新闻中心
作者：许滕
上海天知澜律师事务所高级合伙人、天知澜苏州分所执行主任。知识产权、TMT、数据与科技法方向律师，专利代理师。
2017年通过司法考试，长期从事法律工作，本科国防科技大学信息与通信工程专业，研究生同济大学电子信息专业人工智能与自动化方向，具有深厚的法律底蕴和技术基础。许滕律师从事知识产权、数据、TMT、科技法方向的日常法律咨询、专项合规、诉讼、专利无效及其他专项法律业务，行业主要集中在人工智能、软件工程、嵌入式系统、集成电路、TMT、大数据等。
在当今科技与法律交织的时代背景下，生成式人工智能与版权之间的关系已然成为备受瞩目的焦点话题。深入探究二者的关联，对于明晰法律适用、推动创新发展以及维护相关权益有着至关重要的意义。
生成式人工智能与版权的基本概念
生成式人工智能，旨在通过算法模拟或再创人类可感知的各类输出形式，诸如文本、图像、音乐等。与传统执行分类、预测任务的判别式人工智能有所不同，其核心目标在于创造出全新且前所未有的输出成果，且这些输出在外观上仿照人类创作。尽管从表面形式来看，生成式人工智能的输出在含义及质量方面或许稍逊于人类创作成果，但倘若将其输出对外宣称为人类创作，往往足以使普通大众信以为真。
版权，亦称作著作权，本质上是作者对其文学、艺术作品所享有的一系列独占性法律权利，涵盖复制权、发行权、展示权、表演权、改编权等多个方面。
而生成式人工智能从形式表现角度可归为人工智能的一个分支，与判别式人工智能存在差异，不过在底层原理层面，并未呈现出极为明显的分支特性，仅是其算法更侧重于生成这一功能特性。鉴于不同的人工智能技术在原理、逻辑方面可能存在较大差异，所以针对人工智能生成物与版权之间的关系，不能一概而论。不同原理以及不同表征形式的人工智能生成物，在能否获得版权保护这一问题上，结果往往大相径庭。
现代人工智能领域核心技术剖析
机器学习、深度学习与大模型概述
机器学习作为现代人工智能领域的核心要素之一，是一种能够使计算机借助数据学习来提升自身性能的技术，其独特之处在于无需进行明确的编程操作。机器学习的核心要点在于开发特定算法，这类算法具备从数据中学习模式与特征的能力，并能依据所学信息做出相应的预测或决策。
深度学习则是机器学习范畴内的一个子集，其依托被称作神经网络的复杂结构，尤其是深层神经网络来挖掘数据中蕴含的复杂模式。深度学习模型的显著特点在于其包含多层结构，也正因如此得名“深度”。每一层都会针对输入数据进行特征提取与转化，并将处理后的信息传递至下一层，以此实现对数据的深度分析与利用。
大模型又是深度学习领域的一个子集，通常指代那些包含大量参数的神经网络模型，凭借这一特性，它们能够高效处理大规模数据集，并执行各类复杂的计算任务。诸如广为人知的gpt、通义千问、文心一言等，皆是大模型的典型代表。鉴于大模型在表现上与传统机器学习和深度学习已能形成明显区分，在此便不再赘述其与二者之间的具体差异。
01 模型的结果和复杂性方面
传统机器学习往往运用相对简易的模型，例如线性回归、支持向量机（SVM）、决策树等。这些模型大多属于浅层结构，通常仅涵盖输入层与输出层，部分情况下会包含少量的隐藏层。而深度学习所采用的是基于多层（深层）神经网络构建的模型，像卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）以及基于注意力机制的Transformer模型等。此类深度学习模型结构颇为复杂，其隐藏层数量可达数十甚至数百个之多，这与传统机器学习模型形成鲜明对比。
02 数据需求方面
传统机器学习在相对较小的数据集环境下，通常也能够展现出良好的性能表现。然而，深度学习则对数据量有着较高要求，需要大量的数据来对模型进行有效的训练，唯有充足的数据支撑，才能使其充分发挥出自身优势，挖掘出数据中的深层次模式与规律。
03 计算资源方面
由于传统机器学习所采用的模型结构相对简单，所以在训练这些模型时，往往无需高度专业化的硬件设备支持，在普通不具备高性能计算能力的机器上便可顺利开展训练工作。与之相反，深度学习因其模型的复杂性以及对大量数据处理的需求，对计算资源的要求颇高，尤其在显卡性能方面有着较高的依赖度，以此来保障能够妥善处理复杂的模型以及海量的数据集。
04 特征工程方面
传统机器学习在很大程度上依赖于人工手动提取的特征以及对数据进行的预处理工作，其最终效果在相当程度上取决于所选取特征的质量以及适用性。而深度学习具备自动从原始数据中提取复杂特征的能力，这一特性有效减少了对复杂特征工程的依赖，能够更为自主地挖掘数据中的潜在特征信息。
05 解释性方面
传统机器学习因模型相对简单，其决策过程通常更易于解释和理解，例如决策树模型能够直观地展示其内在的决策逻辑，让人一目了然。反观深度学习，尤其是在模型结构极为复杂的情况下，往往被视作“黑箱”模型，想要深入理解其内部的决策过程与逻辑存在较大难度，其运行机制犹如一个难以窥探全貌的“黑箱”，增加了分析和解读的复杂性。
