训练AI的数据本身是否合法就是一个未决问题，生成内容的权属又叠在上面，当“模型是用别人作品训的”和“我生成的图归不归我”这两件事同时悬着，企业把AI生图接进商业管线时，法务到底该按“先用再说”还是“等判例明朗”来定策略？

一、问题的真实结构：两条链路而非一个难题

在多数企业内部讨论中，“AI生图的法律风险”被当作一个整体问题来处理，法务被要求给出一个“能不能用”的二元答案。这种提问方式本身是错误的。训练数据合法性与生成内容权属在法律关系上相互独立：前者是模型提供方与权利人之间的侵权之债问题，后者是使用者与企业之间的财产权归属问题。二者只在特定情形下发生耦合，例如当企业同时是模型训练者与内容使用者时，两条链路的责任才会叠加。

先给出本文使用的两个核心定义。所谓训练数据合法性，指模型在训练阶段对受版权保护作品、个人数据、数据库内容的使用行为，是否满足所在法域的著作权例外（如合理使用、文本与数据挖掘例外）、个人信息保护与数据库权利等规范要求。所谓生成内容权属确定性，指模型输出物能否被认定为受著作权保护的“作品”，以及该作品的著作权归属于使用者、模型提供方还是进入公有领域。

本文评述：把两个问题合并处理，会导致两种典型误判。其一是“等判例派”，认为权属未定则一切不可用，忽略了训练端风险可通过采购合规模型、数据来源审查等方式隔离；其二是“先用再说派”，认为只要输出端没人主张就安全，忽略了训练端侵权一旦被认定，模型提供方可能被要求下架，进而使依赖该模型的企业管线瞬间中断。两条链路的风险传导方向不同：训练端风险由外部权利人向模型方传导，输出端风险由企业内部向客户与平台传导。

从技术链条看，这一区分有明确的对应关系。扩散模型的训练过程是对海量图文对进行去噪目标优化，模型参数中压缩了训练样本的统计特征；推理过程则是从噪声出发，在文本条件引导下逐步去噪生成图像。法律上，训练行为对应“复制与改编”，推理输出对应“是否形成新作品”。二者在证据层面也完全不同：训练端争议的证据是数据集构成与抓取方式，输出端争议的证据是提示词、迭代过程与人工修改记录。

因此，企业真正需要的不是“用或等”的单一答案，而是一套能够把具体业务场景映射到风险坐标上的定位工具。这正是本文提出双轴风险矩阵的动机：把两条链路的未决状态分别量化为可评估的维度，再针对矩阵中的不同象限给出差异化策略。矩阵的构建方法将在第四章展开，在此之前需要先厘清两条链路各自的法律与技术事实。

二、训练数据合法性：立法、判例与技术事实的交汇

2.1 美国：合理使用四要素在生成式训练中的适用争议

美国版权法第107条确立的合理使用四要素——使用目的与性质、作品性质、使用部分的数量与实质性、对潜在市场的影响——是当前训练数据争议的主要分析框架。2023年至2025年间，多起针对图像生成模型提供方的集体诉讼进入实质审理阶段，争议焦点集中在“转换性使用”与“市场替代效应”两个要素上。原告方主张模型能够生成与训练样本风格高度接近的输出，构成市场替代；被告方则主张训练属于对作品的分析性使用，输出并非对原作的复制。

需要指出的是，美国法院在2024年至2025年的若干裁定中，对“训练阶段”与“输出阶段”作了区分处理：训练行为本身是否构成合理使用，与模型输出是否侵权，被作为两个独立问题审查。这一司法态度与本文的双链路分析主线高度吻合。笔者认为，这一区分具有重要的策略含义——即便训练端最终被认定为合理使用，输出端仍可能因具体生成结果与特定作品实质性相似而承担侵权责任；反之亦然。

在证据层面，美国诉讼中的关键争点之一是原告能否获取模型训练数据集与模型权重的披露。多起案件中法院对过于宽泛的证据开示请求持审慎态度，理由包括商业秘密保护与请求范围与诉请的关联性不足。这意味着，训练端侵权在诉讼中面临较高的举证门槛，权利人要证明特定作品被纳入训练集并产生实质性影响，技术难度不小。

