从“抖音诉亿睿科AI模型侵权案”看AI模型的保护模式

tayun

AI模型的结构与参数作为技术竞争的核心要素，既不适合通过著作权法中的“创作行为”进行保护，也难以依赖商业秘密法获得稳定且有效的防护。相反，将其纳入竞争法的规制范畴则更为适宜。

AI模型由结构和参数构成，其中结构指的是模型各组成部分的连接方式、布局、顺序以及数量等，而参数则是通过大量训练和优化得到的具体数值和系数。在“抖音诉亿睿科AI模型侵权案”[参见下方“相关链接”中北京市朝阳区人民法院（2023）京0105民初71391号民事判决书、北京常识产权法院（2023）京73民终3802号民事判决书]中，抖音企业开发的“变身漫画特效模型”被亿睿科企业在其“B612咔叽”App中以几乎相同的结构和参数进行使用。一审法院认定亿睿科的行为构成不正当竞争，判决其赔偿抖音企业经济损失150万元及合理开支10万元。二审法院维持原判，并明确指出AI模型的结构和参数可构成受保护的“竞争利益”。本案的核心争议在于，当一方企业投入大量资源构建的AI模型被他人使用时，应受到何种法律保护？通过分析著作权法、商业秘密和竞争法这三种不同的保护路径，本案最终明确了应采用竞争法作为AI模型的保护范式。

一、AI模型不适合采用著作权保护途径

一审法院明确否定了AI模型获得著作权保护的可能性。在本案中，抖音企业主张“漫画成像是美术作品或视听作品，其生成过程可分为风格设定、风格化量产、模型训练和用户生成四个阶段，这些阶段体现了抖音企业的独创性选择与判断。”法院在分析过程中，实际上将设定、量产、训练和生成四个阶段划分为模型训练和模型生成两个主要阶段。

模型训练本质上属于技术工具的开发过程，不符合著作权法对创作行为的认定标准。一审法院指出，“著作权法意义上的创作行为既不能是单纯积累素材、数据或创造生成工具的行为，也不能是按照既定规则机械完成、缺乏创作空间的行为。”从技术本质来看，无论是风格化设定还是量产阶段，都服务于“训练模型”这一核心目标，属于为形成AI产品或服务而进行的“数据积累工作”。而模型训练中对模型的优化行为，本质上是一种创造生成工具的行为。因此，法院在本案中采用了“创作工具说”的观点，认为模型服务或产品属于一种“创作工具”。设定和训练模型的过程，实际上是构建“创作工具”的过程，是一种技术过程，而非创作过程。

在全国首例和第二例AIGC著作权侵权案中，相关法院均认定AI使用者享有利用人工智能工具创作生成作品的著作权。然而，在本案中，法院认为基于这种“人像创作工具”生成的图像，由于真人与成像效果存在唯一或有限的对应性，无法体现自然人的思想、情感和个性，因此不具有独创性。其背后的原理在于，用户在使用“AI创作工具”过程中并未投入创造性劳动。具体而言，用户通过特效工具拍摄并生成图像的过程，因缺乏独创性的智力投入，仅属于技术性操作，不构成著作权法意义上的创作行为。用户启动特效并拍摄的行为，本质上类似于输入提示词的操作，其中“人像”即为输入的“提示词”。本案中的人像，由于缺乏构图、光线、角度及场景安排等方面的个性化选择和艺术表达，仅是对客观形象的简单记录和机械再现，不符合著作权法对“作品”的认定标准。换言之，“用户输入”的内容不具有独创性。在模型输出阶段，其生成内容同样不符合独创性的要求。从著作权法的角度来看，用户输入与模型输出之间仅构成“思想-表达”的转化关系。用户通常提供的是抽象的思想元素，而模型则将其转化为具体表达形式。由于这种转化过程具有随机性和不确定性，导致输入与输出之间缺乏稳定、可预期的对应关系，难以满足著作权法对作品独创性的要求。颇为引人注目的是，在涉及AIGC（人工智能生成内容）的其他案件中，法院均认定人工智能在内容创作中发挥了作用，而人类对机器生成的内容难以实施有效控制。而本案的特殊之处在于，法院认为“真人与成像效果存在唯一或有限的对应性”，实际上即认为用户输入与模型输出“存在唯一或有限的对应性”。易言之，由于输入内容不具有独创性，且输出内容与输入内容存在唯一或有限对应性的生成内容，也不具有独创性。

