国际AI监管格局下，企业合规的核心难题与策略

不同国家间的差异不仅影响AI企业的创业地域选择、跨境合作与市场准入，还正在引发知识产权合规、AI生成内容版权归属等关键问题的讨论。

文｜钱丽娜

ID | BMR2004

随着AI产业从爆发期进入深度应用期，数据治理与版权归属已成为决定企业能否行稳致远的关键合规命题。面对模型训练数据的溯源难题与人机协同创作下的权益界定模糊，企业正陷入执法难度高、举证责任重的合规困局。

浙江大学光华法学院特聘研究员、博士生导师，杭州这里有法数据有限公司创始人周翔长期深耕数字法学、司法人工智能等领域研究，他指出，中美欧因AI产业发展阶段、国际竞争力不同，形成了各具特色的监管立场与立法体系。不同国家间的差异不仅影响AI企业的创业地域选择、跨境合作与市场准入，还引发知识产权合规、AI生成内容版权归属等关键问题的讨论，而人机协同作为未来内容创作的必然趋势，其相关权益界定与证据留存也成为行业关注焦点。

01

AI监管体系的国际格局

全球AI产业的发展，始终是国家利益与商业企业全球化之间相互妥协、寻求平衡的过程。

从法律视角理解AI产业，首先要建立对AI国际发展格局的清晰认知。

当前全球格局中，美国仍是AI发展的领头羊；欧洲在AI基础研发与应用层面相对落后；中国则处于两者之间。三方AI产业的发展阶段、国际竞争力存在显著不同，这也直接导致各方在AI监管上的基本立场差异。

在监管层面，欧盟始终将捍卫数字主权、保障公民基本权利作为监管的基本立场与核心诉求，也因此在立法层面构建起全球AI监管的标杆体系。

美国的AI监管则始终围绕维护并巩固其全球AI技术领导者地位、提升产业核心竞争力展开，这是其监管工作的核心导向。美国近期的监管导向同样值得关注，特朗普政府已颁布法令，要求各州不得出台相关限制AI发展的法律法规，美国整体呈现出对AI产业极为宽松的监管态势。

在全球AI产业竞争格局中，中国的AI产业已具备一定国际竞争力，相关政策将保障国家安全作为监管的重要基本立场与诉求，也始终重视对公民私权的保护。中国的AI立法虽较多参考欧盟体系，但同时也兼顾与美国在AI领域的竞争需求，形成了立法向欧盟看齐、执法向美国靠拢的特点，力求在国家安全、国家产业竞争力与公民私权保障之间找到最优解。

从国内监管来看，部分法律在落地执行阶段，仍面临执法成本较高、执法难度较大等现实障碍。我国AI领域相关立法在实际执法中并未采取严苛尺度，整体执法工作始终以促进AI产业发展为导向。

再看中美监管壁垒对AI企业跨境合作与市场准入的影响。我国要求面向公众提供服务的AI产品完成备案，而美国因数据共享的相关考量，并未设置AI产品备案制度，这种监管差异也造成了跨境合作与市场准入的诸多障碍。近期有典型案例可印证这一现状：AI企业Manus在国内完成初期发展后，先将团队与业务迁移至新加坡，后被Meta收购，这一发展路径在一定程度上反映出中美AI跨境合作的现实壁垒，而这一壁垒的形成，核心源于我国AI监管中对国家安全的核心考量。

不过中美及全球各国在AI监管领域仍有达成合作的基础，主要体现在理念与技术两个层面：

首先，理念层面存在普世性共识。美国虽监管宽松，但对本国公民的个人信息保护力度并未滞后，各国在私权保障层面的诉求具有共通性，因此全球AI监管能够形成最低限度的共识。

其次，技术层面有实现跨境合作的可行路径。可将算法模型训练与数据跨境流动两个问题拆分处理，在保障数据本地化的前提下，通过联邦学习、传输加密后的模型参数等技术手段，实现AI技术的跨境流通与商业合作。

整体而言，全球AI产业的发展，始终是国家利益与商业全球化之间相互妥协、寻求平衡的过程。

02

AI训练数据合理使用的边界

AI数据合理使用的边界界定，目前仍处于司法实践先行、通过个案积累经验的微观探索阶段。

对于AI企业而言，当下大量受知识产权保护的语料、作品成为模型训练数据，其中涉及合规的核心问题是：AI企业使用受版权保护的数据开展模型训练时，合理使用的边界应如何界定？

从中美两国的立法与司法实践来看，目前尚未出台针对该问题的成文法，也未形成统一、明确的界定标准。“合理使用”虽是传统知识产权领域的经典概念，但在AI时代，使得这一概念的适用边界发生变化，全球范围内尚未在立法层面形成共识，目前仍处于司法实践先行、通过个案积累经验的微观探索阶段。

