目的及研究范圍
本報告由歐盟知識產(chǎn)權(quán)局(EUIPO)發(fā)布，從技術(shù)視角深入分析生成式人工智能(GenAI)與歐盟著作權(quán)法之間的交匯問題，是其下屬機構(gòu)歐洲知識產(chǎn)權(quán)侵權(quán)觀察站(Observatory)的重要研究成果。該觀察站由公共與私營領(lǐng)域的專家與專業(yè)機構(gòu)聯(lián)合協(xié)作組成。
近年來，人工智能(AI)技術(shù)，尤其是GenAI的發(fā)展，日益成為公眾關(guān)注與討論的焦點。以大型語言模型(LLMs)為代表的GenAI系統(tǒng)，通過分析海量訓練數(shù)據(jù)提取規(guī)律，構(gòu)建算法，從而生成具有相似特征的全新內(nèi)容。然而，隨著GenAI的廣泛應用，著作權(quán)相關(guān)問題也日益凸顯。盡管這一技術(shù)革新為創(chuàng)意產(chǎn)業(yè)帶來了前所未有的創(chuàng)新潛力和變革機遇，但其也引發(fā)了與著作權(quán)所有人之間的利益沖突。無論如何，此類技術(shù)的發(fā)展與應用仍必須在現(xiàn)行知識產(chǎn)權(quán)法律框架內(nèi)進行，以確保創(chuàng)作者權(quán)益得到有效保護，促進技術(shù)與法律的協(xié)調(diào)發(fā)展。
2018年，歐盟委員會發(fā)布的《歐洲AI戰(zhàn)略》明確提出：“需要從知識產(chǎn)權(quán)局和用戶的雙重視角，探討AI與知識產(chǎn)權(quán)的互動關(guān)系，以在創(chuàng)新與法律確定性之間實現(xiàn)平衡。”基于這一戰(zhàn)略，歐盟于2024年6月率先通過全球首部綜合性AI法規(guī)——《人工智能法案》(AI Act，第2024/1689號)，該法案要求在推動技術(shù)創(chuàng)新的同時，與現(xiàn)有的知識產(chǎn)權(quán)保護法規(guī)(如“文本與數(shù)據(jù)挖掘例外條款”及權(quán)利人的“選擇退出機制”)有效銜接。
與此同時，GenAI技術(shù)對歐洲知識產(chǎn)權(quán)格局的影響，已在EUIPO觀察站內(nèi)的專家小組中展開了深入討論。2022年，EUIPO發(fā)布了《人工智能對著作權(quán)與外觀設計侵權(quán)及執(zhí)法的影響》(Impact of Artificial Intelligence on the Infringement and Enforcement of Copyright and Designs)研究報告;歐盟委員會亦同步推出了兩份專題報告，詳細探討了AI技術(shù)對文化創(chuàng)意產(chǎn)業(yè)所帶來的機遇與挑戰(zhàn)。這一系列的研究討論與立法進程相互銜接，共同為本次研究提供了堅實的基礎。
鑒于上述背景，EUIPO觀察站委托本研究從“解決方案導向”的視角，深入分析著作權(quán)法在GenAI系統(tǒng)發(fā)展過程中所面臨的關(guān)鍵技術(shù)問題與應對路徑。本報告旨在為相關(guān)利益方提供政策建議與實踐指引，并與歐盟委員會人工智能辦公室及著作權(quán)事務部門的工作形成有益補充與協(xié)同支持。根據(jù)觀察站2025年工作計劃，EUIPO還將探索開發(fā)一項“選擇退出機制服務”，以進一步平衡著作權(quán)持有者與人工智能開發(fā)企業(yè)之間的權(quán)利與利益關(guān)系。
核心研究目標
輸入階段：分析當前在GenAI訓練過程中，用于限制、授權(quán)或保留受著作權(quán)保護作品作為訓練數(shù)據(jù)的技術(shù)手段與實踐;
輸出階段：研究用于識別AI生成內(nèi)容以及防止生成侵權(quán)內(nèi)容的相關(guān)技術(shù)手段與實踐。
研究范圍
