引言

现行《著作权法》采取“作品类型法定”模式，不同类型的作品其独创性的体现方式与判断标准本就有别。然而，当前关于人工智能生成内容（Artificial Intelligence Generates Content，以下简称“AIGC”）作品属性的讨论，却普遍忽视了这一前提，陷入了“AIGC是否构成作品”的抽象一元论之争。为克服此缺陷，审查AIGC著作权属性的第一步，必须是将其置于现行作品类型体系下，考察其是否符合该类作品的独创性要求。

一、AIGC著作权法律规制的现实困境

目前对于人工智能作品属性的讨论却常常忽略这种差异。需要明确的一点是，AI只是作者用来创作作品的工具，需要根据生成内容的属性来判断AIGC是何种作品，不应把其视为新的作品类型。无论是持AIGC为作品的肯定说（其理由或为促进人工智能产业发展和鼓励创作；或为人类用户的选择满足独创性表达；又或为AIGC满足作者对AIGC的个性化关键表达要素实施强控制，AIGC将具备“作品”资格从而获得版权法保护），还是持AIGC为非作品的否定说（其理由或为缺乏著作权的主体要件即创作主体非人类主体，或为AIGC生成过程本质为数据算法推动），现有研究多陷于“AIGC是否构成作品”的一元化定性争论，忽视了AIGC内部因类型与生成过程差异而产生的巨大法律定性分歧。

因此，“先分类，后判断”是审查AIGC独创性的逻辑起点，不能脱离具体作品类型空谈独创性。为了突破上述一元化争论的局限性，本文主张引出一个审查框架——主张“作品类型＋投入程度”的二元审查框架。

二、AIGC著作权属性的二元审查框架构建

（一）第一维度：基于作品类型的独创性标准分野

著作权法将不同类型智力成果划分为不同作品类型，其目的不仅是为了确定哪些作品能够享有哪些权利，确定哪些智力成果符合作品的要件以便获得相应的著作权法保护也是其重要目的。

根据《中华人民共和国著作权法》（以下简称为《著作权法》）第三条对于作品的定义可以得出，要想成为法律意义上的作品，则必须要满足：是文学、艺术和科学领域内的；具有独创性；并以一定形式所表现；是智力成果。该条文也列举了八种明确的作品类型以供公众识别作品和为司法领域内的著作权纠纷提供刚性审查标准，然而，文字、美术、视听等不同的作品类型，其独创性要求并不相同。

文字类AIGC作品的独创性并不体现于随机排列的文字，而是通过一定的语言风格、叙事方法和行文结构来体现。表达同一内容，用像写新闻稿那样手法生成的则是一篇新闻报道；用写记叙文的手法则是一篇记叙文；用议论文的方法则生成的是一篇议论文。由此可见，文字类作品的独创性需要审查由上述写作手法生成的内容来判断。

美术类AIGC其独创性体现于对构图、色彩、光影及艺术风格的融合性选择，这不能通过“遣词造句”的标准进行判断，而需独立的审美审视。在“AI文生图案”中（北京互联网法院民事判决书(2023)京0491民初11279号），通过输入提示词、设置相关参数，获得第一张图片后，其继续增加提示词、修改参数、最终获得了涉案图片。由此可见，美术类AIGC的独创性与文字类AIGC不同。同样，音乐类的AIGC作品的独创性则应通过审查AI生成的音乐作品的旋律、节拍以及背后的代码。综上所述，不同类型的作品的独创性审查标准不同，不能忽视不同作品的差异直接谈独创性，而是应当在明确不同类型作品的独创性审查标准之后再谈后续的保护。