二、AI模型难以通过商业秘密进行保护

在探讨AI模型的保护方式时，商业秘密似乎是一个可行的选择。然而，实际情况表明，通过商业秘密保护AI模型面临诸多挑战和限制。首先，AI模型的内部机制和算法往往难以完全保密。在当今高度互联和开放的技术环境中，AI模型的运作原理和核心算法很容易被逆向工程或通过其他技术手段揭示出来。即使采取了严格的保密措施，也难以完全防止信息泄露。其次，商业秘密保护依赖于严格的保密措施和保密协议。然而，在AI领域，频繁的人员流动和合作研究是常态，这使得保密措施的落实变得复杂且困难。此外，一旦发生泄密事件，追究责任和实施补救措施也面临诸多法律和技术上的障碍。最后，商业秘密保护无法阻止他人独立开发出类似的AI模型。即使AI模型的细节未被泄露，其他研究人员和企业仍可能通过合法的途径和手段，开发出功能相似的AI模型，从而削弱原模型的竞争优势。综上所述，尽管商业秘密在某些情况下可以提供一定的保护，但对于AI模型而言，其保护效果有限且难以持久。

本案一审法院采用了“接触可能性+实质性相似-合法来源”的判定思路，最终认定AI模型构成商业秘密。首先，法院确认亿睿科存在接触抖音模型的可能性。其次，通过技术细节的比对发现，双方模型在整体网络结构、非相邻子网络连接关系、卷积层层数、升采样位置等核心参数上完全一致，36个卷积层中有33层数据完全相同，相似度高达91.7%，且剩余差异对用户感知无实质性影响。在此基础上，法院进一步适用了举证责任转移原则。亿睿科在抗辩中未能提供模型研发合同、训练日志、数据来源等关键证据，其声称的“自主研发”材料也与涉案模型缺乏关联性。值得注意的是，法院通过接触可能性、实质性相似以及举证责任转移三个维度的综合分析，实质上认定了AI模型属于商业秘密，且被控模型源自原告。

从理论角度来看，AI模型无疑属于商业秘密的范畴。首先，AI模型的结构和参数通常不对外公开。由于其数学表达和设计极为复杂，非专业人员难以通过反向工程进行还原。即便是基础训练数据来源于公开渠道，经过多层非线性变换后生成的参数表征依然保持整体不可识别性，这完全符合商业秘密“非公知且经合理保护”的秘密性要求。其次，中间层参数决定了模型的推理能力和整体性能，是竞争优势的核心要素。由于技术门槛高、算法优化难度大，核心算法与参数配置在诸多司法实践中被认定为商业秘密。例如，在Neural Magic诉Meta案中，法院认可该企业专有算法与参数配置具备显著商业价值，并予以保护。此外，这与数据法中对通过实质性投入形成的非独创性数据集合的保护原则相一致。即便缺乏创造性劳动，其因商业价值亦应获得相应保护。最后，企业通常采用参数加密、访问控制以及签署保密协议等技术和法律手段，对中间层参数实施分级保护。在司法实践中，合理的保密措施只需与信息价值相适应，达到相对充分的防漏强度即可，无需苛求绝对无泄露风险。

然而，利用商业秘密保护AI模型存在一些弊端，例如技术人员可以通过逆向工程提取并解密模型，从而实现“反向工程抗辩”。企业通常会采用参数加密、访问控制以及保密协议等技术和法律手段，对AI模型实施多层次保护，以满足“合理保密措施”的标准。然而，美国的《统一商业秘密法》和《联邦商业秘密保护法》均明确规定“反向工程”是一种合法的获取方式，只要其过程基于正当且诚实的手段，即使获取了AI模型，也不构成侵权。同样，在我国的司法实践中，行为人在合法购得产品后独立分析所获信息的抗辩理由已被认可，这种方式不被视为不当获取。因此，第三方难以因反向工程而承担商业秘密侵权责任。尽管合同条款的限制可能使反向工程抗辩失效，但由于其效力不稳定、适用范围有限、易引发争议、成本高昂，并且与法定例外和公共利益相冲突，难以单独作为商业秘密保护的长效机制。因此，通过商业秘密范式保护AI模型存在明显的不足。