本研究涵蓋GenAI相關(guān)的技術(shù)、法律及市場發(fā)展背景分析，重點關(guān)注其輸入與輸出流程中所涉及的著作權(quán)問題，系統(tǒng)分析AI生態(tài)中各類主體在著作權(quán)管理方面的應對措施。同時，報告亦探討相關(guān)的經(jīng)濟影響與制度性考量。
閱讀背景提示
理解本報告的核心內(nèi)容，需結(jié)合以下三大背景因素：
技術(shù)迭代速度：GenAI技術(shù)的發(fā)展速度遠超現(xiàn)行法律體系的更新節(jié)奏;
法律地域性差異：歐盟著作權(quán)法律框架在結(jié)構(gòu)與適用上，與其他主要司法轄區(qū)存在顯著差異;
利益平衡難題：如何在鼓勵技術(shù)創(chuàng)新與有效保護著作權(quán)之間實現(xiàn)動態(tài)平衡，仍是當前政策與實務層面面臨的關(guān)鍵挑戰(zhàn)。
執(zhí)行摘要內(nèi)容
過去數(shù)年，人工智能技術(shù)已取得重大突破。隨著LLMs和GenAI的問世，能夠生成文本、代碼、圖像、視頻和音頻內(nèi)容的GenAI服務已得到廣泛應用。這一發(fā)展促使政策制定者和監(jiān)管機構(gòu)開始審視現(xiàn)有法律框架應如何演進以應對AI大規(guī)模適用帶來的影響，并在創(chuàng)新與知識產(chǎn)權(quán)保護之間尋求平衡。
在此背景下，本研究從歐盟著作權(quán)法視角探討GenAI的發(fā)展態(tài)勢。報告包含三大部分：(1)GenAI的技術(shù)、法律與經(jīng)濟分析，以深入理解GenAI的功能特性及其發(fā)展影響;(2)關(guān)于GenAI服務開發(fā)過程中使用受著作權(quán)保護內(nèi)容所面臨的知識產(chǎn)權(quán)問題;(3)輸出內(nèi)容所面臨的著作權(quán)問題。
（1）技術(shù)、法律與經(jīng)濟背景
歐盟法律體系中，存在兩部法律文件對GenAI的發(fā)展將產(chǎn)生著作權(quán)意義上的關(guān)鍵意義：
《數(shù)字單一市場版權(quán)指令》(The Copyright in the Single Market Directive, CDSM指令)就“文本與數(shù)據(jù)挖掘”(Text and Data Mining，TDM)建立了法律框架。作為GenAI模型訓練的關(guān)鍵技術(shù)環(huán)節(jié)，TDM通過大規(guī)模數(shù)據(jù)采集與分析來優(yōu)化算法參數(shù)，這一過程不可避免地涉及對受著作權(quán)保護作品的復制行為。其中， CDSM指令第3條為科研機構(gòu)創(chuàng)設了TDM豁免條款，而第4條進一步將適用范圍延伸至商業(yè)領(lǐng)域的AI開發(fā)者。特別值得注意的是，第4條例外條款賦予權(quán)利人“選擇退出”(opting-out)TDM例外的權(quán)利——權(quán)利人可通過“機器可讀方式”(machinereadable means)等適當形式明確聲明保留其復制權(quán)。對于聲明退出的作品，AI開發(fā)者必須事先取得權(quán)利人的明確授權(quán)(如簽訂著作權(quán)許可協(xié)議)方能合法使用。
《歐盟人工智能法案》(EU Artificial Intelligence Act，AI法案)為AI技術(shù)設立了一套全面的監(jiān)管框架，其中對通用人工智能(general–purpose AI ，GPAI)模型提供商設定了特定義務。在著作權(quán)領(lǐng)域，這些義務包括GPAI模型提供商必須遵守CDSM指令第4條關(guān)于TDM選擇退出機制的規(guī)定。提升透明度，法案強制要求GPAI提供商還需披露訓練數(shù)據(jù)的詳盡摘要，以便權(quán)利人行使權(quán)利。該法案同時要求GenAI系統(tǒng)部署者需確保生成內(nèi)容具有機器可讀的識別標識。