中美两国在AI数据合理使用的司法判断上，形成了不同的侧重点：

美国采用“四要素框架”（注：主要有两个核心体系，分别是NIST AI RMF 1.0的“治理、映射、测量、管理”四功能框架，以及GAO的“治理、数据、性能、监控”四原则框架，二者均为自愿性指南）。对合理使用进行个案权衡，其中最核心的判断要素是“使用的目的与性质”，即利用受版权保护的素材形成的新作品、新用途，不能是对原作品的简单替代，需增加新的功能、体现新的目的性，否则即超出合理使用边界，可能构成侵权。此外，判断还会涉及使用部分的数量与实质性、使用行为对原作品潜在市场的影响等要素。

中国的司法判断更侧重数据获取的合法性。近期在国内某绘画大模型知识产权纠纷案中，法院的裁判逻辑为，模型训练是否构成侵权，首要判断标准是训练数据的来源是否合法，具体包括是否遵守相关协议、是否破坏技术安全屏障（如防火墙）等。我国采用这种判断方式，是因其具有明确的举证导向，便于在司法实践中收集证据、做出认定。

当前AI大模型在训练过程中，数据爬取是普遍存在的现象，甚至部分企业存在“暴力爬取”行为，这一问题的根源在于数据是AI产业发展的核心先决条件，而爬取是获取海量数据的主要方式。但AI模型训练对数据的处理，如同“小麦磨成面粉”的过程：原始数据被高度拆解、融合，最终的模型输出结果无法回溯至具体的原始数据来源，即便原始数据存在侵权问题，也难以举证，这也使得知识产权保护面临严峻挑战，因为法律的认定以证据为核心，一旦无法追溯、无法举证，就难以认定侵权行为。

针对这一难题，我国司法实践采取了“避繁就简、先易后难”的治理思路：先避开模型训练后难以举证的复杂环节，先治理数据获取这一相对简单、司法实践积累更丰富的环节。数据爬取作为网络数据获取的主要方式，在AI产业发展前就已存在，司法领域已形成大量相关案例，明确了爬取行为的合法边界、爬取范围与尺度，形成了相对成熟的判断标准，这也是当前司法层面能够有效规制的环节。

例如，若企业未经平台许可爬取其营销数据，却在备案时申报该数据为训练来源，看似存在自相矛盾的问题，但结合爬虫技术的特性与行业实际来看，这一问题需客观解读。爬虫技术有一个通俗的行业认知——“可见即可得”，即网络上可被用户浏览到的信息，会加载至本地浏览器，从技术本质而言，爬虫是一项中立技术；且若完全杜绝爬虫行为，反而会对整个互联网行业的发展产生负面效应。

这也意味着，AI数据合理使用的边界界定，目前仍需依托具体诉讼案件的推动。数据流通环节的侵权判断，比模型训练环节的合理使用判断更具可操作性，前者有成熟的司法标准与举证路径，而后者因数据无法回溯、举证困难，难以形成明确的法律认定。

AI大模型训练阶段的合理使用界定，还面临举证与监管的双重难题：

举证层面：大模型的预训练环节对数据的拆解融合具有不可逆性，无法通过模型输出结果追溯输入数据的来源，被侵权人难以举证证明自身权益受损，这也是合理使用边界难以界定的核心原因。

监管层面：行政执法若仅依靠大模型厂商的自我约束，本质上属于道德层面的要求，缺乏法律层面的刚性约束。即便我国推行AI产品备案制度，也难以规避厂商的“数据加塞”行为，例如厂商备案的训练数据为100份，却在实际训练中偷偷增加50份未备案数据，执法者难以发现此类行为。目前针对这一问题，尚无有效的外部监管手段，只能依托行业自律，而在缺乏证据的前提下，执法与司法均无法对合理使用边界做出有效判断。

目前相关监管要求已明确部分临时合规措施，例如AI产品备案、企业需对训练数据的范围进行内部记录并建立完善的记录流程，这一要求与工业时代工厂流水线记录原材料采购、产品产出的逻辑一致，但二者存在本质区别：工业时代的流水线记录具有可追溯性，外部可通过各类证据交叉印证记录的真实性；而AI大模型的训练记录，外部难以验证、证伪，企业是否真实按照备案与内部记录的范围开展训练，执法者与监管机构无法有效核实。简言之，当前AI企业的训练数据来源备案，本质上是企业的自我申报，申报内容的真实性缺乏有效的外部核验手段。

03

AI生成内容的版权归属

版权制度的核心初衷，正是通过保护创新来鼓励创作。唯有建立合理的经济利益分配机制，才能充分激发创作者的创作动力，这也是知识产权制度诞生的核心价值诉求之一。

当前AI技术已发展至足够智能、强大的阶段，人机协同成为未来内容创作的必然趋势。它能有效提升工作效率，是极具价值的辅助工具。大家关注的AI生成内容的版权归属问题，本质上是如何在人机协同的创作模式中，留存人类参与的证据、明确版权归属，确认人类在创作中发挥的创意、创作等作用，保障人类创作者的版权权益。

