執行摘要
生成式AI系統的快速擴散——從大型語言模型到圖像、音頻和視頻生成器——暴露了二十世紀智慧財產權框架與二十一世紀機器學習方法論之間的根本性錯配。這一張力的核心是一個看似簡單的問題：在版權作品上訓練AI模型是否構成侵權、合理使用，還是現有法律類別無法充分涵蓋的全新事物？
本文透過制度經濟學和產權理論的視角分析生成式AI與智慧財產權的交匯。我們認為，當前的管轄區碎片化——美國適用靈活的合理使用原則、歐盟依據較窄的文本和數據挖掘例外條款運作、而日本採取了寬鬆的研究導向框架——創造了一個扭曲創新激勵並損害創作者經濟權利的監管套利環境。WIPO估計，2022年至2025年間AI相關的智慧財產權糾紛增長了340%，預計到2027年訴訟成本每年將超過120億美元。據UNCTAD估算，全球創意產業價值約2.6兆美元，面臨在合成內容生成時代關於價值獲取的存亡問題。
產權問題：訓練數據歸誰所有？
羅納德·科斯（Ronald Coase）的基本洞察——明確界定的產權能夠通過談判實現資源的效率配置——為分析AI訓練數據治理提供了有用的起點。然而，科斯框架的前提是低交易成本和明確界定的權利，這兩者在生成式AI的情境中都不成立。
交易成本問題十分嚴峻。典型的大型語言模型在包含數千億個詞元（token）的數據集上進行訓練，這些詞元來自數百萬份不同的版權作品。單獨許可每一份作品需要識別權利持有人、協商條款和執行協議，其規模使雙邊談判在經濟上不可行。僅Common Crawl數據集——許多基礎模型的主要訓練來源——就包含來自超過32億個網頁的文本，橫跨數百個具有不同版權制度的管轄區。
產權模糊性加劇了這一挑戰。版權法傳統上授予對特定表達的專有權利，而非對底層思想或事實——即思想-表達二分法。然而，機器學習在灰色地帶運作：模型不會存儲或複製特定作品，而是提取統計模式，以壓縮形式編碼其訓練語料庫的風格和資訊本質。這引發了關於模式提取是否構成版權法意義上的「使用」的新問題，如果是，是否屬於許可的例外情況。
美國版權局2024年關於AI和版權的報告承認了這一模糊性，指出「合理使用對AI訓練的適用是高度事實特定的，不能通過單一明確規則來解決」。歐盟在AI法案和數位單一市場指令下的方法提供了文本和數據挖掘（TDM）例外，但比美國的合理使用範圍更窄，且受權利持有人退出機制約束。日本2018年的版權改革通常被認為是最寬鬆的框架，允許出於非享用目的對版權作品進行計算分析——但隨著生成式AI產出日益替代原創作品，「非享用」的精確邊界仍有爭議。
管轄區碎片化與監管套利
各國智慧財產權框架之間的差異創造了典型的監管套利動態。AI開發者有動機將訓練運營——以及負責訓練的法律實體——設在制度最寬鬆的管轄區。這不僅是理論上的：對AI公司註冊模式的實證分析揭示了向具有更廣泛合理使用或TDM例外的管轄區的統計顯著轉移。
OECD的《2025年科學、技術與創新展望》記錄了67%的基礎模型訓練運算（按計算量計）發生在美國，那裡合理使用原則為版權數據訓練提供了最廣泛（儘管最不確定）的空間。另有14%發生在有明確TDM例外的管轄區。值得注意的是，這種地理集中與版權訓練數據的來源地並不對應：超過40%的訓練數據（按量計）來自非美國的網站和出版物，形成了一種跨境價值提取動態，令人聯想到殖民時期的資源掠奪模式。
這種管轄區錯配產生了幾種經濟扭曲。首先，它將AI能力集中在少數幾個制度寬鬆的國家，加劇了現有的數位鴻溝。其次，它削弱了限制性管轄區中權利持有人的談判地位，他們的作品實際上被納入了在其他地方訓練的模型中。第三，它造成了執法不對稱：法國的權利持有人如果想挑戰其作品在美國模型訓練中的使用，面臨管轄權障礙、訴訟成本和不確定的救濟措施，這實際上使其法律保護形同虛設。
創意經濟的結構性轉型
對創意產業的經濟影響超出了訓練數據權利的即時問題。生成式AI正在從根本上重構創意生產的價值鏈。McKinsey的2025年創意經濟分析估計，生成式AI在未來五年內可能自動化目前由人類創作者執行的25-40%的任務，代表4,000-6,500億美元的勞動價值替代效應。
然而，分配效應高度不均。擁有強大個人品牌和成熟受眾的知名創作者可能受益於提高生產力的AI工具，而中層和新興創作者則面臨被替代的風險。音樂產業提供了一個富有啟示的案例：International Federation of the Phonographic Industry（IFPI）報告稱，2023年至2025年間，主要串流平台上AI生成的曲目增長了800%，而由於曲目庫稀釋效應，人類藝術家的每次串流收入在同期估計下降了12%。
視覺藝術領域呈現類似動態。Getty Images的2025年年報指出，AI生成的圖像現在占商業圖庫交易量的約35%，高於2023年的2%。雖然這擴大了商業圖像的總市場，但顯著壓縮了定價：每張圖片授權的平均價格在該期間下降了47%，對直接與AI生成替代品競爭的中層攝影師和插畫師影響最大。
這些分配效應具有宏觀經濟影響。創意產業是重要的就業來源——Bureau of Economic Analysis估計，藝術和文化生產占美國GDP的4.2%，僱用超過520萬名工人。UNCTAD的2024年《創意經濟報告》強調，創意產業對開發中經濟體尤為重要，在那裡它們往往代表在全球市場中少數幾個具有真正競爭優勢的行業。
AI-智慧財產權治理的機制設計
鑑於現有法律框架的不足和涉及的經濟利害關係，本節提出三種機制設計方法，可使AI-智慧財產權治理格局走向更有效率和公平的結果。
