训练AI模型使用受版权保护图书是否合法？法律细节全解析

背景：AI模型的训练数据来源

当前主流的对话式大模型，如ChatGPT、Gemini、Claude等，都是在海量文本上进行预训练的。公开的统计数据显示，这些文本包括数以亿计的图书、新闻、学术论文以及网络文章。对大多数作者而言，他们的作品在不知情的情况下被爬取、汇入训练库，这让版权问题浮出水面。

法律争议的核心点

从美国法律视角来看，涉及两大关键概念：合理使用（fair use）与侵权复制。合理使用允许在特定情形下使用受版权保护的作品，例如评论、教学或研究。但是否能将其延伸到机器学习训练，尚无统一判例。

2023 年，联邦法官 William Alsup 对 Anthropic 公司作出判决，虽认定其使用的图书来源于非法的“影子图书馆”，但同时指出，Anthropic 的训练行为本身在法律上是“合法的”。换言之，关键不在于训练行为，而在于获取数据的渠道是否合法。

判例解读

• Anthropic 被判支付约 15 亿美元的赔偿金，主要因为其从盗版网站下载图书，违反了版权法的复制权。
• 法官同时强调，使用这些数据训练语言模型并不直接构成侵权，因为模型输出并非对原文的直接复制。

此判例显示，法律在“数据来源合法性”和“模型输出是否侵权”之间划出了细致的界限。

行业可能的应对路径

面对法律灰色地带，AI 公司正探索多种合规方案：

• 与出版社、作者签订数据授权协议，确保使用的文本拥有明确许可。
• 采用公开版权（如CC0）或已进入公共领域的作品作为训练基准。
• 开发技术手段，对训练数据进行去标识化处理，降低潜在侵权风险。

对中文作者与读者的影响

虽然上述讨论主要基于美国司法实践，但其判例对全球AI生态都有示范效应。中文作者同样面临作品被跨境模型抓取的可能，若缺乏明确授权，未来或将出现类似的版权纠纷。对读者而言，了解模型背后的数据来源有助于理性使用AI生成内容，避免因误用导致的法律风险。

结语：法律仍在追赶技术

AI 训练数据的版权问题远未有定论。法院在判例中表现出的“合理使用”与“侵权复制”之间的微妙平衡，提醒业界在追求技术突破的同时，必须重视数据获取的合规性。未来，立法层面的明确指引或将成为解决争议的关键，也为作者提供更有力的保护。