拿他人作品训练大模型，会不会构成侵权
“贵司的大模型训练数据来源合法吗？”这是AI企业融资尽调、大客户采购评审中出现频率极高的问题，也让不少技术负责人一时语塞。训练数据涉及著作权、数据合规与竞争规则多条线，目前既没有“一定侵权”的定论，也没有“随便用”的通行证。本文分情形拆解风险所在与合规做法。
一、实务场景还原
大模型训练数据的风险，通常在融资尽调、大模型备案和客户采购三个时点集中爆发。某AI公司开发对话模型，语料来自三处：公开网页抓取、采购的电子书扫描件、社区开源数据集。投资人尽调时要求说明每类语料的来源与授权链条；备案环节要求说明数据来源合法性；客户合同里还要求就知识产权侵权作出赔偿承诺。
法务梳理后发现：网页抓取时没有留存robots协议约定的判断依据，电子书供应商只有一纸发票没有授权文件，开源数据集的许可证条款从未逐条审过。三个来源，三处缺口。
二、核心法律争议焦点梳理
焦点一：训练过程中的复制是否落入著作权专有权利范围
争议首先落在机器学习中的中间复制是否构成著作权法意义上的复制行为。大模型训练需要把作品数字化、存储、分词和预处理，这些过程客观上存在对作品的复制与信息处理。
《中华人民共和国著作权法》（2020年修正）第十条列举了复制权、信息网络传播权等专有权利。有一种观点认为，训练中的复制属于机器内部临时性、功能性处理，未向公众传播，不宜等同于传统复制；另一种观点则认为，未经许可对作品进行存储和利用本身已超出授权范围。这个问题目前没有明文结论，个案走向取决于使用方式、作品数量与商业场景。
焦点二：合理使用条款能否为训练行为提供豁免
现行合理使用规则难以直接覆盖商业性大模型训练。这是企业最容易误判的一点。
《中华人民共和国著作权法》（2020年修正）第二十四条采取封闭列举加兜底的立法模式。其中第（六）项的翻译、复制等行为限于学校课堂教学或者科学研究，且不得出版发行，商业主体为开发产品而批量抓取作品，很难对号入座。同时，第二十四条开宗明义设定了共同条件：不得影响作品的正常使用，不得不合理地损害著作权人的合法权益。模型输出若在效果上形成对原作品市场的替代，论证空间会进一步收窄。第（十三）项为“法律、行政法规规定的其他情形”留了口子，但目前尚无专门针对人工智能训练的豁免规则。
焦点三：数据获取方式可能引发竞争法与数据合规责任
即便著作权问题尚存争论，抓取手段与数据来源违规的责任是相对确定的。企业不能把全部注意力放在“训练算不算合理使用”上，而忽视更硬性的红线。
《中华人民共和国反不正当竞争法》第二条要求经营者遵循诚信原则、遵守商业道德，突破反爬措施、违背网站声明的批量抓取，在同类纠纷中可能被评价为不正当竞争。《中华人民共和国数据安全法》第三十二条明确，收集数据应当采取合法、正当方式，不得窃取或者以其他非法方式获取数据；第二十七条要求开展数据处理活动建立全流程数据安全管理制度；第二十九条要求发现安全风险时立即补救并按规定处置。此外，语料中含有个人信息的，还须满足个人信息保护的相关要求。
三、实务裁判口径与合规要点解析
现阶段实务口径可以概括为：行为可诉、结论个案、合规先行。国内已有权利人就作品被用于人工智能服务提起诉讼的公开案例，不同案件的裁判侧重并不相同，有的关注训练与输出环节对作品的利用，有的落到竞争行为层面，不能以单个案件推断全局。
监管层面，《生成式人工智能服务管理暂行办法》要求服务提供者使用具有合法来源的数据和基础模型，不得侵害他人依法享有的知识产权，涉及个人信息的还应当取得同意或符合相关规定；《互联网信息服务深度合成管理规定》对深度合成服务的数据与技术管理提出了类似义务。这些义务是硬约束，与训练行为的定性之争并行不悖。
需要澄清两个误区：“公开可访问”不等于“可以随便用”，作品公开传播不等于放弃复制权；“用于训练属于转换性使用所以免责”也没有定论，转换性程度只是裁判考量因素之一。
四、企业实操防控方案
对来源不明的语料，暂停新增摄入并对存量做来源分级。具体可按以下清单推进：
1. 建立训练数据台账，按自有、授权采购、公开采集、开源数据集四类登记来源、时间与责任人。
2. 采购语料时索取书面许可与权属证明，发票不能替代授权文件。
3. 审查开源数据集许可证，区分允许商用、禁止商用、附条件使用等情形，保留原始许可文本。
4. 公开采集遵守robots协议与网站服务条款，不破解反爬措施、不绕过访问控制。
5. 语料中的个人信息做最小化与脱敏处理，人脸等敏感信息审慎评估后再用。
6. 建立权利人投诉与内容下架机制，保证训练数据可追溯、可说明。
7. 对外合同中的知识产权承诺，与自身合规水位匹配，避免无限赔偿敞口。
五、律师提示
这一领域不确定性高，风控目标不是“零风险”，而是可解释、可举证、可止损。能否证明每批数据的来源与授权状态，往往比语料本身更能决定企业在纠纷中的处境。
遇到四类情形建议及时委托律师：投资人尽调答复与备案材料的合规表述；收到权利人的侵权函或律师函；拟提起或被提起相关诉讼；语料供应商出现权属瑕疵需要追责与止损。事前一次结构化梳理的成本，远低于事后应对。
六、结语
拿他人作品训练大模型会不会侵权，目前没有一刀切的答案，但风险并非无从管理。分清来源、留好授权、守住抓取红线、建立可追溯机制，是现阶段企业能够做且应当做的基本功。
延伸问答
问：使用开源数据集就安全吗？ 不一定。开源解决的是代码与数据集的许可问题，集内作品的授权状况未必经过严格核验，许可证禁止商用或要求注明出处的，仍需逐条遵守。
问：只用于内部研发、不对外上线，风险一样吗？ 商业主体的研发活动与个人学习研究不是一回事，研究目的抗辩空间需结合主体性质、数据规模与后续商业化安排个案评估。
问：买了正版图书扫描后用于训练可以吗？ 购买取得的是阅读使用权益，不等于复制、数字化处理的授权，规模化扫描入库通常仍需另行许可。
免责声明：本文为普法知识分享，仅供参考，不构成任何法律意见。具体法律问题请结合案件实际情况，咨询专业律师。