1. 集體授權與演算法版稅分配。借鑑集體權利管理組織的成功經驗（如音樂領域的ASCAP/BMI和出版領域的Copyright Clearance Center），AI訓練數據的集體授權框架可以將數百萬份作品的權利整合在一起，將交易成本降低到可管理的水準。該機制將按如下方式運作：AI開發者根據其模型的商業應用（而非訓練計算量，因為這是價值提取的不良代理指標）支付訓練授權費。收入通過演算法分配給權利持有人，使用影響函數分析來估計每份作品對模型能力的邊際貢獻。WIPO版權條約現有的跨境版稅分配基礎設施可以擴展以促進這一機制。
2. 分層加入制與默認補償。與歐盟的退出方法（將負擔放在權利持有人身上，要求其主動將作品排除在訓練之外）不同，分層加入制將為用於AI訓練的作品設立默認補償費率，權利持有人可以談判增強條款或完全退出。這顛轉了當前的默認設定——從「除非反對否則免費」變為「除非放棄否則獲得補償」——更符合科斯原則，即將產權分配給最重視它們的一方。
3. 基於溯源的歸因與收入分享。AI可解釋性和數據溯源追蹤的進步——包括C2PA內容憑證和基於區塊鏈的溯源鏈——使得對AI產出到訓練數據來源的歸因日益精確。基於溯源的系統將要求生成式AI平台維護訓練數據影響的可審計記錄，對其作品明確貢獻了商業價值產出的創作者實現自動微支付。這種方法類似於音樂產業從專輯銷售向串流版稅的轉型，使補償模式適應該技術實際的價值創造機制。
國際協調：WIPO AI條約的論證
上述記錄的管轄區碎片化表明，國家層面的改革雖然必要，但並不充分。一項多邊文書——可能是WIPO管理的AI與版權條約——將建立AI訓練數據治理的最低標準，同時保留各國實施的靈活性。
此類條約可以借鑑TRIPS協定的架構，該協定在適應多元國家方法的同時建立了最低智慧財產權保護標準。關鍵要素將包括：訓練數據溯源的強制透明度要求；在版權作品上訓練的商業AI系統的最低補償標準；跨管轄區集體授權安排的相互承認；以及從WIPO現有仲裁基礎設施改編的爭端解決機制。
此類條約的政治經濟學具有挑戰性但並非史無前例。《伯爾尼公約》（1886年）及其後續修訂表明，國際智慧財產權協調是可以實現的，儘管需要漫長的時間。生成式AI挑戰的緊迫性——技術進步遠快於監管框架——需要加速流程，可能借助GDEF的召集能力，在正式條約談判開始前促進初步的利害關係人調整。
對GDEF監管與政策工作小組的啟示
本文的分析揭示了一個隨著生成式AI能力進步而不斷擴大的治理缺口。當前拼湊式的國家方法——結合法律不確定性、執法不對稱和監管套利激勵——正在產生既不效率也不公平的結果。創意產業面臨結構性轉型，卻缺乏確保公平價值分配的充分制度機制。
GDEF監管與政策工作小組有良好的定位來推進本文所述的集體授權和國際協調框架。工作小組即將推出的AI治理協調倡議將把這些提案納入其工作計劃，目標是為2026年年度峰會制定可行的建議。
參考文獻與來源
- WIPO, Global Innovation Index 2025: AI and the Innovation Ecosystem. World Intellectual Property Organization. wipo.int/global_innovation_index
- OECD, Science, Technology and Innovation Outlook 2025. OECD Publishing. oecd.org/sti/outlook
- US Copyright Office, Copyright and Artificial Intelligence: Report to Congress, 2024. copyright.gov/ai
- UNCTAD, Creative Economy Report 2024. United Nations Conference on Trade and Development. unctad.org/creative-economy
- McKinsey Global Institute, The Economic Potential of Generative AI, 2025 Update. mckinsey.com/mgi
- Coase, R.H. (1960). "The Problem of Social Cost." Journal of Law and Economics, 3, 1–44. doi.org/10.1086/466560
- European Commission, AI Act Impact Assessment: Intellectual Property Implications, 2024. ec.europa.eu/ai-act
- IFPI, Global Music Report 2025. International Federation of the Phonographic Industry. ifpi.org/resources
- Samuelson, P. (2023). "Generative AI Meets Copyright." Science, 381(6654), 158–161. doi.org/10.1126/science.adi0656
- WIPO, Conversation on Intellectual Property and Artificial Intelligence, Revised Issues Paper. wipo.int/about-ip/ai