[id_1868187907]
AI 模型包含结构和参数。结构指的是模型各组成部分的连接方式，还有布局、顺序以及数量等方面。参数是通过大量训练和优化而得到的具体数值与系数。在“抖音诉亿睿科 AI 模型侵权案”中，北京市朝阳区人民法院（2023）京 0105 民初 71391 号民事判决书以及北京知识产权法院（2023）京 73 民终 3802 号民事判决书有相关内容。抖音公司开发了“变身漫画特效模型”，而亿睿科公司在其“B612 咔叽”App 里，以几乎相同的结构和参数对该模型进行了使用。一审法院判定亿睿科的行为属于不正当竞争，裁定其需赔偿抖音公司 150 万元经济损失以及 10 万元合理开支。二审法院维持了原判，并且清楚地表明 AI 模型的结构和参数能够构成受保护的“竞争利益”。本案的关键争议点在于，当某一方企业耗费大量资源构建的 AI 模型被其他企业使用时，该模型应获得何种法律层面的保护？本案对著作权法、商业秘密和竞争法这三种不同的保护路径进行了分析。最终明确了应将竞争法作为 AI 模型的保护范式。
一、AI模型不适合采用著作权保护途径
一审法院明确表明不会给予 AI 模型著作权保护。在本案里，抖音公司称“漫画成像是美术作品或者视听作品，其生成过程包含风格设定、风格化量产、模型训练以及用户生成这四个阶段，而这些阶段体现了抖音公司独特的选择与判断。”法院在分析时，把设定、量产、训练和生成这四个阶段划分成了模型训练和模型生成这两个主要阶段。
模型训练本质上是技术工具的开发过程，此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，在著作权法意义上，创作行为既不能只是单纯地积累素材、数据，也不能只是创造生成工具，同时不能是按照既定规则机械地完成，并且要具有创作空间。从技术本质方面来看，风格化设定以及量产阶段，都在为“训练模型”这一核心目标而服务，它们属于为形成 AI 产品或服务而开展的“数据积累工作”。并且，在模型训练过程中对模型的优化行为，其本质实际上是一种创造生成工具的行为。所以，法院在本案中采纳了“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”。设定模型以及对其进行训练，这个过程实际上就是在构建“创作工具”，它属于一种技术层面的过程，而并非创作的过程。
全国首例和第二例 AIGC 著作权侵权案中，相关法院都认定 AI 使用者拥有利用人工智能工具创作生成作品的著作权。但在本案里，法院觉得基于这种“人像创作工具”生成的图像，因为真人与成像效果有着唯一或者有限的对应关系，所以不能体现自然人的思想、情感和个性，也就不具备独创性。其背后的原理是，在用户使用“AI 创作工具”时，并未进行创造性劳动。具体来讲，用户利用特效工具进行拍摄并生成图像的这一过程，由于缺少独创性的智力投入，仅仅属于技术性操作，不能构成著作权法所规定的创作行为。用户启动特效并进行拍摄的行为，本质上和输入提示词的操作类似，这里的“人像”就相当于输入的“提示词”。本案中的人像，因为在构图、光线、角度及场景安排等方面缺乏个性化选择和艺术表达，只是对客观形象进行了简单记录和机械再现，所以不符合著作权法对“作品”的认定标准。也就是说，“用户输入”的内容没有独创性。在模型输出阶段，其生成的内容也不符合独创性的要求。从著作权法的视角而言，用户输入和模型输出仅形成了“思想 - 表达”的转化关联。用户一般给出的是抽象的思想性元素，而模型会把这些元素转化为具体的表达形态。因为这种转化的过程具备随机性与不确定性，使得输入和输出之间欠缺稳定且可预期的对应关系，所以很难满足著作权法对于作品独创性的要求。引人注目的是，在其他涉及 AIGC 的案件里，法院认定人工智能在内容创作中起了作用，且人类难以对机器生成的内容实施有效控制。本案的特殊之处是，法院认为“真人与成像效果有唯一或有限的对应性”，这实际上意味着用户输入与模型输出“存在唯一或有限的对应性”。换句话说，因为输入内容没有独创性，并且输出内容与输入内容存在着唯一或者有限的对应关系，所以这样生成的内容也没有独创性。