（二）第二维度：基于使用者“投入程度”的独创性判断谱系

在明确作品类型后，第二个关键维度是评估使用者在AIGC生成过程中的“投入程度”。从“工具性”使用到“自主性”，其法律性质截然不同。

1. 高投入的深度创作型AIGC

高投入AIGC的特点有三个：第一，个性特征鲜明的指令，个性化越高，越能体现作者的投入和智力贡献。第二，高度的控制力与确定性。确定性与否指的是AI生成物具有随机性和多样性。不同的AI对指令的理解不同，进而生成多样化的结果的成因是AI的核心技术——浮点计算输出决定的。第三，精细调整与持续优化，对生成结果进行不断地反复调整，融合使用者的新想法。

在上述AI文生图案件中，法院裁判认为原告设置参数，提示词之后又不断增加提示，修改参数的行为既体现了选择又体现了审美和个性。也就是说，对于AIGC作品输入的个人想法越多，越能体现独创性。使用者通过精细调整提示词、反复生成与筛选图像，并结合后期手工修饰体现出较强的创作意图与个性化选择的这一过程不是简单的进行提示。对于用AI生成图片来说，不同的人输入不同的指令最终生成的图片不同，指令越详细越能体现作者的意图则最终生成的图片越具有独创性，因为此过程凝结了使用者对作品的高度智力投入与创作意图，所以应认定使用者在作品独创性方面贡献显著，由此才具备获得著作权保护的可能基础。作者用钢笔创作作品体现的是工具价值而非智力价值。同样的，对于高投入的AIGC来说，作品的智力价值贡献者是使用AI的人。此时AI体现的是工具价值，其辅助性更强，对于作品的创作是辅助性的，若因为是由AI生成的就不认定为作品的观点于理不合。

现在对高投入AIGC的特征可以总结为以下几点。正如“文生图”案例所揭示，这一过程凝结了使用者高度的智力投入与鲜明的创作意图，使AI的角色回归工具本质。因此，生成内容应被认定为体现了使用者独创性的作品。

2.低投入的简单生成型AIGC

低投入的简单生成型AIGC，其特点与高投入的AIGC相反。指令越简单、越零星则AIGC的自主性更强，体现的创作者的思想更少、智力贡献程度更低。举个例子，使用者输入生成一棵大树的类似等过于简单、缺乏具体构思的指令，此时AI的算法模型将基于其海量训练数据完成的AIGC更接近于对现有作品风格的机械性模仿、拼凑或高度概括，难以体现使用者独特的智力创作。其生成结果是AI算法运行的输出产物，并非使用者的作品。

（三）审查框架的整合与司法实践印证

将上述两个维度整合，便形成一个二元审查框架：对于特定AIGC，首先判断其最可能归属的作品类型，其次评估使用者的投入程度，最终综合认定其是否构成著作权法意义上的作品。这一框架是已经经过司法实践检验的框架，事实上在司法审查中本质上也是先明确AIGC的类型，再评估投入程度，然后判断是否具有独创性。法院在文生图案和“腾讯Dreamwriter案”（广东省深圳市南山区人民法院民事判决书(2019)粤0305民初14010号。）认定有关图片、文字是否具备独创性的过程中，法官运用先分类、再评估创作过程中的投入程度这一审查框架来认定是否具备独创性。最终“文生图案”和“腾讯Dreamwriter案”均被认定为具有独创性的高投入程度AIGC。

由于独创性的本质就是主观意图的客观外化，而对主观想法无法明确客观的认定标准，我国《著作权法》第三条规定了作品应当具有独创性，但是并未明确独创性的审查标准，所以事实上我国并没有对独创性进行明确的法律或司法解释。众所周知，法律具有滞后性。面对高速发展的AI技术，在未来一定有其他作品类型的AIGC独创性的争议，甚至制定的法律刚生效就有不适用的新型案例出现，若再因新类型出现而颁布司法解释会导致大量的司法解释涌现，不利于维护法律的威严和稳定。所以与其想着将主观想法抽象为法律，不如由法官运用这一框架并结合司法经验进行个案的具体分析。