2.2 欧盟：TDM例外与AI法案的双层结构

欧盟的规范结构更为清晰。2019年《数字化单一市场版权指令》第4条引入了文本与数据挖掘（TDM）例外，允许为科研与商业目的对作品进行复制与提取，但权利人可以通过“机器可读方式”保留权利（opt-out）。2024年生效的《人工智能法案》则从产品安全与透明度角度提出通用目的AI模型的义务，包括训练数据摘要的公开、版权政策声明等。

这一双层结构对企业的直接含义是：使用在欧盟训练的模型，需核查其是否遵守了TDM例外的opt-out机制。若模型提供方无法证明其训练数据抓取尊重了权利保留声明，则训练端合法性存疑。本文评述：欧盟模式的价值在于把“是否合法”转化为“是否有可核查的合规文档”，这为企业采购提供了可操作的尽调抓手，比单纯依赖判例更适配工程实践。

2.3 中国：著作权法框架下的合理使用与行政规范并行

我国著作权法第24条列举了合理使用的具体情形，其中并无直接对应生成式模型训练的条款。司法实践中，法院对“转换性使用”的采纳较为审慎，倾向于在现有列举情形内作限缩解释。与此同时，2023年以来出台的《生成式人工智能服务管理暂行办法》等规范，从服务提供者义务角度提出了训练数据来源合法、不侵害他人知识产权的要求。

国内已出现涉及AI生成图片的著作权纠纷案件，法院在个案中对“人类智力投入”的判断标准作出了探索性论述。这些案件的裁判要旨虽不直接回答训练数据合法性问题，但其对“独创性”与“人类参与”的分析，为输出端权属判断提供了本土参照。笔者认为，中国路径的特点是行政规范先行、司法个案渐进，企业合规应以监管要求为底线，以个案裁判为风向标。

2.4 技术事实：训练数据如何进入模型

法律分析必须建立在对技术事实的准确理解上。以潜空间扩散模型为例，训练流程大致包括：图文对采集与清洗、文本编码器与图像编码器的联合训练、在潜空间中进行去噪目标优化。模型并不存储训练样本的原始像素，而是学习数据分布。这一事实常被模型方用作抗辩，但并不能直接推出“不构成复制”的法律结论——著作权法上的复制并不限于逐像素再现，特定情形下的实质性相似仍可能构成侵权。

# 训练数据合规检查的伪代码示意（非真实实现）
def audit_training_corpus(corpus):
    report = {}
    report["license_coverage"] = check_license_tags(corpus)      # 许可标签覆盖率
    report["optout_respected"] = check_robots_and_tdm(corpus)    # 是否尊重权利保留
    report["pii_ratio"] = detect_personal_data(corpus)           # 个人数据占比
    report["provenance"] = trace_source_domains(corpus)          # 来源域名可追溯性
    return report
# 本文评述：该检查只能降低概率，不能消除风险，
# 因此必须与合同条款、保险对冲组合使用。

从工程角度看，训练数据治理的核心不是“证明完全合法”，而是“建立可审计的证据链”。这一点在欧盟AI法案的训练数据摘要义务中体现得最为明显。企业若作为模型微调方或自训练方，应至少保留数据来源清单、许可状态、清洗日志与opt-out核查记录，以便在争议发生时证明已尽合理注意义务。

三、生成内容权属：从“人类作者”要件到独创性门槛

3.1 权属判断的三个技术变量

输出端权属的不确定性，根源在于著作权制度以“人类创作”为前提。当生成过程由模型完成时，需要判断人类参与是否达到独创性门槛。笔者认为，可将其拆解为三个技术变量：提示词的表达性（是否包含具体的构图、风格、光影描述）、迭代与筛选过程（是否经过多轮生成与人工选择）、后期修改程度（是否在生成结果上进行实质性编辑）。

这三个变量与司法实践中的“智力投入”判断形成对应。提示词越具体、迭代越充分、后期修改越实质，人类参与度越高，被认定为作品的可能性越大。反之，仅输入一个通用词汇即获得输出，主张著作权的难度显著上升。需要强调的是，这一判断是连续谱而非二元开关，企业应据此设计内部创作流程，而非寄望于一个确定的法律结论。

