引言：大模型迭代发展把合理使用制度推向重构关口

对于大模型而言，能力提升主要取决于算力、算法和数据三个要素，其中，大规模、高质量、多样化的数据集则直接塑造模型的知识边界、语言能力和场景适应性。

具体来说，在预训练阶段，海量文本、图片、音视频和代码等作品语料为模型提供语言结构、表达方式、事实知识和世界经验；在监督微调和强化学习阶段，经筛选、标注和评价的数据则进一步引导模型形成更符合人类预期的输出；在法律、医疗、金融、教育、工业等行业模型中，专业作品和行业知识材料又构成模型获得专业能力的重要来源。[1]

然而，正是由于语料在AI训练中的基础性地位，其利用方式与著作权制度之间的张力日益凸显。在现有著作权法制度下，要求训练主体对所有受保护作品逐一取得授权，但这一要求在实践中面临明显障碍。训练语料规模巨大，权利主体高度分散，逐项识别、谈判和付费的交易成本极高；且网络作品权属复杂，存在转载、匿名发布、多重授权、孤儿作品、权利期限不明等问题；公开网络内容、平台用户生成内容和开放许可作品之间边界并不清晰，训练主体即使有获得授权意愿，也难以准确判断何种利用需要许可。

正因如此，AI训练语料利用正在推动各国重新审视合理使用的边界。但核心问题是如何在维系著作权“创作激励”制度价值的同时，为以生成式AI为代表的新技术的发展留出空间。本文拟围绕“大模型训练中的语料利用是否以及如何纳入合理使用”展开讨论，聚焦其在中国著作权法下的合理使用认定与制度建构。上篇以中国现行法和司法实践为起点，比较美国、日本、欧盟与越南关于AI训练版权例外的制度路径，下篇将提出AI训练的中国合理使用制度构建方案。

第一部分  现行合理使用制度的适用局限性与司法实践的探索

一、我国现行著作权法合理使用制度的适用空间与局限性

我国现行著作权法下的合理使用制度，整体上采取“三步检验”的结构。一方面，使用行为原则上需要落入法律明确列举的合理使用情形；另一方面，即使形式上属于列举范围，也仍需满足不得影响作品正常使用、不得不合理损害权利人合法权益等限制条件。[2]

在AI训练语境下，可能被讨论的特定情形解释路径主要有三类：

第一，属于“个人学习、研究或者欣赏”情形。该条款强调个人目的和非商业性使用，适用于自然人为学习、研究或者欣赏而使用已经发表作品的场景。但大模型训练通常由企业、科研机构或平台组织实施，具有规模化、系统化和持续性特征，且往往服务于模型产品开发和商业化部署，难以被解释为个人学习或研究。

第二，是“学校课堂教学或者科学研究”中的少量复制、翻译、改编、汇编等情形。该路径与AI训练中的技术研发具有一定关联，尤其在高校、科研机构开展非营利性模型研究时，可能具有讨论空间。但该条款除限于服务教学或科学研究，供教学、科研人员使用以外，还强调“少量”使用。而商业化大模型训练往往需要海量语料，并可能形成对外提供的模型服务，明显超出传统科学研究少量复制例外的适用边界。

第三，是“法律、行政法规规定的其他情形”。该兜底条款为未来通过专门立法或行政法规引入文本与数据挖掘例外、AI训练特别例外提供了规范接口。但在目前尚无明确专门规则的情况下，该条款本身并不能直接成为AI训练合理使用的独立依据。

因此，AI训练中的语料利用难以直接纳入现行合理使用规则，主要问题集中在：

第一，列举式规则过窄。现行合理使用情形主要围绕个人学习、教学科研、新闻报道、公共服务等传统场景展开，无法直接回应文本与数据挖掘、机器学习、模型预训练等新型技术利用。

第二，“少量复制”标准难以适配。传统规则以“少量”限制使用范围，意在防止合理使用替代作品市场。但大模型训练的价值恰恰来自大规模、多样化语料，若机械适用“少量”标准，几乎会排除模型训练的适用可能。

二、国内司法实践的尝试与制度性局限

1. 杭州“奥特曼”案：从“转换性使用”角度评价AI训练行为

杭州“奥特曼”案是国内较早正面触及生成式AI训练语料著作权评价的案件之一。该案体现了国内司法实践对“转换性使用”“非表达性利用”“输入端与输出端分层评价”的初步探索。其核心价值在于，法院尝试从AI训练的技术功能出发，将训练阶段的非再现性分析利用与生成阶段的表达性侵权风险分别评价。

