浅议人工智能训练数据的版权透明机制
登录新浪财经APP 搜索【信披】查看更多考评等级
编者按
生成式人工智能快速发展，为内容创作开启了新篇章，同时也带来了版权保护挑战，尤其是人工智能大模型训练数据的版权合规问题日益被关注。本文作者认为，在大模型数据训练的版权使用规则仍未体系性明确的情形下，建立健全数据训练的版权透明机制，可有效提升人工智能版权治理效能。
刘友华 严熙瑶
随着生成式人工智能（AIGC）技术的快速发展及广泛应用，大量训练数据引发了版权合规及治理挑战。版权透明制度适用于生成式人工智能从数据收集、模型训练到内容输出的全流程，通过公开被“接触”与使用的作品或数据情况，可为后续权利实现与版权合规提供有效证明，为实施“选择-退出”机制提供基础。但版权透明机制的实施具有三大现实困境：一是训练数据规模庞大、来源复杂，识别与记录其中每一作品的数据信息，将增加操作成本；二是囿于商业秘密与竞争利益，人工智能大模型企业披露版权信息的意愿和动力不足；三是版权透明机制实现涉及多方主体，需考量信息披露与个人隐私保护、数据安全等利益及平衡。在大模型数据训练的版权使用规则仍未体系性明确的情形下，建立健全数据训练的版权透明机制，可有效提升人工智能版权治理效能。
版权透明制度具有多元价值
在人工智能数据训练中构建版权透明机制，具有以下价值：
一是为实施“选择-退出”机制提供基础。大模型数据训练的合理使用机制既具有合理性，也具有迫切的现实需求。若将符合一定条件的数据训练行为纳入合理使用范畴，“选择-退出”机制将成为平衡技术创新与著作权人意愿的关键闸口。该机制默许合理范围内的作品使用行为，著作权人可以明示退出，但如其无法知晓大模型训练中作品使用情况，“退出权”将事实上被架空而难以实现。在版权透明制度下，披露大模型数据训练情况，著作权人可高效行使“退出权”，同时也可使企业合规审查对象从互联网空间缩小到结构化清单，有利于降低识别和处理权利声明的成本。
二是在实体上刺破“黑箱”，提供证明作品被“接触”与使用的直接证据。当前，司法实践主要通过“实质性相似”来判断人工智能生成物是否侵权，版权透明机制能提供作品被纳入训练数据的证据，即存在“接触”的可能性，简化权利人的举证链条，降低维权成本。此外，透明机制使数据训练具有追溯的可能，囿于其威慑效应，大模型在数据收集与使用时将更为谨慎，从而在源头上减少未经许可使用等侵权行为。
三是在精神上给予作者激励。作品是作者独特思想、情感与人格的延伸。在人工智能数据训练的场景下，作品被转化为匿名数据点，其背后的人格属性被隐藏，将弱化著作权法保护作者人格利益的初衷。在实践中，已出现将“未署名以示尊重”作为核心诉由之诉，反映了创作者群体在数字时代对于精神权利的诉求。在这个意义上，在大模型数据训练中，通过版权透明机制标示作者，有利于回应创作者的精神需求，进一步激发创新动力。
在价值与目标之间寻求平衡
构建版权透明制度需审视现行法律规则、产业生态及技术条件的适配，在多重价值与目标之间寻求平衡。
一是实施成本与制度收益的平衡。信息披露辅助权利人维权的实际效果可能低于预期。一方面，训练数据规模庞大，权利人在单次数据训练中的有限收益，可能难以覆盖其维权过程中付出的时间与经济成本；另一方面，履行全面披露义务意味着需额外承担高昂的合规成本，包括数据溯源、版权识别、信息整理、系统建设与维护等，将给中小企业带来负担，削弱人工智能市场的竞争活力，市场价格随之升高，将限制公众的普惠获取，抑制人工智能产业健康发展。因此，需注重披露成本与收益的平衡。
二是企业合规与产业发展的平衡。版权透明制度是人工智能企业合规的关键环节，能有效防范法律风险，规避因数据来源不明、授权不清而引发的著作权侵权或个人信息侵权纠纷，从而保障企业经营的稳定性。但从另一方面看，严苛的披露一定程度上将增加企业运营成本与法律不确定性，使得合规成本挤占企业资源，反过来抑制技术创新。因此，应考虑透明制度对产业创新生态的影响，在“规范”与“促进”之间建立恰当平衡，避免透明机制的实施抑制行业和产业活力。
三是数据披露与商业秘密平衡。模型训练与训练数据要素往往是企业的核心商业秘密，是其竞争力的来源，透明机制可能引发数据安全与个人信息泄露的连锁风险。另一方面，过度保护商业秘密，将加剧“算法黑箱”。透明制度并不要求全面公开，而是确保必要可问责。如欧盟《人工智能法案》基于风险的分级透明框架，既确保关键领域必要的透明度，又为不同风险级别的商业秘密提供差异化的保护空间，可供借鉴。
探索版权透明动态调适路径
笔者认为，应从法律规制、技术赋能与社会协同三个层面，构建版权透明的动态调适路径。
一是建立风险分级披露制度，为中小企业配置优惠机制。一方面，建立基于场景的四级管理体系。第一、二级侵权风险较小的系统中，多涉及公共领域作品、开源代码、事实性数据等不受版权保护或保护期届满的客体，允许简化披露，仅需提交数据类型概览与公共领域声明，避免过度增加成本与负担。第三、四级侵权风险较大的系统中，多涉及文学艺术等原创性高、市场价值大的作品类型，应详尽披露义务，包括作品名称、作者、来源数据库、使用数量及是否在输出环节保留作品表达性要素等，确保著作权人能精准识别作品使用状态并行使“退出权”。对于涉及个人信息、敏感数据多的系统，应在披露的同时嵌入个人信息保护合规审查双轨制，在备案基础上，筛查剔除敏感信息后披露，以防范版权透明化引发数据安全风险。另一方面，强化对中小企业的扶持，降低其进入透明体系的成本。如对版权透明系统建设予以适当补助或支持，组织常态化合规培训，探索实施柔性监管机制，设置更长的合规宽限期，允许其分阶段、分模块和使用简化的报告模板。
二是技术手段与行业标准相结合，以行业自治推进制度落地。其一，建立健全事前、事中和事后相结合的技术措施。在数据收集与预处理的事前阶段，对明显侵权和高风险内容推行过滤机制，在用户交互端部署提示词过滤器，禁止响应生成侵权内容的指令。在事中阶段，建立便捷、高效的侵权举报渠道，确保侵权通知内容限于必要信息，并公开处理流程与时限。在事后阶段，依据“通知-删除”规则，建立快速响应机制，提升对侵权内容的定位与下架效率。其二，鼓励行业协会、科研机构与企业共同研制训练数据标识和溯源水印等技术规范，如显性标识与隐性标识，尤其是隐性标识，通过嵌入不可感知的溯源代码，为事后追踪内容来源、定位训练批次提供技术可能。
三是建立多元主体参与的监督机制，强化社会协同治理。构建开放、包容的治理生态，创作者、用户、公众等共同参与监督与反馈。其一，建立“训练数据公共备案平台”，集中公示各模型的训练数据来源清单，提供便捷查询与异议通道。其二，鼓励成立大模型训练数据行业协会，吸纳多方代表参与，制定行业准则，开展合规评估与诚信评级。其三，推动形成人工智能时代新型创作伦理与数字文明观，鼓励公众参与创作，培育版权文化和创新生态，推动形成尊重版权的良好氛围。
（作者单位：湘潭大学知识产权学院）
（编辑：刘珊 实习编辑：蔡友良）