施小雪｜重塑复制权：生成式人工智能数据训练的合法化路径

主要观点总结

生成式人工智能的数据训练遭遇法律障碍，根源在于对复制权进行宽泛的权利扩张。为合法化数据训练中复制作品的行为，应重塑复制权而非重塑合理使用。在权利法视角下，重塑复制权应对复制权的功能进行重新定位，以“固定性+传播性”定义侵犯复制权的行为。在技术发展的早期阶段，应配合著作权注意义务的施加，促进平台改进技术控制和内容生成能力。在指令端及输出端符合著作权注意义务的阶段性场景要求，以及获取作品的行为没有违背权利人的意愿时，数据训练中的复制可视为不具备“传播性”而不构成对复制权的侵犯。当前，生成式人工智能的著作权侵权风险主要是技术发展不成熟期的过程性问题，在现有的著作权法框架下，无法脱离“接触+实质性相似”侵权判定规则。文章提出通过解释论路径重塑复制权，以“固定性+传播性”构成要件解释侵犯复制权的行为，并补充以技术发展的前瞻性视角进行回应。在符合著作权注意义务的阶段性场景要求时，上述复制行为可定性为不具备“传播性”，应属不侵犯复制权的行为。

关键观点总结

关键观点1: 生成式人工智能数据训练遭遇法律障碍的原因

生成式人工智能的数据训练遭遇法律障碍，根源在于对复制权进行宽泛的权利扩张。

关键观点2: 合法化数据训练中复制作品行为的解决方案

为合法化数据训练中复制作品的行为，应重塑复制权，而非重塑合理使用。

关键观点3: 重塑复制权的重要性

在权利法视角下，重塑复制权应对复制权的功能进行重新定位，以“固定性+传播性”定义侵犯复制权的行为。

关键观点4: 著作权注意义务在技术发展中的作用

在技术发展的早期阶段，应配合著作权注意义务的施加，促进平台改进技术控制和内容生成能力。

关键观点5: 现有著作权法框架下的著作权侵权风险

当前，生成式人工智能的著作权侵权风险主要是技术发展不成熟期的过程性问题，在现有的著作权法框架下，无法脱离“接触+实质性相似”侵权判定规则。

关键观点6: 重塑复制权的解释论路径

文章提出通过解释论路径重塑复制权，以“固定性+传播性”构成要件解释侵犯复制权的行为，并补充以技术发展的前瞻性视角进行回应。

关键观点7: 符合著作权注意义务的场景要求

在符合著作权注意义务的阶段性场景要求时，数据训练中的复制可视为不具备“传播性”，应属不侵犯复制权的行为。

免责声明