AI生成圖片、AI歌曲、聲音克隆、換臉視頻等不斷涌現，舊規則正遭遇新挑戰。與此同時，《人工智能生成合成內容標識辦法》已落地實施，最高法正在推進涉人工智能、數據産權的司法政策研究，全國人大常委會也已將相關立法列入預備審議項目。AI知識産權問題，正從技術討論走向制度回應。

　　表面看是知識産權之爭，實則是在AI重塑內容生産的過程中，誰來投入、誰獲得收益、誰承擔風險——一整套創新秩序正在被重新塑造。

　　本期議事廳，新華每日電訊智庫研究與傳播中心邀請來自法學界和知識産權領域的四位嘉賓，圍繞AI時代知識産權的邊界重劃展開討論：爭議的癥結在哪，訓練數據的邊界該怎麼劃，平臺責任能否止于“工具中立”，以及哪些規則應該率先落地？

　　訪談嘉賓：

　　張平 北京大學法學院教授、北京大學人工智能研究院AI安全與治理中心主任

　　鄭寧 中國傳媒大學文化産業管理學院法律系教授、文化法治研究中心主任

　　劉曉春 中國社會科學院大學法學院副教授、互聯網法治研究中心主任

　　周亞平 音樂産業資深從業者、中國音像著作權集體管理協會原副理事長兼總幹事

　　爭的不只是版權 而是創新秩序

　　主持人：公眾關注這個議題，往往是從一樁樁具體事件開始：某張AI圖和某位畫家的風格太像，某首AI歌曲和某位歌手難辨真假……但這些可見的衝突，是否只是冰山一角，真正的癥結在哪？

　　張平：AI時代知識産權之爭，表面是權利歸屬之爭，實質是一整套創新秩序正在被重新塑造。傳統著作權法的邏輯是“創作—授權—收益—再創作”，前提是權利主體清晰、利益流向可追溯。AI來了，這個鏈條的每一環都被打亂了——投入方從單一創作者擴展到數據提供者、算力提供者、模型訓練者和應用開發者，收益卻大量落入制度灰色地帶。目前制度最先捉襟見肘的，正是覆蓋多方主體的利益分配規則：誰貢獻了內容、誰獲得了收益、誰承擔了成本，法律層面仍是一片空白。這不是某一個法條的缺失，而是整個分配框架的缺位。責任的劃分不能只看誰掌握技術，更要看誰從中獲得了收益——收益歸屬，才是分配責任的首要尺規。

　　主持人：如果説制度層面的癥結在於利益分配規則失靈，那麼在産業一線，最先受到衝擊、表現最為直觀的問題究竟是什麼？

　　周亞平：音樂是最直觀的樣本。AI把音樂領域幾類法律痛點一下子具象化了：大規模複製版權錄音用於訓練，構成複製權侵權；高度還原特定歌手的音色和演唱風格，侵害表演者的人格權益；生成內容大量涌入流媒體，直接擠壓原創者的市場空間。網上已有大量以知名歌手音色生成的AI歌曲流傳，許多聽眾難辨真假。對産業來説，這不是抽象的法學討論，而是原創者正在失去對自身聲音形象的控制。

　　鄭寧：有一點需要先説清楚：今天並非“無法可依”。民法典、著作權法和《互聯網信息服務深度合成管理規定》等已經劃定了人格權、著作權、平臺責任的基本紅線。真正的問題是執法能力跟不上侵權速度、跨平臺協同機制缺失、公眾認知存在大量誤區——很多人以為“非商用不侵權”“打上AI標識就免責”，這些都是錯的。但在我看來，訓練數據權屬與平臺運營規則固然關鍵，當下對普通民眾權益衝擊最直接的，當屬AI換臉、聲音盜用等人格權侵權行為。這類行為傳播門檻低、擴散速度快，對公民人格尊嚴造成的損害往往不可逆。

　　主持人：普通人發現自己的臉或聲音被AI盜用之後，到底該怎麼辦？

　　鄭寧：普通權利人最無力的，不是發現不了侵權，而是發現之後——不知道怎麼舉證、怎麼追責、怎麼止損。AI訓練是“黑箱”，權利人難以證明自己的聲音或肖像被用於模型訓練。就算投訴成功下架了一個賬號，侵權內容換個馬甲又會在別的平臺繼續傳播，權利人只能陷入“反復維權、反復侵權”的惡性循環。這不是個案，是系統性困境。

　　劉曉春：維權難是事實，但解題方向不應是把所有合規壓力都壓到單一主體身上——不管是全部推給平臺，還是全部前置到應用層創新主體，都不利於産業可持續發展。更可行的思路是多方共擔：權利人用好通知刪除機制，平臺提供低成本的侵權核驗工具，應用層創新主體就“明知或應知”的侵權情形承擔責任。分層分責，才能讓每道防線都有人守。

