目的及研究范圍
本報告由歐盟知識產權局(EUIPO)發布，從技術視角深入分析生成式人工智能(GenAI)與歐盟著作權法之間的交匯問題，是其下屬機構歐洲知識產權侵權觀察站(Observatory)的重要研究成果。該觀察站由公共與私營領域的專家與專業機構聯合協作組成。
近年來，人工智能(AI)技術，尤其是GenAI的發展，日益成為公眾關注與討論的焦點。以大型語言模型(LLMs)為代表的GenAI系統，通過分析海量訓練數據提取規律，構建算法，從而生成具有相似特征的全新內容。然而，隨著GenAI的廣泛應用，著作權相關問題也日益凸顯。盡管這一技術革新為創意產業帶來了前所未有的創新潛力和變革機遇，但其也引發了與著作權所有人之間的利益沖突。無論如何，此類技術的發展與應用仍必須在現行知識產權法律框架內進行，以確保創作者權益得到有效保護，促進技術與法律的協調發展。
2018年，歐盟委員會發布的《歐洲AI戰略》明確提出：“需要從知識產權局和用戶的雙重視角，探討AI與知識產權的互動關系，以在創新與法律確定性之間實現平衡。”基于這一戰略，歐盟于2024年6月率先通過全球首部綜合性AI法規——《人工智能法案》(AI Act，第2024/1689號)，該法案要求在推動技術創新的同時，與現有的知識產權保護法規(如“文本與數據挖掘例外條款”及權利人的“選擇退出機制”)有效銜接。
與此同時，GenAI技術對歐洲知識產權格局的影響，已在EUIPO觀察站內的專家小組中展開了深入討論。2022年，EUIPO發布了《人工智能對著作權與外觀設計侵權及執法的影響》(Impact of Artificial Intelligence on the Infringement and Enforcement of Copyright and Designs)研究報告;歐盟委員會亦同步推出了兩份專題報告，詳細探討了AI技術對文化創意產業所帶來的機遇與挑戰。這一系列的研究討論與立法進程相互銜接，共同為本次研究提供了堅實的基礎。
鑒于上述背景，EUIPO觀察站委托本研究從“解決方案導向”的視角，深入分析著作權法在GenAI系統發展過程中所面臨的關鍵技術問題與應對路徑。本報告旨在為相關利益方提供政策建議與實踐指引，并與歐盟委員會人工智能辦公室及著作權事務部門的工作形成有益補充與協同支持。根據觀察站2025年工作計劃，EUIPO還將探索開發一項“選擇退出機制服務”，以進一步平衡著作權持有者與人工智能開發企業之間的權利與利益關系。
核心研究目標
輸入階段：分析當前在GenAI訓練過程中，用于限制、授權或保留受著作權保護作品作為訓練數據的技術手段與實踐;
輸出階段：研究用于識別AI生成內容以及防止生成侵權內容的相關技術手段與實踐。
研究范圍
本研究涵蓋GenAI相關的技術、法律及市場發展背景分析，重點關注其輸入與輸出流程中所涉及的著作權問題，系統分析AI生態中各類主體在著作權管理方面的應對措施。同時，報告亦探討相關的經濟影響與制度性考量。
閱讀背景提示
理解本報告的核心內容，需結合以下三大背景因素：
技術迭代速度：GenAI技術的發展速度遠超現行法律體系的更新節奏;
法律地域性差異：歐盟著作權法律框架在結構與適用上，與其他主要司法轄區存在顯著差異;
利益平衡難題：如何在鼓勵技術創新與有效保護著作權之間實現動態平衡，仍是當前政策與實務層面面臨的關鍵挑戰。
執行摘要內容
過去數年，人工智能技術已取得重大突破。隨著LLMs和GenAI的問世，能夠生成文本、代碼、圖像、視頻和音頻內容的GenAI服務已得到廣泛應用。這一發展促使政策制定者和監管機構開始審視現有法律框架應如何演進以應對AI大規模適用帶來的影響，并在創新與知識產權保護之間尋求平衡。