權(quán)利人與GenAI系統(tǒng)提供商之間的法律糾紛正在全球范圍內(nèi)日益增長，其中多數(shù)案件發(fā)生在美國。迄今為止，歐盟境內(nèi)已出現(xiàn)四起涉及AI訓練與著作權(quán)的訴訟，其中2024年9月德國漢堡地方法院在“Kneschke訴LAION案”中的判決具有標志性意義。盡管法院認定，LAION(GenAI訓練數(shù)據(jù)集的主要提供商)可援引《數(shù)字單一市場版權(quán)指令》第3條的科研例外條款，但判決中的若干附帶意見對未來法院如何解釋第4條中權(quán)利保留的法律標準提供了重要參考。
與此同時，權(quán)利人與GenAI開發(fā)者之間已就受著作權(quán)保護內(nèi)容用于AI訓練達成多項高價值許可協(xié)議。在權(quán)利人有效行使CDSM第4條“選擇退出權(quán)”后，通過直接授權(quán)內(nèi)容使用，可能為其開辟新的收入渠道。本研究識別并總結(jié)了推動此類許可協(xié)議達成的五大關(guān)鍵因素：1.對機器學習訓練數(shù)據(jù)潛在短缺的預期;2.高質(zhì)量數(shù)據(jù)及其元數(shù)據(jù)標注的關(guān)鍵性;3.GenAI開發(fā)者的風險承受能力與其在談判中的相對議價地位;4.合成數(shù)據(jù)作為訓練輸入的替代潛力;5.面向中小規(guī)模權(quán)利人的內(nèi)容聚合中介服務的興起，為其進入訓練數(shù)據(jù)市場提供可行路徑。
盡管不同內(nèi)容領(lǐng)域的直接授權(quán)市場發(fā)展存在差異，但出版行業(yè)——尤其是新聞出版和學術(shù)出版領(lǐng)域——在授權(quán)使用與檢索增強生成(RAG，詳見GenAI輸出部分)技術(shù)相關(guān)內(nèi)容方面展現(xiàn)出獨特優(yōu)勢。此類技術(shù)對于某些GenAI服務的開發(fā)至關(guān)重要。
本研究還識別出可能影響直接授權(quán)條款設計的五大關(guān)鍵因素：1.基準市場費率的形成機制;2.報酬計算指標的設定方式;3.授權(quán)類型的創(chuàng)新實踐;4.將訓練輸入與生成輸出結(jié)果相掛鉤的聯(lián)動式授權(quán)機制;5.基于內(nèi)容資產(chǎn)的互惠互利式商業(yè)交換安排。
此外，報告指出一個正在引發(fā)關(guān)注的新興問題，即《CDSM指令》第3條所規(guī)定的“科研用途TDM例外”與第4條下的“商業(yè)用途AI訓練”之間，可能存在“數(shù)據(jù)洗白”問題。
一個新興問題是《CDSM指令》第3條規(guī)定的科研用途TDM活動與第4條商業(yè)AI訓練TDM活動之間可能產(chǎn)生的"數(shù)據(jù)洗白"現(xiàn)象。具體而言，部分科研機構(gòu)在第3條授權(quán)范圍內(nèi)構(gòu)建的數(shù)據(jù)集，后續(xù)若被商業(yè)AI開發(fā)者用于訓練目的，可能導致科研例外被規(guī)避性用于商業(yè)應用，從而引發(fā)對科研豁免調(diào)控濫用的擔憂。
（2）生成式人工智能的輸入環(huán)節(jié)
數(shù)據(jù)收集是GenAI訓練的首要環(huán)節(jié)，必須遵循著作權(quán)相關(guān)義務。根據(jù)具體情形，這些義務可能包括：尊重權(quán)利人提出的TDM選擇退出聲明，或在必要情況下，通過達成直接授權(quán)協(xié)議獲得使用許可。收集到的數(shù)據(jù)需經(jīng)過清洗、標注與處理，方可應用于包括模型預訓練、微調(diào)以及強化學習等在內(nèi)的多階段AI訓練流程。盡管目前已有多個大型AI訓練數(shù)據(jù)集可公開獲取，但這類數(shù)據(jù)集往往存在潛在的著作權(quán)風險，可能包含盜版內(nèi)容、未經(jīng)授權(quán)使用的作品、授權(quán)錯誤或未針對具體應用場景定制的標準化許可內(nèi)容。這些問題可能引發(fā)著作權(quán)侵權(quán)責任在整個AI價值鏈中層層傳導——從數(shù)據(jù)集創(chuàng)建者、GenAI系統(tǒng)開發(fā)者到最終服務部署方，所有環(huán)節(jié)均需遵守歐盟著作權(quán)法規(guī)以及《人工智能法案》所設定的合規(guī)義務。