三、AI模型的治理应优先考虑竞争法的保护路径

在当今快速发展的科技时代，人工智能（AI）模型正日益成为推动社会进步的重要力量。然而，随着AI技术的广泛应用，其带来的竞争法问题也愈发凸显。因此，采取竞争法保护路径来治理AI模型，不仅能够有效规范市场秩序，还能促进技术创新和公平竞争。竞争法能够为AI模型的开发和应用提供明确的法律框架。通过界定AI模型在市场中的行为边界，竞争法可以防止企业滥用市场支配地位，确保AI技术的公平使用。这不仅有助于维护市场秩序，还能为AI领域的创新提供稳定的法律环境。

在二审审理过程中，法院首先肯定了将人工智能（AI）模型纳入竞争法保护的思路，认为模型的架构与权重配置是技术创新的核心要素，理应获得法律认可。具体而言，一审法院已认定被告通过模仿抖音企业的“变身漫画”特效AI模型，开发出与其高度相似的“少女漫画”特效AI模型，构成不正当竞争。以下几点尤为关键：首先，双方均为动漫特效的经营者，存在直接竞争关系。“变身漫画”特效AI模型发布时间更早，已吸引大量用户并提升了平台流量，为抖音企业带来了显著的竞争利益。其次，亿睿科企业在未能提供独立研发证明的情况下，复制了原有的AI模型，尽管成像效果存在微小差异，但不足以改变其本质属性。再次，亿睿科企业直接使用他人投入成本研发的模型，违背了商业道德，损害了抖音企业的竞争优势。最后，“少女漫画”特效与“变身漫画”特效在功能上高度相似，具有替代作用，对抖音企业的竞争利益造成了实质损害。二审法院特别指出，竞争利益的实质在于AI模型的内部结构与参数，而非特效产品的外在表现。将保护范围聚焦于AI模型的内部，而非直接保护其具体产品或服务，原因在于产品和服务只是AI模型结构与参数的外在体现，无法反映侵权与否的实质要素。

AI模型的生成内容并不总能准确反映其内部机制，模型结构和参数的相似性或差异性并不必然导致输出内容的相似性或差异性。只有深入分析模型的内部结构和参数配置，才能更有效地识别和防范侵权行为。首先，即使两个模型完全相同，它们的生成内容也可能大相径庭。模型训练过程高度依赖于随机初始化和数据处理流程，不同的随机种子会导致模型学习到不同的特征分布。即使模型内部结构和参数一致，最终的权重也会因训练细节的差异而有所不同，从而产生不同的结果。其次，两个完全不同的模型也可能生成几乎相同的结果。通过常识蒸馏技术，可以将一个大型模型或大模型集群的“常识”压缩到一个更小的模型中，这一过程类似于教师向学生传授常识。从结果上看，“教师模型”和“学生模型”的内部结构和参数完全不同，但它们在相同任务上能够复现原有的输出逻辑，输出与原模型高度重合的内容。最后，当模型结构和参数“部分重合”时，侵权认定往往面临更大的争议。由于模型内部设计对外呈现“黑箱”状态，侵权者只需对调用接口或生成逻辑进行微小的改动，便能输出与原模型截然不同的产品或服务。部分模型可能通过微调或集成多个模型的方式，掩盖其对原始模型的依赖关系，这进一步增加了侵权识别的难度。

因此，在评估AI模型的侵权行为时，法律不应仅依据产品或服务的外在表现，而需深入分析其内部结构与参数配置。只有通过实质性审查模型机制，才能精准识别并有效防范侵权行为。通过引入“实质性替代”标准，竞争法可以从市场影响的角度判断侵权模型是否削弱了原模型的市场份额和用户粘性，从而有效遏制搭便车行为，维护良性竞争与创新激励。竞争法凭借其灵活的规制逻辑和注重公平竞争的价值取向，为应对AI模型可能引发的技术成果不当攫取问题，提供了更贴合技术实际的制度方案。