在一审裁判[3]思路中，法院在明确输出端需防范最终生成内容侵犯他人著作权的基础上，并未将AI训练阶段使用他人作品当然评价为侵权，而是从训练目的、技术功能和市场影响等角度进行实质分析。法院认为，生成式AI在训练阶段使用既有作品，原则上是为了学习、分析在先作品中体现的思想感情、语言特征、特色风格等内容，并从中提取规则、结构、模式和趋势，便于后续转换性创作新作品。此类行为通常是将大量作品作为分析样本，用于提升模型的内容生成能力，并非以再现作品的独创性表达为目的。且一般情况下，数据训练只是为了对语料数据进行结构性、特征性分析而暂时保留在先作品，训练及生成过程中也未将这些在先作品直接展示给公众。

基于此，法院进一步指出，在没有证据证明训练行为以使用权利作品的独创性表达为目的、已经影响权利作品的正常使用，或者不合理地损害著作权人合法利益的情况下，该类训练使用可以被评价为合理使用。该裁判思路实质上引入了若干关键判断因素：一是训练行为是否具有转换性和分析性目的；二是训练过程是否主要利用作品中抽象化的规则、结构和模式，而非直接利用作品表达；三是训练行为是否不合理损害权利人的合法利益。

2. 上海“美杜莎”案：以“再现作品”重构复制权边界

2026年4月29日，上海知识产权法院就“美杜莎”案作出二审判决，试图重新定义生成式AI时代“复制权”的内涵与外延。

具体来说，该案二审法院认为，针对被告为模型训练将《斗破苍穹》系列动漫中的“美杜莎”形象输入LoRA模型的行为，只有LoRA模型在用户的指令下再次生成了与所输入的权利作品实质性相似的作品之时，才构成对复制权的侵害。原因在于，法院认为复制权本质上是一种“再现权”，只有输出物再现了作品，能使他人接触到作品，才完成了对作品的复制。

因此，与杭州“奥特曼”案主要从训练目的、技术功能和权益影响角度展开评价不同，“美杜莎”案并未直接建立AI训练合理使用规则，而是从对复制权的理解出发，将审查重点落在AI模型是否形成能够再现权利作品独创性表达的输出物。

图1 上海知识产权法院对“美杜莎”案裁判观点的展示[4]

中国上述司法实践的积极意义在于，在立法尚未及时回应AI技术发展的背景下，司法机关通过个案裁判迅速回应新型技术利用所引发的著作权争议，并尝试建立面向AI训练场景的裁判规则；但其问题亦在于，在成文法体系下，司法解释和裁判续造终究受到现行法律文本的约束，而该裁判对复制权边界的重构，在现行著作权法体系下仍缺乏明确的制度支撑。此外，北京互联网法院正在审理的“四位插画师诉 Trik AI / 小红书相关主体案”也明确涉及AI模型训练过程是否构成著作权侵权问题，被告还明确抗辩称大模型训练行为即使使用原告作品亦应构成合理使用，但目前该案仍处于诉讼程序中，体现法院对此的谨慎态度。[5]

第二部分  域外法律制度与司法判例的比较借鉴

一、美国路径：开放式fair use制度

（一）四因素框架与转换性使用

美国尚未为生成式AI训练设立独立版权例外，相关争议主要适用《美国版权法》第107条的fair use规则。该条要求综合考量四项因素：第一，使用的目的和性质，包括是否具有商业性质（commercial nature）或是否用于非营利教育目的；第二，受版权保护作品的性质；第三，所使用部分相对于受版权保护作品整体的数量及实质性；第四，使用行为对受版权保护作品潜在市场或价值的影响。[6]四项因素需要结合版权法促进创作和知识发展的目标整体权衡，任何单项因素通常都不具有自动决定作用。

关于第一项因素，美国法院长期以来通过“转换性使用”（transformative use）理论判断后续使用是否具有不同于原作品的功能、目的或表达价值。转换性使用理论的代表性判例是美国联邦最高法院审理的 Campbell v. Acuff-Rose Music, Inc. 案[7]。最高法院在该案中指出，在第一项因素下，应重点考察后续使用是仅仅替代原作品、满足与原作品相同的使用目的或需求，还是增加了新的内容，通过新的表达、含义或讯息，使其具有进一步的目的或不同的性质。后续使用的转换性越强，商业性等可能不利于合理使用的因素所占权重通常越低，但转换性并非认定合理使用的绝对必要条件。同时，商业性质只是第一项因素中的一项考量，不能据此推定相关使用不构成合理使用，四项因素仍应结合版权法促进创作的制度目的进行整体、个案化权衡。

