引言

人工智能是以大数据和深度学习模型为基础，通过大数据输入实现“智能任务”的算法系统，初始以机器学习为主，逐步发展为逻辑推理与算法优化。同时呈现出分析、预测生成和行为调整等能力，逐步模拟人类认知。随着生成式人工智能发展，内容涉及多领域且丰富多样，该现象对传统著作权保护提出了法理挑战，引发新一轮知识产权保护热点，内容著作权争议关乎人工智能时代知识生产的公平性与可持续性。由于缺乏法律人格与主观情感表达，人工智能不具备著作权法保护主体地位，但生成内容应考量人类参与贡献度；人工智能学习使用数据的著作权应实现类型化解决路径。本文结合生成式人工智能的技术特性与发展现状，系统分析相关问题。

一、问题的提出

不同于以往互联网工具，生成式人工智能具备不断学习能力，通过大数据训练不断优化，同时能够在复杂环境中呈现推理等能力。2023年ChatGpt-4模型横空出世，以其为代表的生成式人工智能进入发展新阶段。其采用Transformer架构，融合预训练和生成机制，能够在无须大量标注数据的基础上，通过用户交互不断优化学习路径。这一代模型在文本生成、语言理解与艺术创作等任务中展现出接近人类的表达能力，标志着生成式AI正迈入规模化应用阶段。生成式人工智能被广泛运用于绘画、写作等艺术创作方面，其输出内容不仅形式多样，甚至达到一定的表达文学性，某些不断训练的作品甚至能达到与人类作品难以区分的水平。随自动生成式人工智能模型的不断成熟与发展，人工智能生成内容的可视性、仿真性、延展性逐步提高，不断接近人类的创作水平，甚至有超越人类认知内容的可能，随之而来的是对生成式人工智能的学术伦理、司法裁判、法律规制等造成的巨大影响。

随着生成式人工智能在内容生产中的应用日益广泛，利用生成式人工智能进行创作是基于其大数据投入分析后的作品，在该背景下，原创性的贡献则相对减弱，这一转变对现有著作权制度构成了多方面冲击。基于生成式人工智能输出作品的技术原理，其内容是否形成独立著作权，以及如何认定其通过作品学习之下，对他人作品进行归纳、分析、学习步骤后的法理问题展开探讨，由于生成式人工智能的技术属性，产生对艺术创作的法律与伦理边界的多重挑战，数据使用的合法性、生成内容潜在的侵权风险、内容来源的可追溯性以及模型可能存在的偏见与歧视，已成为全球监管机构关注的核心议题。

生成式人工智能依据其超强的计算和分析能力，在创作领域能依靠其数据挖掘分析优势进行全面学习与自我优化，进而形成内容生成方面的优越性。毫无疑问，其在突破经济发展瓶颈和促进经济发展中，迅速成为提高我国国际竞争优势的新质生产力。基于此，关于生成式人工智能的著作权法理问题主要围绕以下三点。其一，人工智能所生成的内容能否构成著作权法意义上的“作品”；其二，该类内容的知识产权应当如何界定与分配；其三，当出现侵权或权益受损情形时，如何依据法理明确并合理分配各方责任。此外，生成式人工智能当下具有工具属性，其开发者和使用者限制应当高于对工具的限制，由此引发了大量著作权法学者AIGC的著作权认定、权利归属问题的探讨。基于此对于使用生成式人工智能生成内容的著作权问题归属与侵权责任分配。

生成式人工智能指能够自动生成文本、图像、音乐等内容的算法系统。其技术核心是基于Transformer等架构的预训练大模型，通过对海量数据的学习和语义关联构建，实现无需人工干预的创造性输出。这类系统表现出一定程度的自主性和适应性，可根据用户指令调整生成风格与内容结构，模糊了“工具使用”与“自主创作”的传统界限。