生成式人工智能的发展轨迹与普通人工智能大体一致，早期主要依托基于规则的系统，这类系统依靠硬编码的指令来生成输出，尽管后续因融入机器学习元素而具备了一定的灵活性，但随着诸如生成对抗网络（GAN）和变分自编码器（VAE）等技术的相继问世，借助深度学习的强大能力，生成式人工智能得以生成高质量、高复杂度的输出内容，并在艺术创作、游戏开发等诸多领域得到了广泛应用。大模型的出现更是进一步推动了生成式人工智能能力的提升，使其在更多应用场景中展现出巨大潜力。
人工智能生成物独创性判断依据
依据著作权法对于作品的定义，作品应是处于文学、艺术和科学领域内，具备独创性且能够以某种有形形式进行复制的智力成果。由此可见，在分析人工智能生成物是否能够享有著作权时，首要任务便是剖析其是否具备独创性这一关键要素。
所谓独创性，要求作品必须能够反映出创作者的个人思想与判断，充分体现创作者在创作过程中所做出的创造性选择以及独立的智力劳动。从当前涉及人工智能生成物案件的既有判例来看，其判断标准主要聚焦于两个核心方面：其一，作品是否彰显了创作者的个性化表达；其二，创作过程中是否体现了创造性的智力劳动。
典型案例分析
在“北京菲林律师事务所诉北京百度网讯科技有限公司侵害署名权、保护作品完整权、信息网络传播权纠纷案”中；“深圳市腾讯计算机系统有限公司诉上海盈讯科技有限公司侵害著作权及不正当竞争纠纷案”以及“原告李某某诉被告刘某某‘AI文生图’侵犯著作权案”，这三个案例皆是人工智能生成物版权认定方面颇具代表性的案例。其中，案二与案三均认定了涉案人工智能生成物具备独创性。而在案一中，对于自动生成的图形以及威科先行库自动生成的分析报告的独创性认定情况有所不同，就自动生成的图形而言，案例并未认定其具有独创性，原因在于尽管图形会因数据变化而呈现出不同形状，但这种形状的差异是基于数据差异所产生，并非源于创作行为本身。从法院给出的理由中不难看出，该图形仅仅是依据数据按照既定规则进行作图，常规的编程软件便可轻松实现这一功能，难以体现出人工智能技术的实质性参与。并且，即便换作人工依据数据绘制折线图、饼状图、柱形图等情况，同样也不会被认定具有创造性，因为这都是遵循完全既定的规则，人只是依照规则进行作图操作而已。
从上述案例分析中可以洞察到，在判断一个人工智能生成物是否具备独创性时，不应将创作主体作为评判的核心标准。部分法律观点认为，生成式人工智能在创作过程中并未体现出创造性的智力劳动过程，仅仅是对统计随机规律的选择，进而主张人工智能生成物不能具备“独创性”。然而，这种观点虽严格遵循法律解释的逻辑，但却存在诸多有待商榷之处。一方面，“智力劳动”原本是用于描述人类创作过程的概念，对于生成式人工智能的生成过程究竟是否属于“智力劳动”，目前在法律层面尚无明确的定义。例如，生成式人工智能运算时需要GPU运行，这一过程是否可认定为一种劳动形式尚无定论；况且既然将其命名为人工智能，从某种程度上是否已然认可了其具备一定的智力属性也未可知。另一方面，生成式人工智能在统计随机规律的选择过程中，实则体现了深层的分解的特征信息，而正是基于这些分解后的深层特征信息才得以判断出下一个字应当生成什么内容，那么这一过程是否体现了智力因素同样缺乏法律层面的明确定义。
需要明确的是，生物的智力活动必然依托物质基础——神经元，就当前科技发展现状而言，尚无法证明无数的神经元是否是基于统计规律生成的智力，因而也难以据此否认大模型的非智力性。所以，这一法律观点既无法得到确切的证实，也难以被证伪。但从我国当前涉及人工智能生成物“独创性”的判断实践来看，显然并未采纳这一观点。
无论如何，应当明确的一个核心要点是，“独创性”这一概念应当是针对作品本身的描述，而非针对完成作品的主体。当一份文字报告依据法律规定被认定具备独创性时，不能仅仅因为得知这份报告是由人工智能生成的，便否定其“独创性”，否则文字报告的“独创性”便会陷入一种似是而非、难以确定的尴尬境地，这显然是难以令人接受的。根据诸多典型案例来看，尽管针对人工智能生成物的独创性阐述了各类依据与解释，但在实际判断中，其与人类产出的作品的“独创性”判断依然适用同一标准。
就人类产出的作品的“独创性”判断标准而言，依据王迁教授在《知识产权法教程》中的观点，“独创性”中的“独”与“创”各自蕴含不同的内涵。其中，“独”指代“独立创作、源于本人”，强调作品的创作来源独立性；而“创”则意味着劳动成果还需具备一定程度的“智力创造性”，即能够充分体现作者的智力判断与选择，彰显作者的个性，并达到最基本的创造性要求。将这一标准适用于人工智能生成物时，“独立创作、源于本人”可理解为“智力创造性”源于不包含人工智能及其开发者和使用者的外界因素；“智力创造性”具体表现为，如果将人工智能生成物视作由人创作时需付出“智力创造性”的劳动成果，那么人工智能生成物本身便应当具备同等的“智力创造性”，也就是一种等价的智力创造性。
总结
人工智能生成物是可以具备独创性的，而评价其独创性的重要标准之一便是生成物是否是依照创造产生。具体而言，人工智能生成物独创性的判断标准可以按照实质等同的方式，参照一般作品的独创性标准来执行，以此确保在判断过程中的科学性与合理性，维护法律适用的公平性与一致性。
END
许滕律师联系方式：15601657356