总体来说，美国 fair use 四个因素并非机械打分，而是服务于“鼓励创作”与“允许后续创新”之间的利益平衡。在 AI 训练语境下，这种开放结构为“中间复制”“技术分析”等场景论证提供了空间，但也要求法院具体审查训练数据从何而来、为何复制、如何保存、模型如何输出，以及该使用是否会改变原作品所在市场的回报结构。

（二）美国版权局观点与司法实践

1.美国版权局关于Fair use四因素的观点

针对AI发展中遇到的一系列版权问题，美国版权局在2025年5月发布的《Copyright and Artificial Intelligence, Part 3: Generative AI Training》（以下简称“美国版权局报告”或“报告”）中表达了较为审慎的中间立场。[8]报告针对fair use的观点可归纳如下：

表1 美国版权局关于Fair use四因素的观点

2.美国司法实践：fair use 四因素的事实密集型审查

目前，美国有关 AI 训练语料的版权诉讼数量较多，但真正已经对“AI 训练是否构成 fair use”作出实质判断的案件仍然有限。就现阶段而言，较有代表性的实质裁判主要集中在三案：Thomson Reuters v. Ross案[9]、Bartz v. Anthropic案[10]和 Kadrey v. Meta案[11]。

（1）Thomson Reuters v. Ross案

2025年2月，美国特拉华州联邦地区法院针对Thomson Reuters v. Ross案做出部分简易判决。该案的参考意义主要在于，法院没有孤立评价训练阶段的中间复制，而是将其置于最终产品的功能和市场定位中加以考察，从而回应第一因素使用目的和性质中的“转换性”以及第四因素中“潜在市场或价值的影响”的判断。Ross将Westlaw对司法判例制作的编辑性摘要（headnotes）转化为反映法律词语关系的数值数据，并用于开发法律研究工具。法院认为，Ross与Westlaw均服务于法律研究和案例检索市场，双方构成直接竞争关系，Ross利用相关材料的目的在于开发Westlaw的市场替代品，因而不具有不同于原使用的进一步目的或性质。法院同时拒绝直接适用软件逆向工程案件中的中间复制规则，指出该类案件涉及为实现兼容性或识别不受保护的功能性要素而必须复制计算机代码，而Ross复制的则是具有编辑性表达的法律摘要，并不存在为实现新功能而必须复制相关表达的相同理由。最终，法院认定第一项和第四项因素有利于Thomson Reuters，第二项和第三项因素有利于Ross，综合权衡后驳回了Ross的合理使用抗辩。不过，Thomson Reuters v. Ross案涉及的是非生成式法律检索工具，用户输入法律问题后，系统返回已经存在的相关司法判决，而不是生成新的文本内容。因此，该案关于产品功能重合、直接竞争和训练数据衍生市场的分析具有参考价值，但其输出方式及市场关系与通用大型语言模型并不完全相同。

（2）Bartz v. Anthropic案

2025年6月，美国加利福尼亚北区联邦地区法院对Bartz v. Anthropic案的fair use问题作出裁定（Order on Fair Use）。该案的典型意义在于法院明确了利用版权作品训练大型语言模型以生成新文本的目的和性质是典型的转换性使用。具体来说，法官将该案分为两类特定行为：

其一，创建用于训练特定大语言模型的副本；

其二，建立中央图书馆的副本，此项下又细分为：（1）从印刷版转换为数字版的已购买图书馆副本；（2）盗版的图书馆副本。第一种行为中为训练大语言模型而合理地在大语言模型内部或以其他方式制作副本，具有高度转换性；就第二种创建中央图书馆用途的行为而言，Anthropic一方面购买纸质书，以数字副本替代实体馆藏，并销毁纸质原件；另一方面从盗版网站下载数百万本数字书籍，并将其长期保存在可供一般用途使用的中央图书馆。法院认为，前一类纸质到数字的格式转换没有增加作品副本，改善了存储和可检索性，且数字副本未被对外分享或销售，因此构成合理使用，但其合理使用依据与模型训练不同。相反，从盗版来源取得作品并永久保存于通用中央图书馆是一项独立于训练的用途，不能仅因其中部分作品后来被选入训练集而获得合理使用保护，仅这种获取盗版图书副本的行为本质上就已经构成了侵权行为。此后，Anthropic与原告方就盗版来源副本涉及的争议达成总额15亿美元的集体诉讼和解。