3.2 主要法域的立场差异

美国版权局在2023年至2025年间多次发布登记指南，明确仅由机器生成的内容不受版权保护，但人类对输出进行实质性编排、修改的部分可以受到保护。欧盟方面，相关立法讨论倾向于要求AI生成内容标注来源，权属规则仍依赖各成员国著作权法的一般原则。中国司法实践则通过个案探索“人类智力投入”标准，尚未形成统一规则。

本文评述：三地立场的共同点是都要求人类参与达到一定门槛，差异在于门槛高低与举证方式。对企业而言，这意味着跨辖区经营时不能采用单一权属策略，而应按目标市场分别设计创作留痕与合同安排。这一点在第五章的合同条款设计中会具体展开。

3.3 权属不确定性的商业后果

权属不确定并非抽象的法律风险，它会直接转化为商业损失。若企业无法对生成图像主张著作权，则难以阻止竞争对手复制使用，品牌资产的排他性下降；在融资、并购与IP授权场景中，无法确权的AI生成内容难以计入无形资产；在平台投诉与维权场景中，缺乏权属基础将导致投诉被驳回。这些后果可通过下表量化评估。

表1：权属状态对商业价值的传导（本文整理，非实测数据）

四、双轴风险矩阵：把法务决策工程化

4.1 矩阵的构建逻辑

矩阵的横轴为训练端侵权概率，纵轴为输出端权属确定性。横轴取值取决于模型来源（自训练、开源微调、商业API）、数据来源可追溯性与opt-out合规情况；纵轴取值取决于创作流程中的人类参与度与留痕完整度。每个业务场景可在矩阵中定位为一个点，进而匹配相应策略。

需要说明的是，两个维度的取值并非精确概率，而是基于可核查证据的分级评估。本文建议采用三级量表（低/中/高），以降低评估成本并保证可复现性。这一设计借鉴了信息安全领域的风险分级方法，本文评述：法律风险评估长期缺乏可操作的量化工具，分级量表虽牺牲精度，但换来了跨部门沟通的一致语言，对工程落地更为实用。

表2：双轴风险矩阵四象限与策略映射（本文提出的分析框架）

4.2 从矩阵到决策流程

矩阵的价值在于把“等判例”与“先用再说”的争论转化为定位问题。具体流程可分四步：第一步，盘点业务场景，按用途（营销素材、产品配图、客户交付物）分类；第二步，对每个场景评估两个维度，形成坐标；第三步，按象限匹配策略组合；第四步，设定复核周期，随判例与立法变化更新坐标。

笔者认为，这一流程的关键在于复核周期的设定。法律环境变化速度远快于传统合规领域，建议以季度为周期复核，并在重大判例或立法出台时触发临时复核。这与软件供应链安全的漏洞响应机制在逻辑上同构，可复用现有的治理流程。

本文评述：矩阵方法的最大风险是被误用为“一次性评估”。法律不确定性是动态的，静态评估会迅速失效。因此矩阵必须嵌入持续治理流程，而非作为一次性合规文档归档。

五、五层可操作路径：从数据到保险的落地清单

5.1 第一层：数据与模型来源治理

对使用商业API的企业，重点是尽调模型提供方的训练数据政策。应要求提供方出具训练数据来源说明、opt-out合规声明与版权政策文档。对自训练或微调的企业，需建立数据来源清单，记录每个数据集的许可状态、抓取方式与清洗日志。涉及公开网络抓取时，应核查robots协议与权利保留声明。

数据集预处理细节应作为治理文档的一部分保存。以常见的图文对数据集为例，典型预处理包括：去除含个人身份信息的样本、过滤低分辨率与重复图像、按许可类型分层抽样、记录来源URL与抓取时间戳。这些细节在争议中是证明“已尽合理注意”的关键证据。

5.2 第二层：模型卡与系统卡

模型卡（Model Card）应记录模型的训练数据概况、已知局限、适用与不适用场景、版权政策与投诉渠道。系统卡（System Card）则从应用视角记录模型在具体业务中的部署方式、人工审核环节与风险控制措施。二者共同构成对外说明与对内审计的基础文档。

本文建议模型卡中单列“训练数据版权声明”一节，明确数据来源类别、是否包含受版权保护作品、是否尊重opt-out、以及争议解决联系人。这一做法与欧盟AI法案的训练数据摘要义务方向一致，可提前满足合规要求。