當前，在線公開內(nèi)容已成為AI訓練數(shù)據(jù)的重要來源。傳統(tǒng)用于搜索引擎索引的網(wǎng)絡爬取技術(shù)，現(xiàn)已被廣泛用于大規(guī)模采集訓練數(shù)據(jù)。這一變化促使越來越多的著作權(quán)所有者采取主動措施限制其作品被用于AI訓練。其中，機器人排除協(xié)議(REP)已成為事實上的網(wǎng)絡爬取管理標準工具，并被廣泛用作TDM權(quán)利保留的主要實施機制。然而，利益相關(guān)方普遍認為，REP作為TDM選擇退出機制存在顯著局限性，更像是一種臨時性過渡方案。其主要缺陷包括：控制粒度有限、難以區(qū)分不同使用目的、依賴網(wǎng)站管理員主動部署、缺乏法律強制力，以及依賴網(wǎng)絡爬蟲方自愿披露身份等。為彌補其不足，一些權(quán)利人還輔以流量管理等技術(shù)手段，以進一步限制未經(jīng)授權(quán)的爬取行為。
鑒于AI生態(tài)系統(tǒng)的高度復雜性以及各內(nèi)容領(lǐng)域在商業(yè)模式和權(quán)利管理上的差異，目前尚未形成統(tǒng)一的、通用的權(quán)利保留標準。權(quán)利人通常采用法律驅(qū)動措施與技術(shù)措施相結(jié)合的策略，以實現(xiàn)對文本與數(shù)據(jù)挖掘(TDM)使用的有效管理。法律措施包括單方權(quán)利聲明、許可協(xié)議限制、網(wǎng)站服務條款等;技術(shù)措施則除常用的機器人排除協(xié)議(REP)外，還涵蓋TDM保留協(xié)議、內(nèi)容真實性倡議(C2PA)、JPEG Trust標準等解決方案。
本研究從17項關(guān)鍵指標出發(fā)，對上述權(quán)利保留機制進行了系統(tǒng)性評估，評估維度包括：對特定內(nèi)容類型的適配性(類型特異性)、對不同使用場景的區(qū)分能力(使用區(qū)分度)、以及在不同技術(shù)與法律環(huán)境下的適用靈活性(實施靈活性)等。
分析結(jié)果表明，當前所有可用措施均不具備強制執(zhí)行能力，即權(quán)利保留聲明的效力尚依賴TDM用戶的自愿遵守與技術(shù)策略調(diào)整。為確保合規(guī)，TDM使用者需主動調(diào)整其數(shù)據(jù)收集與處理方式。在適用范圍上，法律措施通常可覆蓋特定作品或整個作品集;而技術(shù)措施則可分為兩類：“基于位置”的機制，依賴于內(nèi)容在網(wǎng)絡上的存儲位置(如URL);“基于資產(chǎn)”的機制，直接與內(nèi)容本身綁定，無論其傳播路徑如何變化，依然可追蹤識別。不同類型的措施各具優(yōu)勢與局限。來自行業(yè)利益相關(guān)方的訪談反饋顯示，多措組合已成為當前權(quán)利保留實踐的行業(yè)常態(tài)。
研究表明，當前技術(shù)解決方案正朝著開放標準與開源許可方向發(fā)展，以提升廣泛適用性和系統(tǒng)間的互操作性。無論是權(quán)利人還是AI開發(fā)者，普遍支持推進權(quán)利保留機制的標準化進程，同時強調(diào)需保留對不同使用場景的適應靈活性。隨著GenAI生態(tài)的持續(xù)演化，預計將逐步形成適用于各內(nèi)容領(lǐng)域的定制化標準化實踐。
當前形勢表明，國家知識產(chǎn)權(quán)局等公共機構(gòu)可在多個層面發(fā)揮關(guān)鍵作用：技術(shù)層面推動建立面向權(quán)利人和AI開發(fā)者的TDM權(quán)利保留聯(lián)合數(shù)據(jù)庫;非技術(shù)層面包括加強公眾對AI與著作權(quán)問題的認知宣傳，發(fā)布權(quán)利保留實施指南(如爬蟲識別標記合集)，并定期開展行業(yè)趨勢分析，關(guān)注技術(shù)發(fā)展動態(tài)與商業(yè)授權(quán)條款的演變趨勢。