（3）Kadrey v. Meta案

2025年6月，美国加利福尼亚北区联邦地区法院对Kadrey v. Meta案作出部分简易判决。该案同样认定，Meta使用图书训练Llama的目的与图书供读者阅读、娱乐或学习的传统目的不同，因而在第一项因素下具有高度转换性。但该案与Bartz v. Anthropic案存在明显差异的点在于，法官认定Meta未从授权副本起步并不当然排除合理使用。但若Meta的下载行为支撑了这些影子图书馆的运营或延续了其违法行为（例如，图书馆通过Meta的访问获得广告收入），则可能影响Meta使用行为的“性质”。此外，法院同时强调，复制行为是否具有转换性不能终结合理使用分析；如果生成式AI能够大规模生成与原作品竞争的同类内容，从而稀释作者作品的销售和注意力市场，该种市场损害可能对第四项因素产生决定性影响。只是该案原告没有提交足够的经济分析、模型输出或其他实证材料证明此类市场稀释，也未能证明Llama的输出对其作品形成实质替代，因而未能在第四项因素上完成举证。

综合三个案例，美国经验可归纳为三点：第一，AI训练并不因其技术属性而当然具有转换性，训练目的需要与原作品的消费目的存在实质区别，法院还会结合最终产品的功能和市场定位判断其是否实质替代权利人的产品或服务。第二，作品的取得和保存方式具有独立意义。盗版取得可能增加侵权风险，但盗版来源是否应与最终训练目的分开评价，目前尚无统一规则。第三，第四项因素的市场影响不限于模型是否直接输出原文，还可能包括对权利人既有内容服务的替代、具有现实基础的AI训练数据市场损失，以及生成大量竞争性内容造成的市场稀释，但这些市场损害通常需要结合具体经济证据加以证明。

二、日本路径：非享受性利用与必要限度

日本于2018年修订《著作权法》，并自2019年1月1日起施行现行第30条之4规定，该条规定：“当对作品的利用并非为了自己或他人享受作品所表达的思想或情感时，在使用的必要范围内，可以以任何方式利用作品。但是，如果根据作品的种类及用途，作品利用方式会对著作权人利益产生不当损害的情形下，不适用本规定”。该条款列举的情形包括：技术开发或实用化试验，信息解析，以及计算机处理过程中不伴随人的感知和识别的利用。[12]这些列举属于典型适用情形，条文仍保留概括性空间。

日本文化厅通过《关于应对数字化、网络化发展之柔性权利限制规定的基本思路——关于著作权法第30条之4、第47条之4及第47条之5（2019年10月24日）》[13]和《AI与著作权相关问题的思考（2024年3月15日）》[14]说明该条的适用。2018年修法旨在为通常不会显著影响作品市场的信息处理活动提供法律空间。[15]对AI训练而言，核心判断包括：利用是否以信息解析为主要目的，复制和保存是否控制在必要限度，以及具体方式是否损害现实或合理可预期的作品市场。

第30条之4的三项列举属于可适用的典型情形，条文同时以开放性表述覆盖其他非享受性利用。适用时可形成三步分析：首先确认具体行为是否以享受作品表达为目的；其次判断复制、加工和保存是否控制在实现该目的所需范围；最后审查作品类型、用途和利用方式是否造成不当利益损害。任何一步不满足，相关行为均可能回到权利人的专有权范围。

在具体的情景下，一般预训练使用大量、多来源材料，主要提取语言、图像和声音中的结构与关联，较容易被评价为非享受性利用。针对特定作品、角色、声音或作者作品群开展的小样本微调，输出与特定表达的联系更强，需要谨慎审查。RAG等检索增强场景也应区分建库与输出：向量化和检索服务可能具有信息解析目的，向用户持续提供作品全文或实质性部分则会接近作品消费和传播。

三、欧盟路径：TDM例外与“三步检验法”

