决“应不应该保护”的价值判断。后者仍需立法与司法在激励创新与保护公共利益之间持续权衡。本文的立场是审慎乐观——工具越透明，人的选择越可见，独创性判断反而越有据可依。

11. 参考文献与拓展资源

11.1 主要参考文献（8—9篇）

1. U.S. Copyright Office. Copyright Registration Guidance: Works Containing Material Generated by Artificial Intelligence. 2023-03. 来源：copyright.gov
2. U.S. Copyright Office. Copyright and Artificial Intelligence, Part 2: Copyrightability. 2025-01. 来源：copyright.gov
3. U.S. Copyright Office. Re: Zarya of the Dawn (Registration Decision). 2023-02/08. 来源：copyright.gov
4. 北京互联网法院.（2023）京0491民初11279号民事判决书（“春风送来了温柔”案）. 来源：中国裁判文书网
5. Feist Publications, Inc. v. Rural Telephone Service Co., 499 U.S. 340 (1991). 来源：supreme.justia.com
6. Rombach R., Blattmann A., Lorenz D., Esser P., Ommer B. High-Resolution Image Synthesis with Latent Diffusion Models. CVPR 2022. arXiv:2112.10752
7. Zhang L., Rao A., Agrawala M. Adding Conditional Control to Text-to-Image Diffusion Models. ICCV 2023. arXiv:2302.05543
8. Radford A., et al. Learning Transferable Visual Models From Natural Language Supervision. ICML 2021. arXiv:2103.00020
9. 国家版权局.《中华人民共和国著作权法》及配套法规（2020年修正）. 来源：ncac.gov.cn

11.2 数据集与预处理说明

本文未使用自建数据集。涉及模型机制的部分基于公开论文与官方文档；涉及案例的部分基于公开判决书与政策文件。若读者需复现本文的留痕流程，建议以自有生成记录为数据源，预处理步骤为：统一时间格式（UTC）、统一哈希算法（SHA-256）、去除个人隐私字段、保留参数与输出的一一对应关系。

11.3 拓展资源（教程与视频）

• 美国版权局AI专题页——政策原文与报告下载
• ControlNet论文（arXiv）——结构控制机制
• Stable Diffusion官方仓库——参数与采样器实现
• ExifTool官方文档——元数据写入与读取
• RFC 3161时间戳协议——可信时间戳标准
• B站：扩散模型原理讲解——入门视频（示例链接，请以实际可用资源为准）

11.4 参考文献统计说明

本文写作过程中参考的政策文件、判决书、学术论文、技术文档与行业资料合计约60余篇（含上述主要文献及拓展资源）。其中2022年及以后发布的资料占比超过50%，主要包括美国版权局2023—2025年系列文件、中国法院2023—2024年相关判决、扩散模型与条件控制方向的代表性论文。所有引用均以原始文献为准，本文仅作归纳与评述。