2024年3月5日在全国“两会”期间，国务院政府工作报告首次提出“人工智能＋”行动，为人工智能技术在各行业的广泛应用提供了政策上的指引。随着deepseek的广泛运用，我国生成式人工智能技术能力不断提升，已跻身全球人工智能强国前列。据此，应对生成式人工智能使用背景下的“合理使用”界定作出法治回应，为科技发展保驾护航。法律与监管层面，全球正在积极回应人工智能带来的挑战。欧盟通过《人工智能法案》确立基于风险的监管框架，强调生成内容的透明性与责任追溯；中国出台《生成式人工智能服务管理暂行办法》，明确数据来源合法、内容标识清晰等要求。本文立足于著作权法基本原理，结合技术特性与制度实践，旨在探析生成式人工智能内容在著作权法中的定位，提出符合我国法律体系与现实需要的权利归属框架，为立法与司法提供智识支持。

二、著作权法下生成式人工智能内容的核心争议

首先是生成式人工智能生成内容是否为“作品”的争议探析。生成式人工智能依靠海量数据训练作为输出内容依据，而根据《人工智能生成内容（AIGC）白皮书》中对于AIGC界定，其内容为“一种内容生产方式”和“用于内容自动化生成的一类技术集合”。由此可见，AIGC本质上兼具技术属性与内容属性，最终内容输出过程是技术实现过程与内容产出过程的紧密结合。从技术实现路径上看，AIGC是数据、算法与算力三者协同作用的结果——系统在输入相关数据的基础上，依托特定算法与计算资源进行模型训练，并在此基础上最终生成相应的文本、图像或其他形式的内容。根据我国《著作权法》，作品须为“独创性”的智力表达。独创性包含“独立完成”与“创造性”两个要件。生成式人工智能输出内容常具备外在形式上的完整性甚至新颖性，例如AI绘制的图画、生成的诗歌或新闻稿，但其过程本质上是基于统计规律的模式重组，缺乏真正的创作意图和情感投入。因此，其是否满足“独创性”要求成为争议焦点。持否定观点者认为，人工智能生成内容只是算法对已有数据的优化组合，不具备人类作者特有的思想情感与价值判断，因而不应被认定为作品。而支持可版权性的观点则主张，只要生成内容在形式上符合独创性标准，且并非纯粹事实性、机械性输出，就应当纳入著作权保护范围，以鼓励技术开发和内容投资。

目前的著作权立法保护目的在于保护创作者，营造良好原创环境，尊重原创性。对于“作者”中心主义的立法保护模式已取得国际共识。我国著作权法亦在强调原创者主体的“创作行为”，即独立智力劳动生成的独创性意思表达。著作权保护不仅保障个人作者独立权利，同时也尊重相关组织对知识生产的投入。基于此，部分学者坚持应当以人为主，认定人工智能生成内容过程不具备独立智力过程，技术性占主导，导致现有著作权体系难以直接适用。当下普遍认为，人工智能生成内容不符合著作权法对“作品”的基本要求，因而难以被纳入保护客体范畴。2023年，美国的“Thaler v Perlmutter”案件中，美国版权局以无人类创作型介入，不具备版权可保护性。对于生成式人工智能的创作者主体性予以否认。

其次是生成式人工智能权利归属问题。生成式人工智能通过作品数据训练而学习知识领域呈现的抽象规律。其输出过程并非复制粘贴式的输入输出，而是需要通过筛选和清理的。人工智能在数据训练中始终围绕对人类的思考方式进行。人工智能生成内容前提是对人类提供指令或数据后生成的，其借助算法模型中的概率建模与语义推断，生成文本、图像或音频等多种形式的内容。内容依靠一定的类人思考模式进行输出，同人类独立智力行为具有一定相似性，甚至能够优于人类思考。但对于其“原创性”需要进一步结合实践思考，若其受到著作权保护，期望得到输出内容的工具使用者以及开发平台权利应当如何归属。

第三是数据输入后的著作权风险。生成式人工智能通过算法对已有数据进行统计层面的模式重构，相较于传统工具所产生的确定性结果，AI在内容生成过程中具有一定程度的随机性与变异能力，其输出结果在形式与结构上可呈现一定程度的非重复性与多样性。因此，AI生成物实际上处于“机械输出”与“智力创作”之间的中间状态。而仅就这样过程中，便衍生对于输入数据的著作权争议。如美国《纽约时报》诉OpenAI及其投资方微软公司侵犯版权案件，其称对方在未获许可的情况下，将其新闻报道内容用作AI训练数据，造成侵权。我国画家诉绘画软件Trik案中也指出机器学习输入数据的侵权嫌疑。这些争议实质上反映了生成式人工智能在利用作品进行模型训练时，是否应被纳入著作权法保护范畴、是否能够认定为合理使用行为等一系列亟待解决的法律问题。