（一）欧盟立法框架

总体而言，欧盟并未针对 AI 训练单独创设一个完整的著作权例外，而是主要通过《数字单一市场版权指令》（Directive (EU) 2019/790 on copyright and related rights in the Digital Single Market，“CDSM指令”）[16]设置专门的文本与数据挖掘（text and data mining，“TDM”）例外，为 AI 训练语料利用提供制度接口。但需要注意的是，CDSM 指令中的 TDM 例外能否以及在多大范围内适用于生成式 AI 模型训练，目前在欧洲司法和政策层面仍存在争议。

第一，TDM定义为 AI 训练提供了规范入口。CDSM 指令第2条第2项将 TDM 定义为“任何旨在分析数字形式文本和数据，以生成包括但不限于模式、趋势、相关性在内的信息的自动化分析技术”。德国《著作权及相关权利法》第44b条第1款也采取类似定义，即“对单个或多个数字或已数字化的作品进行自动分析，以从中提取信息，尤其是关于各种模式、趋势和相关性的信息”。[17]由于 AI 训练通常涉及对大规模文本、图片、音视频或其他数据进行自动化分析、特征提取和模式学习，因此，TDM 定义在一定程度上为 AI 训练过程中的语料收集、数据集创建和自动化分析提供了制度接口。

第二，CDSM 指令采取“科研 TDM 例外 + 一般 TDM 例外”的双轨结构。CDSM 指令第3条规定的是科研目的 TDM 例外，主要适用于研究机构和文化遗产机构为科学研究目的，对其合法访问的作品或其他客体进行复制和提取。第4条则规定一般 TDM 例外，适用主体更广，并可能覆盖商业主体，但其适用受到更严格的权利保留限制。

第三，一般 TDM 例外的核心条件可以概括为四项。根据 CDSM 指令第4条，一般 TDM 例外的适用通常需要满足：其一，相关使用应基于 TDM 目的；其二，使用者应对作品或其他客体具有合法访问基础；其三，相关行为限于复制和提取，且复制和提取物的保存时间不得超过 TDM 目的所必要的期间；其四，权利人未以适当方式明确保留其作品或其他客体的使用，其中在线公开内容的权利保留通常应以机器可读方式作出。由此可见，欧盟一般 TDM 例外并非无条件开放，而是以“TDM目的、合法访问、必要保存、未被有效保留权利”为基本边界。

第四，TDM 例外仍受“三步检验法”约束。CDSM 指令第7条第2款进一步确认，Directive 2001/29/EC 第5条第5款规定的“三步检验法”适用于相关例外和限制。换言之，即使某一行为形式上符合 TDM 例外，也仍需满足：仅适用于特定特殊情形，不得与作品或其他客体的正常利用相冲突，也不得不合理损害权利人的合法利益。因此，欧盟路径并不是简单地以“TDM”标签豁免所有 AI 训练，而是通过三步检验继续保留市场影响和权利人利益的最终审查。

第五，AI Act 将版权合规进一步转化为通用AI模型提供者义务。欧盟《人工智能法》（Regulation (EU) 2024/1689，“AI Act”）第53条第1款第c项要求通用AI模型提供者制定遵守欧盟版权及相关权利法律的政策，特别是识别并遵守CDSM指令第4条第3款下的权利保留；第53条第1款第d项则要求其公开足够详细的训练内容摘要。[18]这意味着欧盟并未简单放任商业AI训练，而是试图把“合法访问+权利保留+训练内容透明”转化为通用模型提供者的合规义务。

值得说明的是，欧盟内部仍在讨论是否需要进一步明确 GenAI 训练规则。欧洲议会于2026年3月10日通过报告《版权与生成式人工智能：机遇与挑战》（Copyright and Generative AI – Opportunities and Challenges）（以下简称“欧盟版权报告”），欧盟版权报告正文第1段指出“现行CDSM 指令适用于 GenAI 训练场景时仍存在模糊之处，建议尽快明确其适用范围与实施方式，尽管该报告正文第2段提出的核心观点是制定新的法律框架来建立一个恢复权利人的议价能力的合法许可市场，但该报告同时指出需要确保出于科学研究、教育活动——尤其是研究机构、文化遗产机构以及在非商业创新（non- commercial innovation）范围内开展的活动不受限制，以及任何可能的例外也都需要符合Directive 2001/29/EC的第5条第5款规定以及《伯尔尼公约》的“三步检验法”。

综上，欧盟路径可以概括为：以 TDM 例外为入口，并以三步检验限制例外范围，并通过 AI Act 将版权合规、权利保留识别和训练内容透明纳入通用AI模型提供者义务。

（二）欧盟司法实践：TDM例外在AI训练不同阶段中的适用边界

司法实践中，欧盟成员国开始区分数据集创建、模型训练和输出使用。

1. 为AI训练创建数据集可使用TDM例外：Robert Kneschke v. LAION e.V.