三、二元框架下AIGC的角色分流

基于上述二元审查框架，AIGC在侵犯著作权的视角下可被清晰地分流为两种角色。

（一）高投入AIGC是受著作权法保护的作品

需要明确的是，著作权主体是付出了创造性劳动的自然人、法人或非法人组织。人类发挥主观能动性将主观想法外化于客观表现上，创作出能够被感知的作品。由于AI不具有创作的意图，没有主观思考，故高投入AIGC的作者不是AI，而是创作出AIGC的自然人、法人或非法人组织。根据《著作权法》第三条关于认定作品形式的定义，高投入AIGC显然满足作品的构成要件，能够被认定为作品。

进而，若对高投入的AIGC实施的侵权行为的受害人为著作权人而非AI，侵权行为直接侵害了AIGC的作者对该作品享有的财产权。因此，未经许可，以营利为目的，对高投入AIGC实施复制、传播等行为，若达到“数额较大”或“有其他严重情节”的，甚至可能构成侵犯著作权罪，直接侵害的是AIGC著作权人的财产权益。

（二）低投入AIGC为侵权产物

低投入AIGC是AI基于大量算法、数据的学习训练之后，依据模型按照简单指令生成的高度概括的内容，是对大量的他人作品进行高度、提炼的复制。因其缺乏使用者的独创性贡献，不构成作品，无法获得著作权法保护。但是若当其生成内容与某一特定受版权保护的原始作品在核心表达上构成“实质性相似”时，其生成与传播行为即构成对原始作者权利的侵害。在此场景下，低投入AIGC本身因其是侵权行为的产物，不被作为“作品”保护，利用AI工具生成和传播此类侵权产物的行为，是一种新型侵权手段。

四、规制之径：分类视域下侵犯著作权行为的展开与深化

基于第三部分的定性分流，本部分将分别针对高投入AIGC与低投入AIGC，深入剖析侵犯著作权在AIGC语境中的解释与适用难点。使传统规则能够精准地适用于新型技术场景，实现有效规制。

（一）对侵犯高投入AIGC的规制

1. 明确此类作品的侵权主体

将高投入AIGC认定为作品，也就意味着承认其为创作者发挥主观能动性之后创作出的内容具备独创性，进而认定作品的创作者具有作者的身份，享有著作权，从而应当保护著作权人的权利。在此基础上，对该类作品的保护便与保护传统作品无异。所以责任主体为实施侵权行为的第三方。

首先，应当明确排除“开发者”的责任。应当坚持技术中立原则，提供具有实质性非侵权用途的通用技术工具本身不视为侵权。实质上，适用技术中立的基本意涵为，在侵权认定时不应考虑其背后所使用的技术，而应考虑是否构成实质性侵权。生成式人工智能服务为公众在知识产权强保护政策背景下获得了更为灵活的知识获取机会。只要生成式人工智能服务没有打破这种利益平衡，没有对著作权人造成实质性侵权，技术中立便仍可一直应用于生成式人工智能服务中。技术开发者开发技术的意图在于服务社会而不是为了给社会造成危害，技术本身不是侵权行为，利用AI实施侵犯著作权的人才是侵权主体，而技术开发者是无辜的，不应将实施侵权行为者的责任转嫁给技术开发者。但若有证据证明开发者与侵权者存在共同侵权，则应当追究二者共同的侵权责任。

其次，明确“使用者”在本场景中的权利人地位。在使用者利用AI生成具有高度智力投入的内容继而被认定为作品的情况下，该作品的著作权人即AI的使用者，所以在逻辑上使用者绝无构成侵犯自身著作权的可能，不是侵权主体。

2. 更新“侵权行为”的内涵

有学者的观点为复制作品仅可能带来作品复制件的增加，本身并不能导致他人获得作品或作品的复制件，而因此将“通过信息网络传播”视为“复制发行”，实际上是视为“发行”而非“复制”。复制、发行、复制发行这三种是不同的行为，应当严格规范每一个行为的概念。复制权是著作权人在著作财产权中重要的权利，对AIGC的复制发行行为与以往传统作品的复制发行行为相比较为隐蔽。传统作品的复制通过直接拷贝，是从表象到表象复制，是对他人作品的直接“拿来”。而对AIGC的复制与以往复制行为有很大不同，除了对生成内容的直接表象复制，还能经过AI软件提取该作品的核心表达要素，进而生成一份看似与原作品不同实则逻辑结构和现有作品高度一致的作品。