二、AI模型难以通过商业秘密进行保护
在探讨对 AI 模型的保护方式时，商业秘密看上去是一个可行的选择。然而，实际状况显示，借助商业秘密来保护 AI 模型会遭遇许多挑战与限制。其一，AI 模型的内部机制以及算法通常难以做到完全保密。在如今这个高度互联且开放的技术环境里，AI 模型的运作原理和核心算法很容易被逆向工程，或者通过其他技术手段被揭示出来。虽然采取了严格的保密措施，但也很难完全避免信息泄露。其次，商业秘密的保护是以严格的保密措施以及保密协议为基础的。然而，在 AI 领域，人员的频繁流动和合作研究是一种常态，这让保密措施的落实变得既复杂又困难。另外，一旦出现泄密事件，在追究责任以及实施补救措施方面，也会面临许多法律和技术上的阻碍。首先，商业秘密保护无法阻止他人独立开发出类似的 AI 模型。其次，即便 AI 模型的细节未被泄露，其他研究人员和公司也有可能通过合法途径和手段，开发出功能相似的 AI 模型。这样一来，就会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能提供一定保护，但对于 AI 模型来说，其保护效果有限且难以持久。
本案一审法院运用了“接触可能性+实质性相似-合法来源”这样的判定思路，最终得出 AI 模型构成商业秘密的结论。其一，法院明确亿睿科存在接触抖音模型的这种可能性。其次，经过技术细节的对比可以看出，双方模型在整体网络结构方面是一致的，非相邻子网络的连接关系也相同，卷积层层数一样，升采样位置也相同，这些都是核心参数。在 36 个卷积层中，有 33 层的数据完全相同，相似度达到了 91.7%。并且，剩余的差异对用户的感知没有实质性的影响。在此基础之上，法院进一步运用了举证责任转移原则。亿睿科在进行抗辩时，没有提供诸如模型研发合同、训练日志、数据来源之类的关键证据。它所声称的“自主研发”方面的材料，与涉案模型之间也不存在关联性。需要注意的是，法院通过对接触可能性、实质性相似以及举证责任转移这三个维度进行综合分析，从实质上认定了 AI 模型属于商业秘密，并且被控模型是源自原告的。
从理论层面来讲，AI 模型毫无疑问是属于商业秘密的范畴。其一，AI 模型的结构以及参数一般不会向外界进行公开。因为它的数学表达以及设计是极为复杂的，非专业的人员很难凭借反向工程来进行还原。基础训练数据即便来源于公开渠道，但其经过多层非线性变换后生成的参数表征仍保持整体不可识别性，这符合商业秘密“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，它是竞争优势的核心要素。因为技术门槛高、算法优化难度大，所以在诸多司法实践中，核心算法与参数配置被认定为商业秘密。在 Neural Magic 诉 meta 的案件里，法院承认该公司的专有算法以及参数配置拥有显著的商业价值，并且对其进行了保护。同时，这与数据法中对于通过大量实质性投入而形成的非独创性数据集合的保护原则是相符的。就算不存在创造性劳动，由于其具有商业价值，也应该得到相应的保护。企业一般会运用参数加密、访问控制以及签署保密协议等这类技术和法律方面的手段，对中间层参数进行分级式的保护。在司法实践的过程里，合理的保密措施只需要和信息的价值相匹配，达到一种相对比较充分的防漏强度就可以了，没必要过于严苛地追求绝对没有泄露风险。
然而，利用商业秘密来保护 AI 模型存在一些不利之处。比如，技术人员能够通过逆向工程的方式，将模型提取出来并进行解密，这样就能实现“反向工程抗辩”。企业一般会运用参数加密、访问控制以及保密协议等技术和法律手段，对 AI 模型进行多层次的保护，以便满足“合理保密措施”的标准。在我国的司法实践中，行为人在合法购得产品后，其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背负商业秘密侵权责任。合同条款的限制虽可能让反向工程抗辩失效，然而，因其效力不稳定，适用范围有限，容易引发争议，成本又高昂，且与法定例外和公共利益相冲突，所以难以单独充当商业秘密保护的长效机制。正因如此，通过商业秘密范式来保护 AI 模型存在显著的不足。