（3）生成式人工智能輸出環(huán)節(jié)
內(nèi)容生成的技術(shù)流程因生成式人工智能(GenAI)模型的類型而異，不同類型的內(nèi)容生成通常對應不同的模型架構(gòu)。鑒于AI模型訓練成本高昂，且頻繁更新訓練數(shù)據(jù)面臨現(xiàn)實限制，業(yè)界正在加速采用檢索增強生成(RAG)技術(shù)。該技術(shù)通過將信息檢索機制與生成式AI能力相結(jié)合，在無需頻繁重訓模型的前提下，顯著提升系統(tǒng)性能。
目前，RAG技術(shù)在AI驅(qū)動的搜索引擎(亦稱“問答引擎”)中日益普及，為著作權(quán)人帶來了新的挑戰(zhàn)與機遇。RAG本身也引發(fā)了著作權(quán)爭議，其風險程度在很大程度上取決于具體應用形式：若采用靜態(tài)RAG(基于本地存儲內(nèi)容進行檢索)，相對較易控管;而動態(tài)RAG則可能涉及實時網(wǎng)絡爬取，從而帶來更復雜的著作權(quán)問題。
考慮到《人工智能法案》對GenAI系統(tǒng)輸出內(nèi)容的透明性提出了明確要求，近年來已開發(fā)出多種用于識別與披露合成內(nèi)容屬性的“生成透明度”技術(shù)措施，主要包括：1.內(nèi)容來源追蹤機制：如C2PA倡議、JPEG Trust倡議，以及基于區(qū)塊鏈的Trace4EU項目;2.AI生成內(nèi)容檢測工具：如圖像內(nèi)容的StyleGAN3-Detector，或Deezer開發(fā)的音頻識別方法;3.內(nèi)容處理技術(shù)方案：涵蓋多種數(shù)字水印與數(shù)字指紋協(xié)議;4.模型成員推斷攻擊(Membership Inference Attacks)：用于檢測AI模型是否“記憶”了特定訓練數(shù)據(jù)，從而間接識別潛在的著作權(quán)風險。
本研究基于以下十項關(guān)鍵標準，對部分現(xiàn)有的生成透明度措施進行了系統(tǒng)性比較分析：(i) 類型分類、(ii) 多樣適用性、(iii) 開放性、(iv) 市場成熟度、(v) 可讀性、(vi) 成本考量、(vii) 穩(wěn)健性、(viii) 互操作性、(ix) 可擴展性，以及 (x) 可靠性。該比較有助于深入理解不同措施的相對優(yōu)勢與局限。
在模型訓練完成后，機器學習過程中提取的模式與關(guān)聯(lián)關(guān)系將被嵌入至模型參數(shù)中。這些參數(shù)對最終生成內(nèi)容的影響程度，取決于具體模型的架構(gòu)設計。部分生成式AI模型以高度抽象的方式編碼知識，使其難以直接還原訓練數(shù)據(jù);但另一些模型，特別是大型語言模型(LLMs)和生成式視覺模型，則可能存在“記憶化”(memorisation)現(xiàn)象。這種記憶化可能導致模型輸出內(nèi)容與訓練輸入高度相似，甚至在某些情況下直接重復原始數(shù)據(jù)。由此帶來的問題不僅是技術(shù)性挑戰(zhàn)，更可能引發(fā)法律風險，如涉嫌抄襲或侵犯著作權(quán)，特別是在模型“復述”受保護作品的場景下。
GenAI系統(tǒng)開發(fā)者已提出多項技術(shù)解決方案，以應對“記憶化”(memorisation)問題。常見措施包括：用于比對生成內(nèi)容與潛在訓練輸入的檢測工具、防止重復生成的輸出過濾機制，以及對提示詞(prompt)進行重寫或過濾的策略。
一個新興的技術(shù)研究方向是“模型遺忘”(model unlearning)與“模型編輯”(model editing)。這些方法通過擦除、調(diào)整或更新嵌入模型參數(shù)的特定信息，使開發(fā)者能夠在模型部署后對已識別的問題進行修復和調(diào)整。除上述技術(shù)路徑外，部分GenAI系統(tǒng)提供商還引入法律賠償機制，為其客戶提供一定程度的侵權(quán)風險緩釋，以應對生成內(nèi)容可能侵犯第三方著作權(quán)的情況。