德国汉堡地区法院在Robert Kneschke v. LAION案中认为，为建立图文配对数据集而一次性下载并分析图片，在具体事实下可以适用德国科研TDM例外。该案处理的是数据集创建阶段，没有对后续生成式模型训练和输出作出概括判断。

2. 模型内记忆化及输出端再现难以适用TDM例外：GEMA v. OpenAI

与Robert Kneschke v. LAION案不同，GEMA v. OpenAI 案的核心并非数据集创建阶段的前置复制，而是聚焦模型训练与输出。慕尼黑第一地区法院一审认为，可使作品被间接感知的模型内记忆化构成复制，并将准备训练材料的复制与训练形成的模型内固定区分处理，若模型能够通过简单提示词稳定再现受保护作品，则该记忆化及输出端再现可能构成复制权和公开提供权的侵害，且不能当然由TDM例外正当化。但需注意，该判决仍处于上诉程序，其规则影响应保持审慎。

此外，德国慕尼黑第一地区法院于 2026 年 7 月 31 日就音乐著作权集体管理组织 GEMA 起诉 Suno 一案作出判决[19]。在本案中，德国法院将模型内部的记忆复制归入复制行为范畴，驳回被告援引的TDM例外抗辩。该案的裁判思路与GEMA v. OpenAI案具有一定相似性。

而欧盟法院正在审理的C-250/25 Like Company v. Google Ireland案[20]，将涉及LLM聊天机器人输出新闻内容、训练是否构成复制以及TDM例外边界等问题。[21]该案是欧盟法院首次直接面对生成式AI与欧盟版权法关系的预先裁决案件，但截至本文发稿时，该案仍处于待决状态。

四、越南路径：文本与数据利用的严格条件化规则

越南路径的特点在于其对AI训练中文本与数据利用设置了较为细分的适用条件。越南《知识产权法》2025年修正案（Law No. 131/2025/QH15）[22]于2025年12月10日通过，并于2026年4月1日生效。该法新增第7条第5款，首先确立原则性入口，即“允许组织和个人为科学研究、测试及训练AI系统的目的，使用已经合法公布并可公开获取的文本或数据，但前提是不得不合理影响权利人合法权益。对于受著作权和邻接权保护的文本与数据，还应遵守政府规定的进一步条件。”

对此，越南政府发布《第134/2026/NĐ-CP号法令》，该法令于2026年4月9日生效，其在《第17/2023/NĐ-CP号法令》（以下简称“实施法令”）中新增第37a、37b、37c条，对AI训练中受保护文本和数据的使用作出细化规定，形成了更严格的条件化规则：

第37a条确立了使用受著作权、邻接权保护文本和数据的条件，可以归纳为六类：（1）相关文本和数据应当已经合法公布；（2）使用者应通过合法行为并从合法来源取得访问；（3）不得撤销、破坏或规避权利人采取的技术保护措施；（4）使用目的应限于科学研究、试验、训练AI系统，并不得以商业为目的；（5）使用不得与作品正常开发利用相冲突，不得不合理损害作者、表演者、著作权人、邻接权人的合法利益；（6）AI系统输出结果不得替代相关作品的消费市场或正常开发利用市场，也不得造成不正当竞争。第37b条同时规定权利保留机制，但在完全满足第37a条规定条件时，权利保留不阻却该类使用。[23]

五、比较法对比与总结：可借鉴条件的分析

前文对美国、日本、欧盟和越南路径的考察表明，各法域虽然在制度形式上存在明显差异：美国依赖开放式 fair use，日本采取“非享受目的利用”规则，欧盟通过 TDM 例外构建边界，越南则设置较为严格的文本与数据使用条件；但从实质判断因素看，其并非完全分散。相反，各法域都在不同程度上围绕同一组问题展开：训练数据从何而来、训练目的是什么、复制和保存是否必要、权利人是否作出有效保留、训练或输出是否替代原作品市场。