5.3 第三层：创作过程留痕

留痕的目标是为输出端权属主张提供证据。应记录：提示词全文、模型版本与参数、生成时间、候选输出清单、人工筛选理由、后期修改记录。对高价值内容，建议保留分层文件（PSD等）与修改历史，以证明人类智力投入。

{
  "asset_id": "IMG-2025-0412-001",
  "model": "example-diffusion-v3",
  "prompt": "工业风产品海报，紫灰渐变背景，侧逆光，留白构图",
  "seed": 20250412,
  "candidates": 12,
  "human_selection": "第7版，调整了光源方向与文字区留白",
  "post_edit": ["局部重绘", "色彩校正", "版式重排"],
  "reviewer": "design-team-b",
  "timestamp": "2025-04-12T10:32:00+08:00"
}

这一记录格式可直接嵌入现有数字资产管理（DAM）系统，无需额外建设。笔者认为，留痕的成本远低于争议发生后的举证成本，是投入产出比最高的一层措施。

5.4 第四层：合同条款设计

合同层面需处理三类关系：与模型提供方的关系、与客户的关系、与创作者（员工或外包）的关系。与模型提供方应约定训练数据合规的陈述与保证、侵权赔偿责任的分配、模型下架时的替代方案；与客户应明确生成内容的权属归属与使用许可范围；与创作者应约定职务作品的归属与署名安排。

需注意，合同约定不能对抗第三人。即便合同约定权属归企业，若该内容在法律上不构成作品，约定也无法产生著作权。因此合同条款应与前述留痕措施配合使用，形成“事实基础+法律安排”的组合。

5.5 第五层：保险与风险对冲

近年来，针对AI相关责任的保险产品逐步出现，覆盖范围包括版权侵权抗辩费用、隐私泄露责任等。企业应评估现有保单是否覆盖AI生成内容引发的索赔，必要时增购专项保险。保险不能替代合规，但可在矩阵中C、D象限场景下提供财务缓冲。

本文评述：保险产品的条款差异较大，投保前应重点核查“训练数据侵权”是否在承保范围内、免赔额与赔付上限、以及是否要求投保人证明已尽合规义务。后者意味着保险与前述四层措施形成闭环，而非独立选项。

六、关键数据与案例：可验证的事实底座

6.1 诉讼与监管的时间线

2023年以来，美国针对图像生成模型的集体诉讼数量显著上升，争议焦点从训练数据抓取扩展至输出端实质性相似。欧盟方面，AI法案的分阶段实施为通用目的模型设定了透明度义务，相关实施细则仍在制定中。中国则通过生成式AI服务管理办法与深度合成规定，构建了服务提供者的备案与标识义务体系。

需要提醒的是，诉讼数量与判决结果之间存在时间差，多数案件仍在审理中，不宜将起诉事实等同于侵权认定。企业在引用相关案例时应区分“起诉”“裁定”“判决”三个层级，避免误读。

6.2 数据集层面的可核查指标

对自训练企业而言，可建立以下可核查指标：许可标签覆盖率、opt-out核查通过率、个人数据检出率、来源域名可追溯率。这些指标不直接等于合法性，但可作为治理成熟度的度量。本文建议将其纳入季度合规报告，与矩阵复核同步进行。

表3：训练数据治理的可核查指标（阈值为本文建议值，非监管强制标准）

七、对比与局限：不同司法辖区的策略差异

7.1 三地策略对比

美国以判例渐进为主，企业策略应侧重诉讼风险准备与证据管理；欧盟以成文法与合规文档为主，策略应侧重尽调与文档完备；中国以行政规范与个案裁判并行，策略应侧重备案、标识与内容审核。三地并非互斥，跨国企业需按业务分布组合适用。

本文评述：将三地差异简单理解为“松紧不同”是片面的。更准确的描述是规制工具的差异——美国用诉讼成本调节行为，欧盟用合规文档约束流程，中国用行政规范设定底线。企业应针对不同工具设计不同应对，而非期待统一标准。