三、AI模型的治理应优先考虑竞争法的保护路径
在如今快速发展的科技时代，人工智能（AI）模型正逐渐成为推动社会进步的关键力量。然而，伴随 AI 技术的广泛运用，其引发的竞争法问题越发明显。所以，采用竞争法保护路径去治理 AI 模型，既可以有效规范市场秩序，又能推动技术创新与公平竞争。竞争法能够给 AI 模型的开发和应用提供清晰的法律框架。竞争法通过界定 AI 模型在市场中的行为边界，能够防止企业滥用市场支配地位，进而确保 AI 技术的公平使用。这一方面有助于维护市场秩序，另一方面也能为 AI 领域的创新提供稳定的法律环境。
在二审的审理进程里，法院首先对将人工智能（AI）模型纳入竞争法保护的思路予以了肯定。其认为模型的架构以及权重配置属于技术创新的关键要素，本就应当得到法律的认可。具体来讲，一审法院已经认定，被告通过对抖音公司的“变身漫画”特效 AI 模型进行模仿，开发出了与该模型高度相似的“少女漫画”特效 AI 模型，这种行为构成了不正当竞争。以下几点很关键：其一，双方都是动漫特效的经营者，有着直接的竞争关系。其二，“变身漫画”特效 AI 模型发布得更早，已经吸引了众多用户，还提升了平台的流量，给抖音公司带来了明显的竞争利益。其三，亿睿科公司在无法提供独立研发证明时，复制了原有的 AI 模型，虽然成像效果有细微差别，但这不足以改变其本质属性。首先，亿睿科公司直接运用他人投入成本研发出的模型，这违背了商业道德，并且损害了抖音公司的竞争优势。其次，“少女漫画”特效和“变身漫画”特效在功能方面高度相近，存在替代关系，给抖音公司的竞争利益带来了实际损害。二审法院着重指出，竞争利益的实质在于 AI 模型的内部结构和参数，而非特效产品的外在呈现形式。保护范围聚焦于 AI 模型的内部，而不是直接保护其具体的产品或服务。这是因为产品和服务只是 AI 模型结构与参数的外在表现，不能反映侵权与否的实质要素。
AI 模型生成的内容并非总能精准地体现其内部机制，模型结构与参数的相似性或者差异性，并非一定会致使输出内容呈现出相似性或者差异性。只有对模型的内部结构以及参数配置进行深入剖析，才能够更高效地识别并防范侵权行为。其一，即便两个模型完全一样，它们所生成的内容也有可能截然不同。模型训练过程对随机初始化和数据处理流程有高度依赖性。不同的随机种子会使得模型学习到不同的特征分布。即便模型内部结构和参数相同，最终的权重也会因为训练细节的差异而不一样，进而产生不同的结果。其次，两个完全不一样的模型有可能生成几乎相同的结果。知识蒸馏技术能够把大型模型或大模型集群的“知识”压缩至一个更小的模型里，此过程如同教师向学生传授知识。从结果方面来讲，“教师模型”与“学生模型”的内部结构以及参数全然不同，然而它们在相同任务上能够重现原有的输出逻辑，输出的内容与原模型高度重合。首先，当模型结构和参数存在“部分重合”的情况时，侵权认定通常会遭遇更大的争议。其次，因为模型内部设计呈现出“黑箱”状态，所以侵权者只需对调用接口或生成逻辑进行细微的改动，就能够输出与原模型完全不同的产品或服务。最后，部分模型可能会通过微调或者集成多个模型的方式，来掩盖其对原始模型的依赖关系，这也使得侵权识别的难度进一步增加了。
在评估 AI 模型的侵权行为时，法律不能只看产品或服务的外在表现。要深入分析其内部结构与参数配置。只有对模型机制进行实质性审查，才能精准识别侵权行为并有效防范。竞争法引入“实质性替代”标准后，能够从市场影响的角度去判断侵权模型是否削弱了原模型的市场份额和用户粘性，这样就能有效遏制搭便车行为，维护良性竞争与创新激励。并且，竞争法凭借其灵活的规制逻辑以及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 模型的结构和参数是技术竞争的核心要素。它们既不能通过著作权法中的“创作行为”来得到保护，也难以依靠商业秘密法获得稳定且有效的防护。