在此背景下，本研究從歐盟著作權法視角探討GenAI的發展態勢。報告包含三大部分：(1)GenAI的技術、法律與經濟分析，以深入理解GenAI的功能特性及其發展影響;(2)關于GenAI服務開發過程中使用受著作權保護內容所面臨的知識產權問題;(3)輸出內容所面臨的著作權問題。
（1）技術、法律與經濟背景
歐盟法律體系中，存在兩部法律文件對GenAI的發展將產生著作權意義上的關鍵意義：
《數字單一市場版權指令》(The Copyright in the Single Market Directive, CDSM指令)就“文本與數據挖掘”(Text and Data Mining，TDM)建立了法律框架。作為GenAI模型訓練的關鍵技術環節，TDM通過大規模數據采集與分析來優化算法參數，這一過程不可避免地涉及對受著作權保護作品的復制行為。其中， CDSM指令第3條為科研機構創設了TDM豁免條款，而第4條進一步將適用范圍延伸至商業領域的AI開發者。特別值得注意的是，第4條例外條款賦予權利人“選擇退出”(opting-out)TDM例外的權利——權利人可通過“機器可讀方式”(machinereadable means)等適當形式明確聲明保留其復制權。對于聲明退出的作品，AI開發者必須事先取得權利人的明確授權(如簽訂著作權許可協議)方能合法使用。
《歐盟人工智能法案》(EU Artificial Intelligence Act，AI法案)為AI技術設立了一套全面的監管框架，其中對通用人工智能(general–purpose AI ，GPAI)模型提供商設定了特定義務。在著作權領域，這些義務包括GPAI模型提供商必須遵守CDSM指令第4條關于TDM選擇退出機制的規定。提升透明度，法案強制要求GPAI提供商還需披露訓練數據的詳盡摘要，以便權利人行使權利。該法案同時要求GenAI系統部署者需確保生成內容具有機器可讀的識別標識。
權利人與GenAI系統提供商之間的法律糾紛正在全球范圍內日益增長，其中多數案件發生在美國。迄今為止，歐盟境內已出現四起涉及AI訓練與著作權的訴訟，其中2024年9月德國漢堡地方法院在“Kneschke訴LAION案”中的判決具有標志性意義。盡管法院認定，LAION(GenAI訓練數據集的主要提供商)可援引《數字單一市場版權指令》第3條的科研例外條款，但判決中的若干附帶意見對未來法院如何解釋第4條中權利保留的法律標準提供了重要參考。
與此同時，權利人與GenAI開發者之間已就受著作權保護內容用于AI訓練達成多項高價值許可協議。在權利人有效行使CDSM第4條“選擇退出權”后，通過直接授權內容使用，可能為其開辟新的收入渠道。本研究識別并總結了推動此類許可協議達成的五大關鍵因素：1.對機器學習訓練數據潛在短缺的預期;2.高質量數據及其元數據標注的關鍵性;3.GenAI開發者的風險承受能力與其在談判中的相對議價地位;4.合成數據作為訓練輸入的替代潛力;5.面向中小規模權利人的內容聚合中介服務的興起，為其進入訓練數據市場提供可行路徑。
盡管不同內容領域的直接授權市場發展存在差異，但出版行業——尤其是新聞出版和學術出版領域——在授權使用與檢索增強生成(RAG，詳見GenAI輸出部分)技術相關內容方面展現出獨特優勢。此類技術對于某些GenAI服務的開發至關重要。
本研究還識別出可能影響直接授權條款設計的五大關鍵因素：1.基準市場費率的形成機制;2.報酬計算指標的設定方式;3.授權類型的創新實踐;4.將訓練輸入與生成輸出結果相掛鉤的聯動式授權機制;5.基于內容資產的互惠互利式商業交換安排。
此外，報告指出一個正在引發關注的新興問題，即《CDSM指令》第3條所規定的“科研用途TDM例外”與第4條下的“商業用途AI訓練”之間，可能存在“數據洗白”問題。