四、结语

AI模型的结构与参数作为技术竞争的核心要素，既不适合通过著作权法中的“创作行为”进行保护，也难以依赖商业秘密法获得稳定且有效的防护。相反，将其纳入竞争法的规制范畴则更为适宜。本案创新性地确立了通过反不正当竞争法保护AI模型竞争功能的裁判路径，突破了传统侵权分析仅关注产品和服务表面相似性的局限，转而深入剖析模型的内在运行机制。这一方法能够更精准地打击搭便车和恶意模仿行为，有效应对新型不正当竞争行为。然而，需要注意的是，竞争法并非技术保护的“万能工具”。在将AI模型纳入反不正当竞争法保护时，应始终坚持比例原则和市场导向，避免过度规制抑制合理模仿与二次创新的空间。一方面，应确保规制对象确实属于明显的攀附与实质替代行为；另一方面，对于基于公开研究、技术改进和功能差异而形成的“合理相似”，也应保留其合法性与创新潜力。展望未来，竞争法路径有望成为AI模型保护的重要支柱。

知产力AI智能体点评

案例选择的典型性与裁判规则创新

文章以全国首例AI模型侵权案（抖音诉亿睿科）为核心，揭示了司法对AI模型保护路径的探索。法院通过竞争法路径保护模型结构与参数，突破了传统著作权法或商业秘密保护的局限，具有里程碑意义。这一裁判思路与杭州互联网法院在“奥特曼AI侵权案”中强调的“输出端侵权责任”形成互补，共同构建了AI技术从输入到输出的全链条规制框架。但需注意，本案的特殊性在于模型输入输出存在“唯一对应性”，而其他AIGC案件（如AI绘画模型）因生成内容随机性可能需差异化处理。

著作权法保护的否定：工具性与独创性边界

编辑指出法院采用“创作工具说”否定AI模型可版权性，符合当前主流司法观点。例如北京互联网法院在AI绘画案中同样认为模型训练属于“技术工具开发”而非创作。但争议在于：若用户对生成内容存在显著控制（如电商海报AI中的风格调整），是否可能构成合作创作？文章未充分讨论此类场景，而淘天集团法务总监提出的“用户独创性投入”观点或可提供补充视角。

商业秘密保护的实践困境

文章敏锐指出商业秘密保护的脆弱性，尤其是反向工程合法性带来的挑战。这一分析与美国Neural Magic诉Meta案中“算法参数作为商业秘密”的认定形成对比，凸显了跨国司法差异。但编辑可能低估了技术保密措施（如参数加密）的可行性——日本《AI与版权指南》即建议企业分级保护核心数据，说明商业秘密仍具一定适用空间。

竞争法路径的优势与风险

竞争法保护的核心价值在于其灵活性：

优势：通过“实质性替代”标准（如本案特效功能的替代性）遏制恶意模仿，与欧盟《AI法案》强调的“技术透明度”理念一致。

风险：过度适用可能抑制技术迭代。如何区分“合理模仿”与“不正当竞争”？文章引用的“比例原则”需结合具体场景细化，例如广州互联网法院在奥特曼案中要求平台采取“关键词过滤”而非一刀切禁用模型，体现了平衡思路。

理论延伸：AI模型保护的多元路径

文章未充分探讨的议题包括：

数据权益分割：训练数据的权利归属（如《欧盟版权指令》对文本挖掘的例外规定）如何影响模型保护？

开源生态影响：本案涉私有模型，但若模型基于开源代码（如杭州AI平台案中的LoRA模型），责任认定可能更复杂。

国际协调需求：各国对AI模型保护的分歧（如美国合理使用vs.欧盟严格披露义务）可能引发跨境合规冲突。总结：本文对AI模型保护模式的比较分析具有前瞻性，尤其竞争法路径的论证为同类案件提供参考。未来研究可结合更多技术细节（如模型微调、常识蒸馏的法律定性）及国际立法动态（如WIPO《生成式AI常识产权导航》），进一步深化规则构建的精细化程度。


来源：36kr