圍繞GenAI輸出與著作權(quán)相關(guān)的復雜議題，也進一步凸顯了公共機構(gòu)在知識產(chǎn)權(quán)治理中的潛在作用：
1.面向GenAI開發(fā)者與政策制定者：公共機構(gòu)可公開共享有關(guān)降低侵權(quán)風險、識別合成內(nèi)容及推廣行業(yè)良好實踐的信息資源;
2.面向公眾：可提供關(guān)于“倫理提示詞”使用的指導，與其他相關(guān)機構(gòu)協(xié)作，提高公眾識別AI生成內(nèi)容的能力和意識;
3.在技術(shù)層面：公共機構(gòu)可作為信息共享與協(xié)作的平臺，推動不同平臺和GenAI系統(tǒng)之間輸出透明度機制的互操作性。
（3）結(jié)論性觀察
本研究通過技術(shù)路徑梳理，系統(tǒng)闡明了GenAI與著作權(quán)之間的互動關(guān)系，并得出以下三項核心結(jié)論：
1.目前尚未出現(xiàn)單一、統(tǒng)一的標準機制，可供權(quán)利人用于行使其TDM權(quán)利保留聲明，或用于標識與披露AI生成內(nèi)容的透明度措施;
2.盡管GenAI引發(fā)的法律爭議在全球范圍內(nèi)持續(xù)增加，研究也指出，權(quán)利人與GenAI開發(fā)者之間已達成多項高價值內(nèi)容授權(quán)協(xié)議;
3.當前態(tài)勢表明，公共機構(gòu)可在以下方面發(fā)揮關(guān)鍵作用：一是為實施和管理TDM保留數(shù)據(jù)庫提供技術(shù)支持;二是加強對潛在侵權(quán)輸出的認知與風險預防，并推動行業(yè)良好實踐的傳播與應用。
作為一項顛覆性技術(shù)，GenAI的快速發(fā)展正深刻重塑創(chuàng)意產(chǎn)業(yè)與信息技術(shù)行業(yè)，顯著改變了著作權(quán)所有者與AI開發(fā)者的互動模式。盡管實現(xiàn)法律與商業(yè)秩序之間的新平衡仍需時間，研究特別強調(diào)了一點：獲取作品來源與許可使用方式的關(guān)鍵信息，對于實現(xiàn)著作權(quán)的尊重、收益分配與有效執(zhí)法具有關(guān)鍵意義。
1
結(jié)論
本研究從歐盟著作權(quán)法的視角出發(fā)，系統(tǒng)探討了生成式人工智能(GenAI)的發(fā)展動態(tài)，重點識別、分析并評估GenAI技術(shù)與著作權(quán)制度交匯處的關(guān)鍵趨勢，特別關(guān)注AI生態(tài)系統(tǒng)中用于應對著作權(quán)管理挑戰(zhàn)的各類技術(shù)措施。研究內(nèi)容嵌入歐盟人工智能立法框架下，尤其聚焦與著作權(quán)相關(guān)的合規(guī)義務條款。本報告圍繞三大核心板塊展開分析：技術(shù)背景、GenAI輸入環(huán)節(jié)與GenAI輸出環(huán)節(jié)。
在技術(shù)背景部分，研究系統(tǒng)梳理了生成式人工智能技術(shù)的發(fā)展路徑，深入分析主要模型架構(gòu)的演進與關(guān)鍵技術(shù)的部署實踐。這些技術(shù)進展發(fā)生在特定的歐盟著作權(quán)法律環(huán)境之中，主要受《數(shù)字化單一市場版權(quán)指令》(CDSM指令，Directive (EU) 2019/790)與《歐盟人工智能法案》(AI法案，Regulation (EU) 2024/1689)規(guī)制。CDSM指令對著作權(quán)及數(shù)據(jù)庫權(quán)利人的專有復制權(quán)和提取權(quán)設定了若干例外情形，特別允許在無需權(quán)利人事先授權(quán)的情況下，出于特定目的開展文本與數(shù)據(jù)挖掘(TDM)活動，為AI模型訓練提供了法律基礎。