一個新興問題是《CDSM指令》第3條規定的科研用途TDM活動與第4條商業AI訓練TDM活動之間可能產生的"數據洗白"現象。具體而言，部分科研機構在第3條授權范圍內構建的數據集，后續若被商業AI開發者用于訓練目的，可能導致科研例外被規避性用于商業應用，從而引發對科研豁免調控濫用的擔憂。
（2）生成式人工智能的輸入環節
數據收集是GenAI訓練的首要環節，必須遵循著作權相關義務。根據具體情形，這些義務可能包括：尊重權利人提出的TDM選擇退出聲明，或在必要情況下，通過達成直接授權協議獲得使用許可。收集到的數據需經過清洗、標注與處理，方可應用于包括模型預訓練、微調以及強化學習等在內的多階段AI訓練流程。盡管目前已有多個大型AI訓練數據集可公開獲取，但這類數據集往往存在潛在的著作權風險，可能包含盜版內容、未經授權使用的作品、授權錯誤或未針對具體應用場景定制的標準化許可內容。這些問題可能引發著作權侵權責任在整個AI價值鏈中層層傳導——從數據集創建者、GenAI系統開發者到最終服務部署方，所有環節均需遵守歐盟著作權法規以及《人工智能法案》所設定的合規義務。
當前，在線公開內容已成為AI訓練數據的重要來源。傳統用于搜索引擎索引的網絡爬取技術，現已被廣泛用于大規模采集訓練數據。這一變化促使越來越多的著作權所有者采取主動措施限制其作品被用于AI訓練。其中，機器人排除協議(REP)已成為事實上的網絡爬取管理標準工具，并被廣泛用作TDM權利保留的主要實施機制。然而，利益相關方普遍認為，REP作為TDM選擇退出機制存在顯著局限性，更像是一種臨時性過渡方案。其主要缺陷包括：控制粒度有限、難以區分不同使用目的、依賴網站管理員主動部署、缺乏法律強制力，以及依賴網絡爬蟲方自愿披露身份等。為彌補其不足，一些權利人還輔以流量管理等技術手段，以進一步限制未經授權的爬取行為。
鑒于AI生態系統的高度復雜性以及各內容領域在商業模式和權利管理上的差異，目前尚未形成統一的、通用的權利保留標準。權利人通常采用法律驅動措施與技術措施相結合的策略，以實現對文本與數據挖掘(TDM)使用的有效管理。法律措施包括單方權利聲明、許可協議限制、網站服務條款等;技術措施則除常用的機器人排除協議(REP)外，還涵蓋TDM保留協議、內容真實性倡議(C2PA)、JPEG Trust標準等解決方案。
本研究從17項關鍵指標出發，對上述權利保留機制進行了系統性評估，評估維度包括：對特定內容類型的適配性(類型特異性)、對不同使用場景的區分能力(使用區分度)、以及在不同技術與法律環境下的適用靈活性(實施靈活性)等。
分析結果表明，當前所有可用措施均不具備強制執行能力，即權利保留聲明的效力尚依賴TDM用戶的自愿遵守與技術策略調整。為確保合規，TDM使用者需主動調整其數據收集與處理方式。在適用范圍上，法律措施通常可覆蓋特定作品或整個作品集;而技術措施則可分為兩類：“基于位置”的機制，依賴于內容在網絡上的存儲位置(如URL);“基于資產”的機制，直接與內容本身綁定，無論其傳播路徑如何變化，依然可追蹤識別。不同類型的措施各具優勢與局限。來自行業利益相關方的訪談反饋顯示，多措組合已成為當前權利保留實踐的行業常態。
研究表明，當前技術解決方案正朝著開放標準與開源許可方向發展，以提升廣泛適用性和系統間的互操作性。無論是權利人還是AI開發者，普遍支持推進權利保留機制的標準化進程，同時強調需保留對不同使用場景的適應靈活性。隨著GenAI生態的持續演化，預計將逐步形成適用于各內容領域的定制化標準化實踐。
當前形勢表明，國家知識產權局等公共機構可在多個層面發揮關鍵作用：技術層面推動建立面向權利人和AI開發者的TDM權利保留聯合數據庫;非技術層面包括加強公眾對AI與著作權問題的認知宣傳，發布權利保留實施指南(如爬蟲識別標記合集)，并定期開展行業趨勢分析，關注技術發展動態與商業授權條款的演變趨勢。
（3）生成式人工智能輸出環節