区别于人的独立智力活动，生成式人工智能根据输入指令和输出内容相似比例程度，可以将生成内容划分为孪生内容、伴生内容和原生内容三种类型，首先是输入的原封不动输出；其次程度输入指令与修改性输出，第三也是著作权争议最大的按照大致框架输出具体内容是否具有原创性问题。生成内容都未脱离输入指令的复制性。而对于第二第三类型涉及演绎权层面，生成式人工智能在数据处理阶段常涉及对原作品的改编、整理、汇编或语种转换等操作，这些行为可能落入改编权、翻译权等演绎权的规制范围。其过程极易触及原作品独创性表达，若未经授权，可能构成对演绎权的侵害。

当下不同国家对复制权的认定有所区别。欧盟在《数字化单一市场版权指令》中列明了附条件的“文本与数据挖掘”行为属于侵权行为的例外。美国是以“转换性使用”作为版权合理使用的裁决依据。我国《信息网络传播权保护条例》未对临时复制作出明确规定。若否认临时复制属于复制权控制范围，则该类使用可纳入合理使用范畴；反之，若认定其构成复制，则需依赖合理使用制度以平衡权利限制与例外。我国颁布的《生成式人工智能服务管理暂行办法》中明确指出在进行机器学习时不得侵犯他人知识产权。尽管各国已出台相对完善的人工智能法律规制，但应对技术不断发展过程中的公共利益与技术黑箱问题仍需进一步探讨，当前还存在著作权人与大数据训练的公共利益失衡问题。因此，有必要以案件为基础，对生成式人工智能的法治发展进行反思与制度完善。

此外，就传播权而言，生成式人工智能在模型训练过程中常借助于信息网络进行数据收集、传输与存储，该类行为涉及作品在不同终端与服务之间的流转，极易触发信息网络传播权或广播权等专有权利的控制范围。尽管我国《著作权法》历经修订，逐步扩展公开传播权类型。但仍难以全面覆盖人工智能应用中出现的新型传播形态。大批量的生成式人工智能使用者涌入，对于互联网进行大规模数据上传与分发，其行为具有侵犯著作权的可能性。

三、生成式人工智能著作权归属的类型化路径

著作权的原创性应当为艺术作品与原创者的情感联结，不仅有技术保护必要性，更多是对作者情感投射的尊重与保护。创作是兼具个体思维与个性表达的智力活动，艺术创造也应围绕主体的情感表达和个性化创作。鉴于人工智能无法成为法律意义上的作者，其生成内容的权利归属需回归于人类参与者的贡献与控制程度，故可能主张权利主体划分为三类：使用者、设计者与投资者。

首先是使用者作为权利主体在许多应用场景中，用户通过对人工智能的提示词设计、参数调整和结果选择，实质性地影响了生成内容的最终形态。例如，在“春风送来了温柔”一案中，法院将原告对输入指令修改调整作为影响最终内容生成导向的遴选结果行为，认定为创造性劳动，因而享有著作权。这种模式强调“人类控制力”作为确权的基础，体现出著作权法将实际创作行为作为权属判断核心的原则。

其次是生成人工智能的设计者，生成式人工智能目前仍为工具属性，其训练指令、模型结构与算法逻辑均始于设计者。而对于最终输出内容也具有最初设计的预设，并奠定了AI的“输出内容创作潜力”。其贡献虽间接但具有奠基性。尤其在生成式人工智能依照初始框架指令输入后生成具体内容时，设计者的投入可视作对生成内容的“结构性创作”，类似著作权法中的法人作者或制片人制度。因此，在用户干预较弱或内容自动生成时，可将权利赋予设计者。