智能洗稿以海量数据为利用对象，庞大的情节、语句表达、逻辑编排等数据“喂养”了洗稿算法，进而输出高质量的“伪原创”。如果第三方不是直接进行表象复制，而是提取能体现作者高度智力投入和能体现特定性的高提示词和参数组合，这种提取的行为应当解释为复制行为。因为复制行为的本质是对他人作品的核心表达进行再现，复制AIGC的核心提示词和参数组合，实质上复制了导致特定表达的“指令集”，其效果等同于传统复制。具体的提示词和参数组合本身已经超越了“思想”范畴，进入了可受保护的“表达”领域，因此对其复制构成侵权。当对他人高度投入的特定提示词和AIGC作品背后的参数代码进行提取，并可预期地生成类似表达的AIGC，就是一种复制行为。

3. “其他行为”在AIGC语境下的认定

传统的损害赔偿计算方法，如以侵权人的违法所得、被侵权人的实际损失等为依据，在人工智能侵权案件中往往难以适用。侵权作品通过人工智能算法推荐，可能在短时间内获得大量传播，但其对著作权人造成的实际经济损失和精神损害难以精确量化。所以在讨论AIGC侵权中，要重点关注其可大规模复制、传播速度快、范围广和复制成本低的特点，会存在虽然传播范围大但是盈利数额不大，或者盈利数额不大，但是实际传播量大的情况，进而对著作权产生影响。因此，在认定“其他行为”时，应更加重视“点击量”“转发量”“用户下载次数”等数字指标，作为认定侵权行为的重要标准。

（二）对低投入AIGC的规制

对于低投入的AIGC来说，此处著作权法不保护低投入AIGC本身，而是惩罚使用者将其作为工具，侵害他人原始作品著作权的行为。使用者利用AI技术，将AI当作工具，按照一定规模生成与原始作品“实质性相似”的内容并传播的行为，可以追究生成者本人的侵权责任。

低投入类AIGC的生成者在侵权时其具有主观过错，生成者直接输入生成相似作品的指令，这种情况下生成者主观就是明知可能会生成与他人类似的作品。对于使用者主观‘明知’的认定，可采用‘红旗标准’进行推定。具体可考查指令的内容，如明确包含“模仿某作品”“生成与某作品类似的作品”等指示，综合考查这些客观因素，可有效推定其主观过错。

在表面上看，批量生成的低投入类AIGC常表现为对他人已有作品的模仿，或者模仿风格，或者模仿结构。但风格、结构并不受著作权法的保护，在认定低投入的AIGC侵权的关键在于是否复制其他作品中的可识别性的要素，也就是说审查是否与其他作品构成实质性的相似。

而实质性相似的事物，整体上来说，是与原件不同的，其只是在某一部分与原件相同或相似。在美国对于实质性相似主要由陪审团进行认定，我国则是由案件的主审法官进行认定。“实质性相似性”的判断充满了美学判断，因此难免带有个人主观偏见的色彩。所以此观点认为既然是由人来认定，就会有不客观性。但是这恰恰揭示了著作权法保护“独创性表达”而非“思想”这一核心原则在实践中的必然体现。诚然，这种具有主观色彩的标准会被首先质疑其客观性，但是这套流程正是将主观判断进行程序化合客观化的体现。法律是一种相对的正义，通过建立一套可供审查的标准，使侵犯著作权的行为能够找到法律层面的依据，能够将此行为纳入法律规制，进而权利得到保障。因此，面对滥用AI工具生成的低投入AIGC，关键在于如何针对AIGC的特点，优化和细化适用方法，而非否定实质性相似标准本身。