內容生成的技術流程因生成式人工智能(GenAI)模型的類型而異，不同類型的內容生成通常對應不同的模型架構。鑒于AI模型訓練成本高昂，且頻繁更新訓練數據面臨現實限制，業界正在加速采用檢索增強生成(RAG)技術。該技術通過將信息檢索機制與生成式AI能力相結合，在無需頻繁重訓模型的前提下，顯著提升系統性能。
目前，RAG技術在AI驅動的搜索引擎(亦稱“問答引擎”)中日益普及，為著作權人帶來了新的挑戰與機遇。RAG本身也引發了著作權爭議，其風險程度在很大程度上取決于具體應用形式：若采用靜態RAG(基于本地存儲內容進行檢索)，相對較易控管;而動態RAG則可能涉及實時網絡爬取，從而帶來更復雜的著作權問題。
考慮到《人工智能法案》對GenAI系統輸出內容的透明性提出了明確要求，近年來已開發出多種用于識別與披露合成內容屬性的“生成透明度”技術措施，主要包括：1.內容來源追蹤機制：如C2PA倡議、JPEG Trust倡議，以及基于區塊鏈的Trace4EU項目;2.AI生成內容檢測工具：如圖像內容的StyleGAN3-Detector，或Deezer開發的音頻識別方法;3.內容處理技術方案：涵蓋多種數字水印與數字指紋協議;4.模型成員推斷攻擊(Membership Inference Attacks)：用于檢測AI模型是否“記憶”了特定訓練數據，從而間接識別潛在的著作權風險。
本研究基于以下十項關鍵標準，對部分現有的生成透明度措施進行了系統性比較分析：(i) 類型分類、(ii) 多樣適用性、(iii) 開放性、(iv) 市場成熟度、(v) 可讀性、(vi) 成本考量、(vii) 穩健性、(viii) 互操作性、(ix) 可擴展性，以及 (x) 可靠性。該比較有助于深入理解不同措施的相對優勢與局限。
在模型訓練完成后，機器學習過程中提取的模式與關聯關系將被嵌入至模型參數中。這些參數對最終生成內容的影響程度，取決于具體模型的架構設計。部分生成式AI模型以高度抽象的方式編碼知識，使其難以直接還原訓練數據;但另一些模型，特別是大型語言模型(LLMs)和生成式視覺模型，則可能存在“記憶化”(memorisation)現象。這種記憶化可能導致模型輸出內容與訓練輸入高度相似，甚至在某些情況下直接重復原始數據。由此帶來的問題不僅是技術性挑戰，更可能引發法律風險，如涉嫌抄襲或侵犯著作權，特別是在模型“復述”受保護作品的場景下。
GenAI系統開發者已提出多項技術解決方案，以應對“記憶化”(memorisation)問題。常見措施包括：用于比對生成內容與潛在訓練輸入的檢測工具、防止重復生成的輸出過濾機制，以及對提示詞(prompt)進行重寫或過濾的策略。
一個新興的技術研究方向是“模型遺忘”(model unlearning)與“模型編輯”(model editing)。這些方法通過擦除、調整或更新嵌入模型參數的特定信息，使開發者能夠在模型部署后對已識別的問題進行修復和調整。除上述技術路徑外，部分GenAI系統提供商還引入法律賠償機制，為其客戶提供一定程度的侵權風險緩釋，以應對生成內容可能侵犯第三方著作權的情況。
圍繞GenAI輸出與著作權相關的復雜議題，也進一步凸顯了公共機構在知識產權治理中的潛在作用：
1.面向GenAI開發者與政策制定者：公共機構可公開共享有關降低侵權風險、識別合成內容及推廣行業良好實踐的信息資源;
2.面向公眾：可提供關于“倫理提示詞”使用的指導，與其他相關機構協作，提高公眾識別AI生成內容的能力和意識;
3.在技術層面：公共機構可作為信息共享與協作的平臺，推動不同平臺和GenAI系統之間輸出透明度機制的互操作性。
（3）結論性觀察
本研究通過技術路徑梳理，系統闡明了GenAI與著作權之間的互動關系，并得出以下三項核心結論：
1.目前尚未出現單一、統一的標準機制，可供權利人用于行使其TDM權利保留聲明，或用于標識與披露AI生成內容的透明度措施;
