「法竞·无界」
“没有规矩，不成方圆；没有法治，不成盛事。”大型文体赛事的有序举办，离不开法治的刚性护航与专业支撑。律新V品微信公众号特开设「法竞·无界」专栏，本栏目将由谭劲松律师全程领衔，聚焦各类大型文体赛事，分享一线实务心得、拆解法律实操要点，抛砖引玉，与行业同仁共同探讨、共同进步，以法为盾，为盛事立序，让竞界无界。
2026年5月，第十届中国网络版权保护与发展大会在深圳召开。“十五五影视产业创新发展与版权治理”分论坛上，人机协同创作视听作品的著作权侵权问题成为焦点议题。一个不容回避的现实是：生成式AI已深度嵌入影视创作的全链条，而法律规则的演进速度远落后于技术迭代。本文结合论坛核心观点与近期国内外司法实践，从实务律师视角，系统梳理这一领域面临的核心法律问题。
一、技术浪潮：人机协同如何重塑影视创作
AI已深入贯穿视听作品创作全流程——从概念与剧本的创意催化，到分镜与视觉设计的风格生成，再到动态影像、角色塑造、声音设计、剪辑与后期，最终进入整合迭代的闭环。AI不再是辅助工具，而是嵌入了创作决策的每一个环节。
人机协同可归纳为五种模式：AI催化创意（人类提供初始想法，AI生成变体突破思维局限）；AI执行放大（人类确定方向，AI以远超人工的效率完成执行工作）；AI实时协助（根据人类操作实时补充建议）；人类编辑与策展（AI批量产出，人类筛选重组）；人类反馈与调适（通过“提示词—输出—反馈”循环逼近目标）。五种模式在实践中交织叠加，形成高度复杂的人机交互创作系统，区分“人类创作”与“AI创作”的边界变得越来越模糊。
这轮变革带来了深远影响：创作门槛大幅降低，几个人配一套AI工具即可启动过去一个团队的制片流程；规模化、个性化生产成为可能，内容供给量指数级增长，微短剧行业的爆发式增长就是最直观的例证。但与此同时，“风格混合”成为普遍现象——AI的学习机制决定了输出天然带有训练数据印记，所谓的“原创”在某种意义上都是经过技术伪装的“高级洗稿”。
由此引发的著作权法律问题可归纳为五个层面：作品适格（AI生成内容是否构成著作权法意义上的“作品”）、作者身份（谁是AI辅助创作作品的“作者”）、训练端侵权（使用他人作品训练AI模型是否构成著作权侵权）、输出端侵权（AI生成的内容侵犯在先著作权）、以及平台责任（AI内容分发传播中平台应承担何种注意义务）。其中，训练端与输出端是争议最集中、司法实践最活跃的两个战场，也是本文重点分析的对象。
二、训练端的法律争议：复制还是学习？
近年来，国内外围绕大模型训练引发的著作权侵权诉讼层出不穷。一个基本共识正在形成：训练行为本身构成对作品的“复制”。
美国“Raw Story Media & Alternet v. OpenAI”案明确指出“训练涉及制作副本”——AI模型抓取、存储和预处理训练数据的过程，不可避免地涉及对原始作品的复制行为。德国“GEMA v. OpenAI”案同样认定“训练数据被模型内部记忆，即构成复制”。如果“复制构成说”成立，AI公司需获得著作权人授权，除非能援引合理使用或其他法定免责事由——但AI训练所涉及的“复制”规模之大（动辄数十亿件作品）、目的之新（非直接消费性使用，而是模型能力构建），远超出传统合理使用制度的想象边界。
然而，抗辩方的逻辑同样具有说服力。在著名的“Sarh Andersen, Kelly McKernan & Karla Ortiz诉Stability AI”案中，被告律师提出了一项技术性抗辩：AI模型根本不存储原始图像，只保存从这些图像中提取的特征向量的数学表示。换言之，AI“学习”的并非作品本身，而是作品中蕴含的模式、规律和统计特征——就像一个人读了一万本小说后能写出具有特定风格的故事，但他并没有在记忆里逐字复制任何一本书。英格兰和威尔士高等法院在“Getty Images诉Stability AI”案中采纳了类似的逻辑，认定模型权重不是复制品，权重学习提取的是抽象模式和统计特征，而非复制具体图像内容。
这两种对立的裁判逻辑揭示了著作权法的一个根本困境：“复制”概念是前数字时代的产物。当复制对象从“具体表达”变为“抽象特征”，存储形态从“像素级副本”变为“向量空间中的数学映射”，传统法律概念的有效性边界在哪里？
作为实务律师，我认为目前不宜对训练端的法律定性做过早的、过于确定的预判。两种立场各有其法理基础和产业政策考量——“复制构成说”更有利于保护著作权人的既有利益，但在技术层面面临“模型是否真的‘复制’了作品”的事实争议；“特征学习说”更契合AI技术的实际运作机理，但可能导致著作权人在训练环节完全失去对作品的控制。这一问题的最终解决可能需要立法层面的制度创新——例如建立强制性的训练数据许可制度，或创设专门的“文本与数据挖掘”合理使用条款（类似于欧盟《数字单一市场版权指令》的路径）。在此之前，对影视从业者而言，更紧迫也更具实操价值的课题是：当AI输出端产出了与自己作品实质性相似的成果时，如何有效维权？