　　鄭寧：分層分責是對的，但現實中各方往往相互推諉，均認為自身並非首要責任主體，最終導致權利人維權四處碰壁、訴求無處落實。權責如何界定、責任如何劃分，必須結合具體場景與實際問題逐一厘清。

　　訓練先管 還是輸出先治

　　主持人：訓練數據是當前爭議最集中的問題，也是最容易被繞開的問題——強調創新的一方擔心“管得太緊”，強調版權保護的一方則認為“根源就在侵權”。這個爭議的焦點在哪？

　　張平：訓練端的問題無法繞開。如果一律要求先授權再訓練，一對一談判幾乎不可能實現，創新空間會被明顯壓縮；但如果默認可以廣泛抓取，原創者就會在事實上淪為AI發展的無償燃料。合理的路徑，是在兩端之間劃定邊界，輔以付費補償機制兜底。可借鑒歐盟的折中思路：為一般性訓練數據使用設立默認許可例外，同時允許權利人以機器可讀方式主動聲明保留權利——既給産業留出合規空間，也為原創者保留行使選擇的制度出口。

　　周亞平：音樂産業的實踐告訴我們，一對一授權對海量訓練數據來説就是災難。更可行的路徑應當是集體管理——平臺向集體管理組織支付年度一攬子許可費，一次性覆蓋成千上萬首作品，權利人按數據比例分潤。這樣可以把交易成本降下來，中小權利人無需單獨談判也能獲得補償。音集協認為應將集體管理職能延伸到AI訓練場景，實現“一站式收取和轉付”。但訓練數據是整個生成式AI的地基：如果模型侵權使用海量數據訓練，後續所有輸出就不具有合法性。沒有合法授權，模型本身就是“污染源”，後續的輸出、聲音克隆、傳播行為，都可能被追溯為衍生侵權。

　　劉曉春：從治理的可操作性看，我認為輸出端應當優先突破。訓練數據的合理使用認定，國際上尚未形成統一共識；而輸出端的侵權事實更直觀——直接再現他人作品、未經授權將生成內容商業化傳播，對權利人的損害更容易量化。優先治理輸出端，能以更低的成本實現更高的治理效能，同時為訓練端的合規模式探索留出緩衝空間。

　　主持人：周亞平先生認為，訓練端不先理順，模型本身就帶著“原罪”；劉曉春教授則擔心，如果把成本全轉嫁到訓練端，中小創新者根本沒有出場機會。這兩種代價，究竟該先避免哪一種？

　　周亞平：如果源頭長期無序，原創者會先出局——創作者一旦失去對自身作品被學習、被複製的控制權，而後其輸出的內容又無法對原創者進行合理補償，那麼整個內容産業的經濟秩序都會被顛覆。

　　劉曉春：我理解周老師對訓練端的擔憂。但如果把全鏈條合規義務都前置到訓練端，尤其壓到中小開發者和初創團隊身上，他們往往難以承擔全流程知識産權核驗的成本。這樣做未必能提升治理效能，反而可能削弱應用層創新的活力。

　　張平：這個問題需要分開看。肖像權、聲音權屬於人格權益，具有絕對性，可以引入演算法透明度原則，將舉證責任適度轉移至平臺和模型方；而版權糾紛屬於財産性私權，以輸出結果判斷侵權即可，不必強制要求平臺公開訓練數據。兩類糾紛的保護力度應當有所區分，採取一刀切的處理方式，既可能壓制創新，也可能保護失當。

　　平臺只是工具 還是責任主體

　　主持人：平臺和模型方常常説，自己只是提供工具，責任在用戶。這個説法，現在還成立嗎？

　　周亞平：這個説法已經過時了。平臺早已深度介入內容生産全鏈條與收益分配，不能還停留在“被動工具箱”的位置上。美國唱片業協會起訴Suno（全球頭部AI音樂生成平臺）和Udio（AI作曲/人聲生成公司）的核心指控，就是平臺主動複製數百萬首版權錄音用於訓練——這是平臺在産品開發階段的系統性選擇，不是用戶完成的。平臺不能一邊依靠侵權訓練數據獲益，一邊把侵權風險全部推給用戶與創作者。

　　鄭寧：認定平臺責任的關鍵標準，應是“明知或應知侵權而未採取必要措施”。杭州互聯網法院審理的涉AI“奧特曼案”中，平臺因未合理預防用戶生成與特定形象實質性相似的內容，被認定承擔幫助侵權責任。這個裁判確立的可追責性底線，應在後續司法實踐中延續並強化。更重要的是，平臺責任不能只有原則沒有刻度，還應遵循分類定責、過錯歸責和比例原則——誰的技術控制力更強、盈利規模更大，誰就應承擔更高的注意義務。