2.盡管GenAI引發的法律爭議在全球范圍內持續增加，研究也指出，權利人與GenAI開發者之間已達成多項高價值內容授權協議;
3.當前態勢表明，公共機構可在以下方面發揮關鍵作用：一是為實施和管理TDM保留數據庫提供技術支持;二是加強對潛在侵權輸出的認知與風險預防，并推動行業良好實踐的傳播與應用。
作為一項顛覆性技術，GenAI的快速發展正深刻重塑創意產業與信息技術行業，顯著改變了著作權所有者與AI開發者的互動模式。盡管實現法律與商業秩序之間的新平衡仍需時間，研究特別強調了一點：獲取作品來源與許可使用方式的關鍵信息，對于實現著作權的尊重、收益分配與有效執法具有關鍵意義。
1
結論
本研究從歐盟著作權法的視角出發，系統探討了生成式人工智能(GenAI)的發展動態，重點識別、分析并評估GenAI技術與著作權制度交匯處的關鍵趨勢，特別關注AI生態系統中用于應對著作權管理挑戰的各類技術措施。研究內容嵌入歐盟人工智能立法框架下，尤其聚焦與著作權相關的合規義務條款。本報告圍繞三大核心板塊展開分析：技術背景、GenAI輸入環節與GenAI輸出環節。
在技術背景部分，研究系統梳理了生成式人工智能技術的發展路徑，深入分析主要模型架構的演進與關鍵技術的部署實踐。這些技術進展發生在特定的歐盟著作權法律環境之中，主要受《數字化單一市場版權指令》(CDSM指令，Directive (EU) 2019/790)與《歐盟人工智能法案》(AI法案，Regulation (EU) 2024/1689)規制。CDSM指令對著作權及數據庫權利人的專有復制權和提取權設定了若干例外情形，特別允許在無需權利人事先授權的情況下，出于特定目的開展文本與數據挖掘(TDM)活動，為AI模型訓練提供了法律基礎。
對于商業性(非科學研究)文本與數據挖掘(TDM)活動，權利人可通過發布符合特定法律標準的權利保留聲明，將其作品排除在TDM例外適用范圍之外。這些法律標準的解釋與適用，將直接影響權利人行使控制權的策略選擇，并對GenAI開發者的數據獲取流程產生重要影響。根據《人工智能法案》，通用人工智能(GPAI)模型提供商必須制定并執行符合歐盟著作權法的合規政策，其中包括識別并尊重TDM例外條款中權利人“選擇退出”聲明的義務。此外，GenAI系統提供商還需確保其生成內容能夠以機器可讀形式加以標注，并具備可檢測性，以增強輸出的透明度與可追責性。
目前，從著作權角度來看，GenAI的發展正日益受到多法域內權利人與系統提供商之間司法訴訟的影響。截至目前，歐盟境內已公開四起涉及AI訓練與著作權的相關訴訟案件，其中三起在德國，一起在法國。2024年9月漢堡地方法院對“Kneschke訴LAION案”的判決，成為歐盟首例就AI訓練與著作權爭議作出的民事判決。法院判定LAION(GenAI訓練用圖文數據集主要提供商)可援引CDSM指令第3條所規定的科學研究目的TDM例外條款。盡管如此，判決中的若干附帶意見為未來法院在適用第4條——即商業性TDM活動中的“選擇退出”機制法律標準時，提供了潛在指引。
“Kneschke訴LAION案”同時引發了對所謂“數據洗白”現象的關注——即以“科學研究”這一較為寬泛的例外條款為依據開發訓練數據集，盡管這些數據集最終可能被用于商業用途。近期直接授權市場出現重大進展，權利人與GenAI開發商就受著作權保護作品的使用達成多項協議。盡管相關合同條款尚未公開，但市場趨勢分析表明，直接授權機制的興起受到多重因素推動，包括：對未來AI訓練數據短缺的預期;權利人可提供的高質量元數據與內容標注所帶來的附加價值;締約雙方之間的相對議價能力;專門服務于中小權利人的內容聚合與中介平臺的快速發展。隨著市場進一步成熟，有望逐步形成涵蓋定價標準、合同條款結構及報酬基準機制的行業規范。 在這一新興生態中，數據策展方、數據集提供商與內容分發平臺正日益成為連接權利人和AI開發者之間的關鍵中介力量。但其核心挑戰在于：如何提升許可條款的清晰性、合法性與適用性，確保內容使用符合各方預期與合規要求。此外，檢索增強生成(RAG)技術在提升GenAI系統實時信息處理能力的同時，也帶來了新的著作權挑戰。盡管如此，RAG技術為新聞、科學和學術出版等領域的權利人提供了獨特的內容授權與商業合作機會