在实践中对实质性相似主要适用的是普通观察者的标准。这一模式通过严格的法律流程，判断低投入AIGC是否与他人现有作品在核心独创性表达上是否实质相似，从而能够有效识别那些通过滥用AI技术生成的实质性抄袭行为。首先，抽象出原作品中的不同层次元素；其次，滤掉其中不受著作权保护的思想、事实、风格以及必要场景元素；最后，将剩余的核心独创性表达与涉嫌侵权的AIGC进行比较。通过这一流程，可以将判断焦点从主观的“整体感观”锚定到客观的、可识别的具体表达元素上，从而有效识别通过AI技术实现的隐蔽性抄袭。

五、结语

面对AIGC技术带来的法律挑战，本文所构建的“分类审查”路径，其价值在于突破传统一元化定性思维的局限，提供了一条更为精细、更具解释力的通道。通过“作品类型+投入程度”的二元框架，司法者能够对形态各异的AIGC进行更具针对性的法律评价，避免陷入“全有或全无”的裁判困境。对于高投入AIGC，应坚守其作为“作品”的财产权属性，通过更新对侵权行为的解释，进而精准打击侵权行为；对于低投入AIGC，著作权法规制的焦点则应从保护“产物”转向规制“行为”，通过审查输入指令和生成内容等工具认定使用者主观过错，有效制裁利用AI工具的新型侵犯著作权的行为。随着AI技术的持续演进，可能出现更复杂的AIGC形态与侵权模式，但“分类审查”所倡导的精细化、场景化分析思路，将为构建具有前瞻性和适应性的著作权保护奠定坚实基础。

参考文献：

1. [1] 朱阁. “AI文生图”的法律属性与权利归属研究[J]. 知识产权,2024(01):24-35.
2. [2] 蒋舸.论人工智能生成内容的可版权性:以用户的独创性表达为视角[J]. 知识产权,2024(01):36-67.
3. [3] 董慧娟,余非. AIGC可版权的必要非充分要件：“有限控制论”的证成与适用展开[J]. 科技与出版,2025(08):113-127.
4. [4] 王长征.论使用人作为生成式人工智能作品版权归属者的根据[J]. 上海对外经贸大学学报,2024,31(06):79-91.
5. [5] 曲三强.论人工智能与知识产权[J]. 知识产权,2023(08):30-52.
6. [6] 张俊发. 著作权法上GAI生成内容的定性[J]. 新媒体与社会,2025(02):184-202+466-467.
7. [7] 梅术文. 人工智能著作权主体资格的法律构造[J]. 科技与法律(中英文),2024(03):11-19.
8. [8] 肖峰.生成式人工智能与知识生产新形态——关于三阶知识生产的探析[J]. 学术研究,2023(10):50-57+2+177.
9. [9] 高莉. 数字时代著作权合理使用制度的检视与重构——基于技术中立的理论分析[J]. 苏州大学学报(法学版),2023,10(03):41-52.
10. [10] 徐小奔, 薛少雄.生成式人工智能服务提供者版权注意义务的法律构造[J]. 科技与出版,2024(07):48-58.
11. [11] 鲁甜. 人工智能洗稿法律规制之困与疏解之道[J]. 新媒体与社会,2024(01):197-209+397.
12. [12] 武小雅. 人工智能时代著作权刑法保护困境及突破[J]. 河北法律职业教育,2025,3(09):32-37.
13. [13] 余为青, 桂林.复制发行“实质性相似”标准反思与重构——以近五年来网络游戏类侵犯著作权犯罪为视角[J]. 中国出版,2019(04):56-59.
14. [14] 徐聪. 著作权侵权作品“接触+实质性相似”标准的合理性反思[J]. 私法,2022,39(03):229-243.
15. [15] 冯思邈. 自媒体平台发展对“避风港”原则的冲击与重塑[J]. 私法,2024,50(04):107-130.