　　張平：平臺責任應當分層配置。責任分配應以收益歸屬為核心、技術控制為補充：主體從AI産業鏈獲益越高，風險抵禦能力越強，相應承擔的合規義務也就越重。具體來看，基座模型開發者對知名形象生成、聲音合成等典型高風險場景，應履行更高的事前預防義務；平臺承擔內容分發環節的透明度與投訴處置義務；應用層開發者則應就其可控範圍內承擔合規義務。頭部平臺承擔更高合規責任，也要為中小創新主體預留合理空間。

　　主持人：平臺不能免責，但責任過重會不會形成合規壁壘，反而把創新壓死？這個尺度怎麼把握？哪些底線無論如何不能突破？

　　劉曉春：這個張力是真實存在的。基礎模型格局大體成形，應用層創新將成為接下來最關鍵的增長點。過急出臺嚴苛的規則會形成合規壁壘，讓大量中小開發者望而卻步。應堅持問題導向、分類施策：對明確、緊迫、危害突出的風險，加強治理、嚴格追責；對具有探索性、非惡意的問題，保持制度彈性，建立容錯糾錯機制。“包容審慎”不是對侵權的放任，而是為尚未形成定論且技術與商業模式仍在迭代的領域保留試錯空間。

　　張平：底線之上允許彈性，底線之下不可退讓。有三條底線無論如何不能突破：一是原創作品的基礎權利——凡實質性利用原創表達、對原作品市場形成替代效應的行為，都應受到法律約束；二是肖像權、聲音權等人身權益，不因技術效率而讓步；三是源頭侵權的可追責性必須守住——利用AI進行的侵權行為，無論發生在哪個階段，都應當被追究。

　　規則落地 先補哪一塊

　　主持人：規則缺位、執行乏力、行業自律不足，這三個問題同時存在。如果只能先補一塊，各位會把票投給哪？

　　張平：最應優先落地的，是可實操的收益分配機制。這不能停在原則層面，必須轉化為具體工具：稅收手段可對AI訓練和生成環節設立特定稅目，用於反哺原創者；補償金制度可參照私人複製補償金的經驗，對特定訓練數據使用設立法定補償；版稅基金可由平臺和模型方共同出資，用於結算分散權利人的對價。訓練數據使用規則和利用AI技術自動生成內容的權利屬性，則必須在著作權法修訂中明確回應，不宜長期停留于司法個案。平臺義務邊界則可交由司法實踐和行業自律逐步探索完善。

　　鄭寧：我的票投在技術溯源和跨平臺協同處置機制上。首先，應明確過錯推定原則：權利人完成初步舉證後，由平臺和模型方披露訓練數據來源和演算法邏輯，打開“技術黑箱”，把舉證責任適度轉移到更有能力承擔的一方。在此基礎上，建立統一的AI侵權內容數據庫，權利人完成一次投訴後，所有接入平臺自動識別、攔截侵權內容，實現“一處投訴、全網下架”。內容標識解決“讓人看見”，溯源機制解決“追得上、查得清”，兩者缺一不可。

　　劉曉春：有一件事尤其需要警惕：規則越做越多，執行能力卻沒有跟上，最終就容易變成紙面合規、現實失靈。更可行的分層方案是：標識、浮水印、平臺審核、投訴快速處置這些基礎工具先做紮實；對於技術與商業模式仍在迭代的領域，保持制度彈性，讓市場和技術先行探索，在發展中逐步明確標準。

　　周亞平：分配機制要真正落地，集體管理組織是繞不過去的關鍵節點。平臺向集管組織支付年度一攬子許可費，一次性覆蓋成千上萬首作品，權利人按數據比例分潤。分級授權也是可行路徑：非商業實驗訓練低收費，商業化生成增加分成。窗口打開了，創新有了合法渠道，原創者也能拿到實實在在的回報。但從長遠看，內容産業更需要建立的是一套可持續的利益分配機制，而不是一套更嚴格的禁止性規則——單純靠“堵”行不通，要讓AI成為創作的放大器，而不是創作者權益的掠奪者。音集協今年新修訂的會員規則，暫不登記純AI生成的音樂內容，這首先説明音集協對AI音樂的可版權性持否定立場，同時也明確呼籲AI大模型平臺應該為其使用的訓練素材付費。雖然這只是限于産業的態度，且分成所依據的數據如何取得也尚無定論，更沒有平臺真正執行——但方向已經亮出來了。

　　主持人：知識産權保護的核心，從來不是防止創新，而是為創新提供可靠的激勵。AI時代真正的考驗在於：能否建立一套讓原創者分到應得回報、讓創新者不必被合規成本拖垮的分配機制。規則已經寫下第一行字，接下來要看它多快能變成創作者賬戶裏真實到賬的收入。那時人們才會真正相信：技術進步，並不以犧牲創造者為代價。