“網絡爬取”已成為當前主流的AI訓練數據收集方式，并催生了一系列針對公開網絡內容的自動化挖掘工具。在此背景下，機器人排除協議(REP)雖被廣泛視為管理網絡爬取行為的事實行業標準，但作為權利保留機制，其存在一系列固有局限：缺乏對使用場景和許可目的的精細區分，無法實現差異化控制;依賴網站管理員主動配置，易導致部署不一致、執行效果參差;不具法律強制力，完全依賴爬取方的自愿遵守;要求爬蟲操作方公開披露身份和用途信息，這對使用多種爬蟲工具的機構構成操作上的負擔。
在當前法律與技術環境下，尚未形成統一適用的權利保留標準機制。實踐中，權利人通常采用法律驅動手段(如單方聲明、許可限制、網站服務條款)與技術措施相結合的方式，以表達其TDM權利保留意圖。在技術路徑上，現有措施大致可分為兩類：“基于位置”的措施：綁定于特定存儲路徑或網站上的內容副本，僅對特定分發位置生效;“基于資產”的措施：直接嵌入內容本身，無論其傳播路徑如何變化，均可隨附執行。本研究通過17項關鍵指標對比了各類保留措施的優劣。
盡管不同模型架構在訓練與內容生成流程上存在差異，但著作權人普遍擔憂，部分模型可能存在“記憶”訓練數據的風險，從而生成涉嫌侵權的內容。為降低此類風險，一些模型提供商已部署多項防侵權技術措施，包括：輸入輸出內容自動比對、提示詞事前過濾、生成內容事后篩查，以及為用戶提供一定程度的法律免責保障。與此同時，諸如“模型遺忘”與“模型編輯”等新興技術尚處研發驗證階段，其在大規模商業環境下的應用可行性仍有待進一步評估。
為響應《人工智能法案》關于生成內容“可檢測性”的合規要求，模型提供商正采用來源追蹤、生成內容檢測、數字水印、指紋識別及成員推理攻擊等多種技術方案。本研究基于10項關鍵指標，對各類輸出透明度技術方案進行了系統比較，指出各項技術在當前均存在優勢與局限。
鑒于AI生態的復雜性，知識產權局等公共機構可提供技術或非技術支撐：非技術層面包括公眾意識培育、GenAI市場技術商業動態追蹤、利益相關方對話協調機制建設，以及著作權管理措施的文檔化工作;技術層面則可著力彌補現有技術方案缺陷，推動解決方案創新。
中企檢測認證網提供iso體系認證機構查詢，檢驗檢測、認證認可、資質資格、計量校準、知識產權貫標一站式行業企業服務平臺。中企檢測認證網為檢測行業相關檢驗、檢測、認證、計量、校準機構，儀器設備、耗材、配件、試劑、標準品供應商，法規咨詢、標準服務、實驗室軟件提供商提供包括品牌宣傳、產品展示、技術交流、新品推薦等全方位推廣服務。這個問題就給大家解答到這里了，如還需要了解更多專業性問題可以撥打中企檢測認證網在線客服13550333441。為您提供全面檢測、認證、商標、專利、知識產權、版權法律法規知識資訊，包括商標注冊、食品檢測、第三方檢測機構、網絡信息技術檢測、環境檢測、管理體系認證、服務體系認證、產品認證、版權登記、專利申請、知識產權、檢測法、認證標準等信息，中企檢測認證網為檢測認證商標專利從業者提供多種檢測、認證、知識產權、版權、商標、專利的轉讓代理查詢法律法規，咨詢輔導等知識。
本文內容整合網站：中國政府網、百度百科、搜狗百科、360百科、知乎、市場監督總局 、國家知識產權局
免責聲明：本文部分內容根據網絡信息整理，文章版權歸原作者所有。向原作者致敬！發布旨在積善利他，如涉及作品內容、版權和其它問題，請跟我們聯系刪除并致歉！
