AI训练数据的版权问题，是全世界都在吵的题目，国内法院已经用判例给出方向。很多开发者的误解是“我买过这批书”“网上公开的都能爬”，以为进了训练集就是技术使用；版权方则以为“喂过我的作品就能全赢”——两头都不准确。
先给结论：我国法律没有给 AI 训练专门开合理使用的口子，训练中的大规模复制是否构成合理使用要看个案；但模型输出与他人作品实质性相似、或训练集本身来源非法的，侵权责任跑不掉。
一、规则层：合理使用的门槛在哪
讨论训练数据的绕不开这条总纲：
- 《中华人民共和国著作权法》第二十四条在下列情况下使用作品，可以不经著作权人许可，不向其支付报酬，但应当指明作者姓名或者名称、作品名称，并且不得影响该作品的正常使用，也不得不合理地损害著作权人的合法权益：（一）为个人学习、研究或者欣赏，使用他人已经发表的作品；（二）为介绍、评论某一作品或者说明某一问题，在作品中适当引用他人已经发表的作品；
注意三个要件缺一不可：列明情形、指明来源、不影响正常使用且不损害合法利益。训练大模型至少有两处卡壳：
- “为个人学习、研究”：主体是个人，商业公司拿全网语料训练商用模型，很难塞进这个筐；
- “不得影响该作品的正常使用，也不得不合理地损害著作权人的合法权益”：这是该条总括性条件。当模型学会了某作家的文风、能生成“以假乱真”的续作，直接挤占原作品市场，这条总闸会把“合理使用”抗辩关掉。
二、侵权怎么构成：抓三个环节
- 训练环节的复制：把作品爬取、存储、切分、进入训练集，本身构成复制行为。是否最终担责看合理使用抗辩能否成立，但“复制发生过”这个事实通常无法否认。
- 输出环节的实质相似：模型生成内容与原作品或其表达实质性相似，是最没有争议的侵权点。逐字复读（记忆化输出）、拼贴改写都算。
- 产品定位的替代：如果产品功能就是“一键生成某作家风格小说”“仿某画师出图”，即便单条输出不相似，整体商业替代性也是认定过错的重要依据。
输出结果侵权时的责任基础：
- 《中华人民共和国著作权法》第五十二条有下列侵权行为的，应当根据情况，承担停止侵害、消除影响、赔礼道歉、赔偿损失等民事责任：（一）未经著作权人许可，发表其作品的；（二）未经合作作者许可，将与他人合作创作的作品当作自己单独创作的作品发表的；（五）剽窃他人作品的；（六）未经著作权人许可，以展览、摄制视听作品的方法使用作品，或者以改编、翻译、注释等方式使用作品的，本法另有规定的除外；
三、版权方怎么索赔：赔偿计算的三个口子
- 《中华人民共和国著作权法》第五十四条侵犯著作权或者与著作权有关的权利的，侵权人应当按照权利人因此受到的实际损失或者侵权人的违法所得给予赔偿；权利人的实际损失或者侵权人的违法所得难以计算的，可以参照该权利使用费给予赔偿。对故意侵犯著作权或者与著作权有关的权利，情节严重的，可以在按照上述方法确定数额的一倍以上五倍以下给予赔偿。权利人的实际损失、侵权人的违法所得、权利使用费难以计算的，由人民法院根据侵权行为的情节，判决给予五百元以上五百万元以下的赔偿。
实务上可主张的路径：训练集包含己方作品的比例与市场授权费（参照权利使用费）；输出内容对己方作品的替代损失；情节严重（如明知拒绝授权仍抓取）的惩罚性赔偿。举证时，权利人先证明己方作品可被模型触发复现，举证责任可向模型方转移——由其说明训练数据来源与过滤措施。
四、开发者的合规动作
- 1. 优先使用已获授权、开放许可或公有领域语料，保留授权文件。
- 2. 爬取公开内容前审查 robots 协议、网站条款，避开明确禁止抓取的站点。
- 3. 建立版权过滤机制：对已知作品做指纹比对，输出端拦截高相似结果。
- 4. 拒绝“仿写某作者”“生成某画师风格”类功能的明确指向性设计。
- 5. 留存训练数据来源、清洗、过滤的全流程记录，出事时能证明尽到注意义务。
五、常见误区
- 误区一：输出不像就全案无忧。 训练环节的非法获取、超范围使用仍有独立责任空间，输不出来不等于没复制。
- 误区二：付过一次订阅费等于拿到训练授权。 买书、订数据库的阅读授权不含把内容放进训练集的权利，授权范围看合同条款。
- 误区三：AI 生成物一律没版权所以随便用。 生成物能否获保护与输入是否侵权是两个问题，见AI 生成内容有著作权吗：人机协作作品的认定与归属。
六、问答
问： 我写了本小说，能要求 AI 公司把我的作品从训练集里删掉吗？
答： 目前法律没有赋予“训练数据删除权”的直接依据，可以发函要求停止使用并保留追责权利；一旦发现模型可复现你的作品，按侵权起诉更有抓手。
问： 用 AI 生成的图和我十年前的插画高度相似，能告谁？
答： 告服务提供者和直接使用人。你需要保存原作、相似输出截图与传播记录，请求停止生成、下架并赔偿，赔偿按著作权法第五十四条的阶梯计算。
问： 拿别人公开的代码仓库训练编程助手算侵权吗？
答： 开源许可允许使用的按许可来；许可禁止商用或要求署名而未遵守的，训练和使用都可能违约、侵权，不能以“代码本来就公开”抗辩。
合理使用四要件在二次创作场景的展开，见合理使用的边界在哪：评论、教学和二次创作怎么用才不侵权；信息网络传播层面的侵权认定，见信息网络传播权：公众号转载的红线；图片字体类索赔的高发场景，见图片、字体侵权怎么应对索赔。
以上内容为一般性法律知识分享，不构成正式法律意见；具体纠纷请结合证据情况咨询执业律师。