要厘清这一问题，周翔认为，核心在于追溯人机协同过程中人类的参与行为，界定其中具有独创性的部分，版权（著作权）的认定标准是独创性，这是法律层面的明确要求。同样的AI工具，不同使用者创作的内容却存在显著差异，原因便在于人类在创作各环节的主观参与和个性化选择。周翔总结了AI生成内容时人机协作的四个关键阶段。

素材收集与筛选是第一个关键阶段，也是人与人之间创作差异的重要起点。不同创作者的知识储备、阅读积累、行业经验存在差异，导致其素材收集的范围、渠道各不相同，对素材的筛选标准、取舍判断也各有侧重，最终留存并用于AI生成或人工创作的素材基底，自然存在本质区别。

提示词工程是人机协同创作中第二个关键环节，也是人类指挥AI开展创作的关键纽带。人类与AI的协同创作，始终离不开提示词的设计与输入，这是连接人类创作需求与AI生成能力的核心机制。

可以将AI理解为一位学识广博却缺乏场景适配能力的从业者，它掌握着海量知识与能力，却无法自主判断在具体场景中该如何运用，而提示词正是让AI在特定场景中施展能力的关键。提示词的设计水平，直接决定了AI的输出效果。创作者在设计、迭代提示词的过程中，本身就蕴含着独创性思考，这份思考的留存，便是人机协同创作中人类参与的重要证据。

第三个关键环节是大模型参数的个性化调节。当前面向C端的大模型产品，开放的可调变量相对有限，但如果通过大模型的API接口进行使用，会有大量可调节参数，这些参数的不同设置会直接影响模型的最终输出结果。不同创作者的参数调节思路与方案存在显著差异，将这些参数设置的方案以日志、截图等形式留存，同样能证明人类在人机协同创作中的原创性贡献。

第四个关键环节则是后期人工制作与优化。现阶段，AI尚无法完全替代人类完成专题报道、学术论文这类专业性较强的内容创作，多数情况下，AI仅能完成初稿的生成，后续仍需要人类进行深度修改、润色，若是图文、视频类内容，还包括图片修图、视频剪辑等人工加工环节。这些在AI生成内容基础上的二次创作与优化，是人类创作思路的直接体现，也是人机协同创作中极具独创性的部分。

综上，从创作者的微观视角来看，只要做好素材收集筛选、提示词设计迭代、参数调节设置、后期人工优化这四个环节的证据留存，便能有效证明其在人机协同创作过程中的原创性贡献，为版权归属的界定提供核心依据。

杭州此前审结的一起相关案例，正印证了这一逻辑：一位创作者通过原创的提示词工程微调AI生成图片，后某房地产公司擅自使用该作品，创作者凭借留存的提示词相关证据提起诉讼并胜诉，核心便是依托了提示词设计环节的证据留存。这类证据留存并非仅靠简单截屏，具备专业证据意识的创作者，还会借助时间戳、电子存证等工具强化证据效力。近5年来，国内时间戳、电子存证技术发展迅猛，依托区块链技术为创作证据添加时间戳，能够有效证明创作行为的首创性与时间在先性，为版权认定提供关键支撑。

周翔认为，基于技术的现实限制，现阶段更具可行性的解决方案是：只要AI相关衍生应用与原作品的传播渠道不重合，便可以认定为合理的转化使用。若未来技术层面能实现数据使用的精准追溯与监管，再建立对应的自动付费机制方为可行；在技术与制度尚未完善的当下，渠道管控是最具实操性的监管方式，而若衍生应用与原作品出现渠道重合，则应遵循原创者优先的原则。

同时需要注意的是，内容大厂自身也在积极布局AI应用，将其作为降本增效的重要手段。如今诸多游戏公司已广泛运用AI开展游戏制作，大幅降低美术设计、内容创作等环节的成本，这类内容大厂对AI技术的主动运用，使得其对AI训练数据的版权诉求，呈现出更为复杂的行业现实。

周翔说，从产品视角来看待这一问题，核心判断标准应聚焦于产品的迭代与创新。如果新一代产品相较于上一代有本质性的提升与突破，那么这款产品本身就具备获得版权保护的基础。工业时代所形成的、内容大厂向AI开发主体收取版权费用的利益分配机制，在AI时代并非唯一选择，也并非必要选择。在AI时代，只要创作者能在上一代作品或他人内容的基础上完成有效迭代与优化，其产品的市场价值自然会由用户用脚投票来检验，用户的付费意愿便是最直接的市场反馈。同时，被借鉴、模仿的主体，也可反向借鉴新的创作成果进行自身的创新，毕竟所有创作成果在网络环境中均具备一定的可见性。

周翔说：“这种基于产品层面的市场竞争，本质上会推动整个行业的持续迭代，而版权制度的核心初衷，正是通过保护创新来鼓励创作。唯有建立合理的经济利益分配机制，才能充分激发创作者的创作动力，这也是知识产权制度诞生的核心价值诉求之一。从经济维度分析，若将所有作品都视作市场产品，那么通过产品的市场化迭代与竞争，完全能够实现鼓励创新的根本目的。”