三、输出端的侵权新样态：隐蔽化、碎片化、批量化
如果把训练端比作“原罪”，输出端就是“现行犯”——而且这个现行犯的作案手法正变得越来越高明。综合来看，输出端侵权行为呈现五个全新特征：
第一，隐蔽化。AI生成的侵权内容经过了“改写、重绘、换风格、换镜头、微调参数”等多重变形。一个典型场景：AI根据某部经典电影的画面风格和叙事结构，生成一部人物、场景、台词完全不同的作品，观众却产生强烈的“即视感”。这种“神似而形不似”的感觉上的相似性，能否构成著作权法意义上的“实质性相似”？传统的“抽象—过滤—比较”三步法在面对这种情形时力不从心——它擅长识别“像素级”的抄袭，但在面对经过了多重风格变换的AI输出时，过滤和比较的标准几乎无从建立。
第二，批量同质化。AI的核心能力不在于“创作一部杰作”，而在于“以极低成本创作一万部及格线以上的作品”。当一个模型“学会”了某部热门作品的叙事模式、视觉风格和角色设定，它可以在极短时间内生成成百上千个变体——每一个单独拿出来都未必构成实质性相似，但它们合在一起，对原作品的市场替代效应是毁灭性的。更值得警惕的是，这种批量输出不仅是“量”的碾压，更是“质”的稀释：当市场上充斥着大量风格雷同的AI生成内容，原作品的独特性和稀缺性被消解，其商业价值的贬损是系统性的，却难以对应到某一部具体的侵权作品上。这正是著作权法的盲区——它保护每一部“作品”，而非一种“风格”或“模式”。
第三，碎片化挪用。AI可以像拼乐高一样，从海量训练数据中提取微小的创作元素——一个镜头的构图方式、一个角色的表情特征、一段对话的节奏感——然后将这些碎片重新组合成看似全新的作品。单独审视每一个碎片，都不足以达到著作权侵权的门槛；但组合起来，原作品独特的“气质”被精准复刻。这让人联想到音乐采样领域的经典争议——美国第九巡回上诉法院在“Bridgeport Music v. Dimension Films”案中给出了“要么获得授权，要么别用”的激进立场。但对AI的碎片化挪用而言，这个方案在技术上几乎无法执行：你如何证明AI生成内容的每一个碎片究竟来源于哪一部具体的在先作品？更根本的问题在于，著作权法以“作品”为保护的基本单元，而碎片化挪用恰恰发生在“作品”这一单元之下——在单个镜头、单句台词、单个构图层面，每一项都过于微细，可能连“独创性”的门槛都达不到，但它们的组合效果却实实在在地侵蚀了原作品的市场价值。
第四，多方主体交织。AI侵权场景涉及的主体链条极长：模型开发者（训练了侵权模型）、模型部署者（将模型商业化为可用服务）、提示词设计者（输入了导致侵权输出的指令）、最终用户（使用AI工具创作并发布了侵权内容），还包括提供算力的云服务商、聚合AI工具的MCN机构。在这个责任链条上，每一方都可以推诿：“我只是链条的一个环节，不是侵权的直接实施者。”责任碎片化导致维权路径碎片化——著作权人需要同时面对多个可能的侵权主体，每一个都有抗辩理由，每一个的责任份额都难以量化，维权成本被急剧抬高。
第五，输出端与输入端深度绑定。一个关键洞察是：AIGC的侵权往往植根于输入端。如果训练数据中包含了侵权作品，输出端的侵权几乎是必然——这不是偶发的“撞车”，而是训练机制的宿命。这意味着维权的最优路径可能是穿透到训练端，证明被告在训练数据中使用了原告作品，且AI输出与原告作品之间存在因果关联。但问题在于，训练数据通常是商业AI公司严密保护的“黑箱”，“穿透式举证”在实践中难度极大。
四、规则调适：在创新与保护之间寻找平衡
面对AI带来的新型侵权形态，现有的版权保护规则需要在以下几个方向进行调适：
第一，区分“AI辅助”与“AI替代”。这是著作权保护逻辑的基本分界线。如果人类在创作过程中发挥了实质性的智力贡献——策划主题、设定关键参数、筛选优化、进行二次创作——那么最终作品仍归属于“人”的创作，AI仅发挥工具性作用。但如果AI在实质上替代了人类的创造性决策，产出内容可能就不足以构成著作权法意义上的“作品”。这一判断标准在美国版权局2023年以来的注册实践中已有明确体现：著作权保护的是人类的创造性表达，而非AI的随机生成结果。中国目前尚未出台明确的行政指导意见，但学理上是相通的。