對于商業(yè)性(非科學研究)文本與數(shù)據(jù)挖掘(TDM)活動，權(quán)利人可通過發(fā)布符合特定法律標準的權(quán)利保留聲明，將其作品排除在TDM例外適用范圍之外。這些法律標準的解釋與適用，將直接影響權(quán)利人行使控制權(quán)的策略選擇，并對GenAI開發(fā)者的數(shù)據(jù)獲取流程產(chǎn)生重要影響。根據(jù)《人工智能法案》，通用人工智能(GPAI)模型提供商必須制定并執(zhí)行符合歐盟著作權(quán)法的合規(guī)政策，其中包括識別并尊重TDM例外條款中權(quán)利人“選擇退出”聲明的義務。此外，GenAI系統(tǒng)提供商還需確保其生成內(nèi)容能夠以機器可讀形式加以標注，并具備可檢測性，以增強輸出的透明度與可追責性。
目前，從著作權(quán)角度來看，GenAI的發(fā)展正日益受到多法域內(nèi)權(quán)利人與系統(tǒng)提供商之間司法訴訟的影響。截至目前，歐盟境內(nèi)已公開四起涉及AI訓練與著作權(quán)的相關(guān)訴訟案件，其中三起在德國，一起在法國。2024年9月漢堡地方法院對“Kneschke訴LAION案”的判決，成為歐盟首例就AI訓練與著作權(quán)爭議作出的民事判決。法院判定LAION(GenAI訓練用圖文數(shù)據(jù)集主要提供商)可援引CDSM指令第3條所規(guī)定的科學研究目的TDM例外條款。盡管如此，判決中的若干附帶意見為未來法院在適用第4條——即商業(yè)性TDM活動中的“選擇退出”機制法律標準時，提供了潛在指引。
“Kneschke訴LAION案”同時引發(fā)了對所謂“數(shù)據(jù)洗白”現(xiàn)象的關(guān)注——即以“科學研究”這一較為寬泛的例外條款為依據(jù)開發(fā)訓練數(shù)據(jù)集，盡管這些數(shù)據(jù)集最終可能被用于商業(yè)用途。近期直接授權(quán)市場出現(xiàn)重大進展，權(quán)利人與GenAI開發(fā)商就受著作權(quán)保護作品的使用達成多項協(xié)議。盡管相關(guān)合同條款尚未公開，但市場趨勢分析表明，直接授權(quán)機制的興起受到多重因素推動，包括：對未來AI訓練數(shù)據(jù)短缺的預期;權(quán)利人可提供的高質(zhì)量元數(shù)據(jù)與內(nèi)容標注所帶來的附加價值;締約雙方之間的相對議價能力;專門服務于中小權(quán)利人的內(nèi)容聚合與中介平臺的快速發(fā)展。隨著市場進一步成熟，有望逐步形成涵蓋定價標準、合同條款結(jié)構(gòu)及報酬基準機制的行業(yè)規(guī)范。 在這一新興生態(tài)中，數(shù)據(jù)策展方、數(shù)據(jù)集提供商與內(nèi)容分發(fā)平臺正日益成為連接權(quán)利人和AI開發(fā)者之間的關(guān)鍵中介力量。但其核心挑戰(zhàn)在于：如何提升許可條款的清晰性、合法性與適用性，確保內(nèi)容使用符合各方預期與合規(guī)要求。此外，檢索增強生成(RAG)技術(shù)在提升GenAI系統(tǒng)實時信息處理能力的同時，也帶來了新的著作權(quán)挑戰(zhàn)。盡管如此，RAG技術(shù)為新聞、科學和學術(shù)出版等領(lǐng)域的權(quán)利人提供了獨特的內(nèi)容授權(quán)與商業(yè)合作機會
“網(wǎng)絡爬取”已成為當前主流的AI訓練數(shù)據(jù)收集方式，并催生了一系列針對公開網(wǎng)絡內(nèi)容的自動化挖掘工具。在此背景下，機器人排除協(xié)議(REP)雖被廣泛視為管理網(wǎng)絡爬取行為的事實行業(yè)標準，但作為權(quán)利保留機制，其存在一系列固有局限：缺乏對使用場景和許可目的的精細區(qū)分，無法實現(xiàn)差異化控制;依賴網(wǎng)站管理員主動配置，易導致部署不一致、執(zhí)行效果參差;不具法律強制力，完全依賴爬取方的自愿遵守;要求爬蟲操作方公開披露身份和用途信息，這對使用多種爬蟲工具的機構(gòu)構(gòu)成操作上的負擔。