因此，对于中国未来构建 AI 训练语料利用规则而言，比较法的价值并不在于简单移植某一法域的制度模式，而在于从不同规则中提炼出可被中国合理使用制度吸收的共同判断条件。具体而言，AI训练场景下的合理使用或特别例外，至少应围绕以下四个维度展开：合法访问/合法来源、目的限制及必要范围、权利保留、市场影响或不合理利益损害。这四个维度构成一个递进式判断链条：首先判断训练数据是否具有合法进入基础；其次判断复制、提取、缓存和训练是否服务于技术性、分析性目的并限于必要范围；再次判断训练主体是否识别并尊重权利人的保留或退出安排；最后通过市场影响审查，防止 AI 训练例外实质性替代原作品市场或训练许可市场。

图2 美欧日越四法域比较法总结

下篇预告：

下篇内容中，将在借鉴美国、日本、欧盟与越南关于AI训练版权例外的制度基础上，分析AI训练利用作品的性质并提出中国合理使用制度的重构方案。期待您的关注。

[注]

[1] 阿里研究院：《大模型训练数据白皮书》。

[2] 《中华人民共和国著作权法》第24条。

[3] （2024）浙0192民初1587号民事判决书。

[4] 上海高院公众号，https://mp.weixin.qq.com/s/SPhQx1BSYRl0lITvgiaGng。

[5] 全国首例涉及AI绘画大模型训练著作权侵权案开庭审理，https://www.thepaper.cn/newsDetail_forward_27798781?

[6] 《美国版权法》第 107 条，https://copyright.gov/title17/92chap1.html。

[7] Campbell v. Acuff-Rose Music, Inc., 510 U.S. 569, U.S. Supreme Court, Mar. 7, 1994.

[8] Copyright and Artificial Intelligence, Part 3: Generative AI Training，https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-3-Generative-AI-Training-Report-Pre-Publication-Version.pdf。

[9] Thomson Reuters Enterprise Centre GmbH v. Ross Intelligence Inc., No. 1:20-cv-613-SB, D. Del., Feb. 11, 2025.

[10] Bartz v. Anthropic PBC, No. C24-05417 WHA, N.D. Cal., June 23, 2025.

[11] Kadrey v. Meta Platforms, Inc., No.23-cv-03417-VC, N.D. Cal., June 25, 2025.

[12] 日本《著作权法》第30条之4，https://laws.e-gov.go.jp/law/345AC0000000048；文化厅“AI与著作权”汇总页，https://www.bunka.go.jp/seisaku/chosakuken/aiandcopyright.html。

[13] 《关于应对数字化、网络化发展之柔性权利限制规定的基本思路——关于著作权法第30条之4、第47条之4及第47条之5（2019年10月24日）》，https://www.bunka.go.jp/seisaku/chosakuken/hokaisei/h30_hokaisei/pdf/r1406693_17.pdf。

[14] 《关于AI与著作权的思考（2024年3月15日）》，https://www.bunka.go.jp/seisaku/bunkashingikai/chosakuken/pdf/94037901_01.pdf。

[15] 《关于部分修改著作权法的法案（2018 年法律第30号）》，https://www.bunka.go.jp/seisaku/chosakuken/hokaisei/h30_hokaisei/；《关于灵活的权利限制规定的基本思路》，https://www.bunka.go.jp/seisaku/chosakuken/hokaisei/h30_hokaisei/pdf/r1406693_17.pdf。

[16] Directive (EU) 2019/790，https://eur-lex.europa.eu/eli/dir/2019/790/oj/eng。

[17] 德国《著作权及相关权利法》英文译本，https://www.gesetze-im-internet.de/englisch_urhg/englisch_urhg.html。

[18] Regulation (EU) 2024/1689，https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng。

[19] https://www.justiz.bayern.de/gerichte-und-behoerden/landgericht/muenchen-1/presse/2026/16.php。

[20] CJEU, Case C-250/25, Like Company v. Google Ireland。

[21] Request for a preliminary ruling in Case C-250/25，https://infocuria.curia.europa.eu/tabs/document/C/2025/C-0250-25-00000000RP-01-P-01/DDP/300681-EN-1-pdf

[22] 越南国会《第131/2025/QH15号法律：修改、补充〈知识产权法〉若干条款》，越南政府公报，https://congbao.chinhphu.vn/van-ban/luat-so-131-2025-qh15-468691.htm。

[23] 越南政府《第134/2026/NĐ-CP号法令》，越南政府公报，https://congbao.chinhphu.vn/van-ban/nghi-dinh-so-134-2026-nd-cp-469388/64378.htm。