与之相反，将其纳入竞争法的规制范畴是更为合适的。本案确立了一种新的裁判路径，即通过反不正当竞争法来保护 AI 模型的竞争功能。它突破了传统侵权分析的局限，传统侵权分析仅关注产品和服务的表面相似性，而新路径则深入剖析模型的内在运行机制。这种方法能够更精准地打击搭便车和恶意模仿行为，也能有效应对新型不正当竞争行为。但需要注意的是，竞争法并非技术保护的万能工具。将 AI 模型纳入反不正当竞争法保护时，要一直秉持比例原则和市场导向，不能因过度规制而抑制合理模仿与二次创新的空间。其一，要保证规制对象确实是明显的攀附以及实质替代行为；其二，对于因公开研究、技术改进和功能差异而形成的“合理相似”，也应该保留其合法性和创新潜力。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
文章的核心是全国首例 AI 模型侵权案（抖音诉亿睿科），此案件揭示了司法对 AI 模型保护路径的探索。法院借助竞争法路径来保护模型结构与参数，这种方式突破了传统著作权法或商业秘密保护所存在的局限，具有重要的里程碑意义。这一裁判思路与杭州互联网法院在“奥特曼 AI 侵权案”中所强调的“输出端侵权责任”相互补充，从而一起构建了 AI 技术从输入到输出的全链条规制框架。然而要注意的是，本案的特别之处在于模型的输入输出具有“唯一对应性”，而其他的 AIGC 案件（例如 AI 绘画模型）由于生成内容具有随机性，可能需要进行差异化的处理。
著作权法保护的否定：工具性与独创性边界
作者指出，法院采用“创作工具说”来否定 AI 模型的可版权性，这种做法是符合当前主流司法观点的。比如，北京互联网法院在 AI 绘画案中也认为，模型训练属于“技术工具开发”，而不是创作。然而，争议之处在于：如果用户对生成的内容有着显著的控制（就像电商海报 AI 中的风格调整那样），那么是否有可能构成合作创作呢？文章没有对这类场景进行充分的讨论，然而淘天集团法务总监所提出的“用户独创性投入”这一观点或许能够提供一种补充的视角。
商业秘密保护的实践困境
文章指出商业秘密保护存在脆弱性，尤其指出反向工程合法性所带来的挑战。此分析与美国 Neural Magic 诉 meta 案中“算法参数作为商业秘密”的认定形成对比，从而凸显了跨国司法的差异。作者或许低估了技术保密措施（例如参数加密）的可行性。日本的《AI 与版权指南》建议企业对核心数据进行分级保护，这表明商业秘密仍有一定的适用空间。
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：
优势在于通过“实质性替代”标准，例如本案特效功能的替代性，以此来遏制恶意模仿，并且这种方式与欧盟《AI 法案》所强调的“技术透明度”理念是相契合的。
风险在于过度适用可能会对技术迭代起到抑制作用。那么如何去分辨“合理模仿”与“不正当竞争”呢？文章所引用的“比例原则”需要根据具体的场景进行细化，就像广州互联网法院在奥特曼案中要求平台采用“关键词过滤”这种方式，而不是一概禁止使用模型，这体现了一种平衡的思路。
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：
训练数据的权利归属情况，例如《欧盟版权指令》中对文本挖掘的例外规定等，这种数据权益的分割会如何对模型保护产生影响？
开源生态会产生影响。本案涉及私有模型，然而如果该模型是基于开源代码的（就像杭州 AI 平台案中的 LoRA 模型那样），那么责任的认定可能会更加复杂。
各国对于 AI 模型保护存在分歧，比如美国的合理使用与欧盟的严格披露义务等，这会引发跨境合规冲突，这是国际协调所面临的需求。总结而言，本文对 AI 模型保护模式进行的比较分析具有前瞻性，特别是其中竞争法路径的论证，能够为同类案件提供参考。未来研究可以将更多技术细节（例如模型微调以及知识蒸馏的法律定性等）与国际立法动态（像 WIPO 的《生成式 AI 知识产权导航》等）相结合，从而进一步提升规则构建的精细化程度。
本文来自微信公众号，作者：商建刚，36氪经授权发布。