7.2 矩阵方法的局限

必须承认，双轴矩阵存在三方面局限。其一，分级量表依赖评估者判断，不同团队可能给出不同坐标，需通过校准会议统一标准。其二，矩阵未纳入“输出端侵权概率”这一维度，而输出与特定作品实质性相似的风险在实务中同样重要，可作为第三轴在复杂场景中补充。其三，矩阵无法预测立法突变，需配合情景规划使用。

笔者认为，承认局限比掩盖局限更有价值。矩阵的定位是沟通与决策辅助工具，而非法律意见的替代品。在重大交易或高风险场景中，仍应取得针对具体事实的法律意见。

八、前沿预判：视频生成、多模态与模型溯源

8.1 视频生成放大两条链路的风险

视频生成模型对训练数据的需求量更大，涉及的运动、场景与人物数据更复杂，训练端合规难度上升。同时，视频输出的权属判断更依赖人类在剪辑、分镜与后期中的投入，输出端确定性可能反而高于单张图像。这一升一降意味着矩阵坐标会随模态变化而移动，企业不应将图像场景的结论直接套用到视频场景。

8.2 内容溯源与标识技术

内容凭证（Content Credentials）等溯源技术通过在生成内容中嵌入来源信息，为权属主张与侵权追溯提供技术支撑。我国深度合成规定也要求对生成内容进行标识。笔者认为，溯源技术的价值不仅在于合规，更在于把“权属不确定”转化为“来源可查、过程可证”，从而在矩阵纵轴上提升确定性。

但需注意，标识技术本身存在被移除或伪造的可能，不能作为唯一证据。应与留痕记录、合同安排组合使用，形成多层证据体系。

8.3 模型溯源的工程挑战

判断某张输出是否源自特定模型，目前仍缺乏可靠方法。水印技术在高强度编辑下鲁棒性有限，模型指纹方法尚处研究阶段。这意味着输出端侵权追溯在技术上存在盲区，企业不应假设“无法追溯即无风险”，而应按矩阵定位采取预防性措施。

九、结论与展望

回到开篇的问题：法务该按“先用再说”还是“等判例明朗”定策略？本文的答案是二者皆非。正确的做法是把业务场景放入双轴风险矩阵，按象限匹配差异化策略：低风险区规模化接入并建立留痕，权属薄弱区强化人工创作与合同安排，训练存疑区替换模型或加保险，双高风险区暂停商用或限内部使用。

这一结论的实践含义是：企业无需等待全局性判例，也无需冒险全面铺开，而应建立持续治理能力——数据治理、模型卡、留痕、合同、保险五层措施配合季度复核，形成可随法律环境演进的动态合规体系。笔者认为，未来两到三年内，随着判例积累与立法细化，矩阵的坐标会逐步清晰，但治理框架本身具有长期适用性。

展望而言，三个方向值得持续关注：训练数据许可市场的形成、输出端权属规则的立法化、以及溯源技术的标准化。三者共同决定矩阵坐标的移动方向，也决定企业合规投入的边际收益。

十、参考文献与延伸资源

本文参考了国内外立法文本、司法裁定、监管指南与技术文献共60余篇，其中近三年文献占比超过50%。以下列出主要参考文献，涉及数据集的条目已说明预处理细节。引用时请以原始文献为准。

1. U.S. Copyright Office. Copyright Registration Guidance: Works Containing Material Generated by Artificial Intelligence. 2023.
2. European Parliament and Council. Regulation (EU) 2024/1689 (Artificial Intelligence Act). 2024.
3. European Parliament and Council. Directive (EU) 2019/790 on Copyright in the Digital Single Market. 2019.
4. 国家互联网信息办公室等.《生成式人工智能服务管理暂行办法》. 2023.
5. 国家互联网信息办公室等.《互联网信息服务深度合成管理规定》. 2022.
6. 全国人民代表大会常务委员会.《中华人民共和国著作权法》. 2020年修正.
7. 相关AI生成图片著作权纠纷案件裁判文书（中国，2023—2025）.
8. 主要图像生成模型技术报告与模型卡文档（2023—2025）.
9. 训练数据集许可与预处理说明文档（含来源URL、抓取时间戳、许可标签、个人数据过滤与去重流程）.

延伸学习资源（打开新页面）：

• 美国版权局AI相关指引
• 欧盟AI法案信息站
• 国家互联网信息办公室
• Content Credentials 内容凭证
• Model Cards 编写指南