AI没有破坏版权法，只是暴露了它早已破碎的现实

摘要

版权法长期依赖人类创作规模小、分发成本高、执法可选择性等隐性假设运作。AI的出现并非制造了新的法律灰色地带，而是通过大规模消除这些约束，将原本被默许的模糊空间推向了数十亿美元的法律战场。文章逐层分析训练、生成、分发环节的执法可行性，认为唯有在分发层执法才能对准实际损害。

内容框架与概述

文章以一个生动的思想实验开篇：在家画一幅索尼克的画、送给朋友、发到社交媒体、出售——每一步的法律风险递增，但大多数情况下版权法从未真正介入。这揭示了版权体系运作的核心秘密：它依赖的不是规则的清晰，而是执法的选择性和人类规模的天然限制。

文章随后从三个执法层面展开分析。在训练层，即使排除盗版内容，AI仍会从合法公开数据中习得受版权保护角色的特征，禁止训练在技术和法律上均不可行。在生成层，AI输出缺乏可识别的侵权意图，且法定赔偿标准在大规模自动化生成面前变得荒谬。在分发层，版权法历来在此发挥作用——损害只有在内容被分享、替代市场或商业化时才真正发生。

最后，文章探讨了不同执法方案的责任分配问题。无论将责任施加于模型提供商还是用户，在生成层执法都会导致垄断固化或监控困境。文章主张版权体系需要根本性改革，而非简单地将旧规则硬套到新技术上。

核心概念及解读

人类规模假设：版权法隐含假定创作缓慢、分发昂贵、侵权稀少，AI打破了这些从未被明文规定的前提条件。

训练层不可执法性：即使仅使用合法数据训练，模型仍会从海量合理使用片段中合成受保护作品的特征，溯源和清除均不可行。

生成层意图不可读：AI采样概率空间而非形成艺术意图，在此层执法等于将私人创作行为本身视为侵权，逻辑上不成立。

分发层执法原则：损害仅在内容被公开传播、产生市场替代效应时才真正发生，这是版权法唯一有效运作的层面。

责任迷宫：在生成层追责会导致大公司垄断加剧（只有巨头负担得起合规成本），或演变为对用户的大规模监控体系。

原文信息

此摘要卡片由 AI 自动生成