在當前法律與技術(shù)環(huán)境下，尚未形成統(tǒng)一適用的權(quán)利保留標準機制。實踐中，權(quán)利人通常采用法律驅(qū)動手段(如單方聲明、許可限制、網(wǎng)站服務條款)與技術(shù)措施相結(jié)合的方式，以表達其TDM權(quán)利保留意圖。在技術(shù)路徑上，現(xiàn)有措施大致可分為兩類：“基于位置”的措施：綁定于特定存儲路徑或網(wǎng)站上的內(nèi)容副本，僅對特定分發(fā)位置生效;“基于資產(chǎn)”的措施：直接嵌入內(nèi)容本身，無論其傳播路徑如何變化，均可隨附執(zhí)行。本研究通過17項關(guān)鍵指標對比了各類保留措施的優(yōu)劣。
盡管不同模型架構(gòu)在訓練與內(nèi)容生成流程上存在差異，但著作權(quán)人普遍擔憂，部分模型可能存在“記憶”訓練數(shù)據(jù)的風險，從而生成涉嫌侵權(quán)的內(nèi)容。為降低此類風險，一些模型提供商已部署多項防侵權(quán)技術(shù)措施，包括：輸入輸出內(nèi)容自動比對、提示詞事前過濾、生成內(nèi)容事后篩查，以及為用戶提供一定程度的法律免責保障。與此同時，諸如“模型遺忘”與“模型編輯”等新興技術(shù)尚處研發(fā)驗證階段，其在大規(guī)模商業(yè)環(huán)境下的應用可行性仍有待進一步評估。
為響應《人工智能法案》關(guān)于生成內(nèi)容“可檢測性”的合規(guī)要求，模型提供商正采用來源追蹤、生成內(nèi)容檢測、數(shù)字水印、指紋識別及成員推理攻擊等多種技術(shù)方案。本研究基于10項關(guān)鍵指標，對各類輸出透明度技術(shù)方案進行了系統(tǒng)比較，指出各項技術(shù)在當前均存在優(yōu)勢與局限。
鑒于AI生態(tài)的復雜性，知識產(chǎn)權(quán)局等公共機構(gòu)可提供技術(shù)或非技術(shù)支撐：非技術(shù)層面包括公眾意識培育、GenAI市場技術(shù)商業(yè)動態(tài)追蹤、利益相關(guān)方對話協(xié)調(diào)機制建設，以及著作權(quán)管理措施的文檔化工作;技術(shù)層面則可著力彌補現(xiàn)有技術(shù)方案缺陷，推動解決方案創(chuàng)新。
中企檢測認證網(wǎng)提供iso體系認證機構(gòu)查詢，檢驗檢測、認證認可、資質(zhì)資格、計量校準、知識產(chǎn)權(quán)貫標一站式行業(yè)企業(yè)服務平臺。中企檢測認證網(wǎng)為檢測行業(yè)相關(guān)檢驗、檢測、認證、計量、校準機構(gòu)，儀器設備、耗材、配件、試劑、標準品供應商，法規(guī)咨詢、標準服務、實驗室軟件提供商提供包括品牌宣傳、產(chǎn)品展示、技術(shù)交流、新品推薦等全方位推廣服務。這個問題就給大家解答到這里了，如還需要了解更多專業(yè)性問題可以撥打中企檢測認證網(wǎng)在線客服13550333441。為您提供全面檢測、認證、商標、專利、知識產(chǎn)權(quán)、版權(quán)法律法規(guī)知識資訊，包括商標注冊、食品檢測、第三方檢測機構(gòu)、網(wǎng)絡信息技術(shù)檢測、環(huán)境檢測、管理體系認證、服務體系認證、產(chǎn)品認證、版權(quán)登記、專利申請、知識產(chǎn)權(quán)、檢測法、認證標準等信息，中企檢測認證網(wǎng)為檢測認證商標專利從業(yè)者提供多種檢測、認證、知識產(chǎn)權(quán)、版權(quán)、商標、專利的轉(zhuǎn)讓代理查詢法律法規(guī)，咨詢輔導等知識。
本文內(nèi)容整合網(wǎng)站：中國政府網(wǎng)、百度百科、搜狗百科、360百科、知乎、市場監(jiān)督總局 、國家知識產(chǎn)權(quán)局
免責聲明：本文部分內(nèi)容根據(jù)網(wǎng)絡信息整理，文章版權(quán)歸原作者所有。向原作者致敬！發(fā)布旨在積善利他，如涉及作品內(nèi)容、版權(quán)和其它問題，請跟我們聯(lián)系刪除并致歉！