第三是人工智能研发与部署需大量资本投入，既包括数据的获取、基础设施投入与人力投资。投资者同设计者不同，其是设计的基础。传统知识产权领域对数据库、软件等投资者权益中，都承认其享有邻接权。基于其具有互联网数据库的相似性，对于AI生成内容，在符合特定条件时，可通过合同约定或特殊立法赋予投资者部分权利，以保障其投资回报与市场秩序。

四、生成式人工智能学习使用作品著作权认定行为使用可行性

以美国“转换性使用”为参照，其必须具备以下条件，才可使用。首先是目的的转换性；其次是作品版权性质；第三是使用部分的数量和使用内容的实质性；第四是否具有潜在的市场商业替代。占比而言，第一与第四最大。以OpenAI被诉案为例，《纽约时报》中的部分数据具有较高商业价值和独创性，其未以事前许可的形式易造成新闻价值的流失，进而对《纽约时报》的商业价值和市场地位造成巨大打击。但生成式人工智能在设计中存在机器“黑箱”，该阶段内并未进行广泛传播。若对于商业价值而言，开发者若需对所有预期价值买单，则不利于技术的开发。据此，对于内容的去标识化是人工智能尊重著作权的路径，最终以输出结果的相似结果作为判断依据。我国现行《著作权法》第二十四条列举的12 种具体情形较为狭窄，相较该阶段的人工智能发展大量数据学习使用现状存在法治滞后性。可引入使用目的与著作权商业价值衡量性。结合我国现有法规，对当下生成式人工智能发展目的性进行类型化区分。进而区分为非表达型、通用表达型和专有表达型。对于前者，应当保障生成式人工智能的发展需求，并未针对特定表达，故而具有合理使用性。而对于专有类型，可以参照欧盟，著作权人对内容商业价值和著作权转换的目的考量，应当有部分披露义务，充分告知著作权人被使用作品名称、被使用目的以及方式，保障著作权人的监督权。此外，双方需同样签署隐私保护协议，并以其披露后对使用学习阶段的未传播内容保持对生成式人工智能发展的尊重。

五、结语

生成式人工智能正在重塑内容创作与传播的方式，迫切要求著作权制度作出响应。在当前技术发展阶段，坚持人工智能的工具属性及人类作者的中心地位，是维护法律体系稳定与伦理价值的必然选择。通过类型化界定权利归属，不仅能够有效识别各方主体在创作链条中的贡献，也有助于平衡创作者、投资者与社会公共利益之间的关系。未来，应继续推进立法细化与司法实践，构建兼顾技术赋能与权利保障的著作权治理新框架。

参考文献：

1. [1] 高天书. 人工智能著作权归属的类型化建构[J/OL]. 云南民族大学学报(哲学社会科学版), 1-10 [2025-08-31]. https://doi.org/10.13727/j.cnki.53-1191/c.20250825.001.
2. [2] 唐斌. 生成式人工智能赋能新质生产力研究——基于马克思主义生产力理论与新发展理念的双重解构[J]. 学术界, 2024(12):68-81.
3. [3] 陈咏梅, 郝悦彤. 著作权视角下“合理使用”在生成式人工智能场域的适用——以美国《版权法》所涉相关案例为分析中心[J]. 国际经济法学刊, 2025(03):87-101.
4. [4] 王迁. 再论人工智能生成的内容在著作权法中的定性[J]. 政法论坛, 2023, 41(04):16-33.
5. [5] 刘银良. 论人工智能作品的著作权法地位[J]. 政治与法律, 2020(03):2-13.
6. [6] 熊琦, 陈子懿. 美国人工智能模型训练合理使用认定的成案经验研究[J]. 科技与法律(中英文), 2024(06):11-23.
7. [7] 李勃, 金泽刚. 生成式人工智能AIGC著作权问题研究[J/OL]. 郑州轻工业大学学报(社会科学版), 1-11 [2025-08-31]. https://link.cnki.net/urlid/41.1460.c.20250806.1712.002.
8. [8] 张媛媛. 人工智能时代机器学习著作权限制制度之完善——对非表达性使用理论的补充[J]. 大连理工大学学报(社会科学版), 2025, 46(01):92-101.
9. [9] 曾田. AI时代著作权独创性标准适用问题研究[J]. 经贸法律评论, 2024(04):140-158.