第二，建立“输入端—输出端”联动的规则体系。单独规制任一端都难以应对AI侵权的系统性问题。输入端应建立训练数据的透明化披露制度，要求商用AI模型公开训练数据的主要来源和规模，并探索由著作权集体管理组织主导的“AI训练数据一揽子授权”机制；输出端应完善AI生成内容的强制标识制度，强化平台对AI内容的审查义务，并在禁令（行为保全）的适用上更加灵活；过程端应鼓励开发和应用训练数据过滤、输出内容比对、侵权风险预警等合规技术工具，将合规能力内嵌到AI工具的技术架构中。
第三，重新锚定平台责任。传统“通知—删除”规则（避风港原则）已无法应对AI内容的海量产出来特性——当每天有数十万条AI生成视频上传时，“通知—删除”沦为一个无休止的打地鼠游戏。对使用AI工具创作并发布的视听内容，应施加更强的标识义务和预先审查义务。当平台明知或应知其内容为AI生成且存在较高侵权风险时，应承担更高程度的注意义务。这不意味着回到“普遍审查义务”的老路，而是在特定高风险场景下，对避风港原则的适用条件进行必要的限缩——例如，对于同一权利人反复就同一AI模型生成的侵权内容提出有效通知的，平台应当主动采取过滤措施，而非被动等待每一次通知。
第四，合理分配举证责任。AI侵权的隐蔽性和碎片化特征使原告面临极高的举证门槛。一个可行的程序法调适是：当原告能证明其作品在被告AI模型训练数据覆盖范围内具有高度盖然性，且AI生成内容与原告作品之间存在“非巧合的相似性”时，将举证责任转移给被告，由模型开发者或使用者承担证明其AI输出独立于原告作品的举证责任。这种举证责任转移在商业秘密侵权领域已有成熟先例，在AI著作权领域同样具有适用空间。
第五，保留司法裁量的弹性。AI技术仍处于快速演进阶段，立法不宜操之过急。相比制定一部全面而僵化的成文法，由司法通过个案裁判逐步积累规则、形成共识，是更务实的路径。北京互联网法院2023年底审理的“AI生成图片著作权第一案”已经迈出重要一步，认定满足“独创性”要件的AI辅助创作内容可构成作品，为后续裁判提供了有价值的参考框架。
五、律师实务建议
回到实操层面。作为长期服务影视行业客户的律师，我建议从三个维度建立版权合规体系：
对原创者——建立侵权防御体系。在AI辅助创作的全流程中，从初始创意、提示词输入、AI输出、人工筛选修改到最终成片，详细记录并保存每一步的过程证据。这既是维权时证明“实质性人类贡献”从而确认作品可版权性的关键，也是在被反诉时证明自身并非“AI洗稿”的自证工具。对于高价值原创作品，建议在上线前委托专业机构进行AI训练数据覆盖范围内的大规模侵权比对筛查。此外，除传统的著作权登记外，在作品元数据中嵌入数字水印、使用区块链技术记录创作时间戳等技术措施，也应在保护方案中占有一席之地。
对AI使用者——建立合规使用流程。优先选择明确声明训练数据经过合法授权的AI服务商，在服务协议中要求对方就训练数据的合法性提供保证条款。AI生成的所有视听内容，在发布前必须经过人工的侵权风险审查——包括画面构图、角色设计、叙事结构等维度与已知在先作品的比对，切勿依赖AI工具自身的“原创性声明”。保留人类对AI输出的每一次修改、筛选和优化记录——这些修改本身，就是证明“实质性人类贡献”、降低侵权风险的最直接证据。
对平台方——建立分层责任机制。高风险区域（如微短剧频道、动画频道等AI使用率极高的品类）提高上传审查标准，要求上传者提供AI工具使用声明和基础侵权比对报告；中风险区域强化“通知—删除”规则的执行效率，建立侵权投诉快速响应通道；低风险区域维持现有框架，但保留升级审查标准的灵活性。
结 语
当机器可以在几分钟内完成过去一个团队几周的工作，著作权法必须重新回答一个根本问题：什么是创作？
AI对影视行业的赋能是实实在在的——降本增效、激发创意、推动个性化生产，没有人应该反对技术进步。但著作权制度保护人类创造力的立法初衷，在AI时代不仅没有过时，反而更加紧迫。当创作门槛被降到“一句话生成一部微短剧”的程度，那种将生活经验、审美判断和文化记忆转化为独一无二表达的人类创造力，反而变得更加稀缺，也更加值得保护。
作为律师，我在这场技术革命中看到的，不是“AI要取代创作者”的恐慌叙事，而是一个更现实的挑战：如何在AI大幅提升创作效率的同时，确保原创者的智力投入不被AI的海量输出所淹没、蚕食和稀释。 这要求我们同时做两件事：一方面，承认AI作为创作工具的合法性和不可逆转性，不因恐惧而设立过度的法律壁垒阻碍技术进步；另一方面，在著作权制度的基本框架内，为人类创造力保留不可被算法替代的核心空间，让那些真正投入了智力、情感和审美判断的创作者，能够获得法律应有的尊重与回报。
这个问题的答案不在法条的字里行间，而在立法者、司法者、产业参与者和法律实务工作者共同构建的治理智慧之中。
对影视从业者，我的建议可以浓缩为一句话：拥抱AI，但不放弃创作主权；善用工具，但永远保留证明“这是我创作的”的能力。
热门跟贴