AI訓練是否應獲許可仍待明確：Getty v. Stability案被告抗辯和法院觀點

本案的法律攻防過程（尤其原告“廣撒網”式的訴訟策略）對后續類案提供了重要啟示。本文將通過拆解原被告的訴辯和法院觀點，深入復盤這場精彩的法律交鋒。

作者 | 岳浩然 阮丹羚

以原告的訴請為主線，梳理了Getty v. Stability案的事實背景和爭議問題。對于上述爭議問題，本文以對被告抗辯和法院觀點的梳理為主，同時穿插了少量個人思考。

為便于非技術讀者，對于一些偏技術性的問題，本文以比較通俗的表述進行了梳理：比如“文生圖”的基本工作原理與被告據此提出的法律抗辯；將AI訓練類比人類學習、據此主張模型權重不屬“侵權復制品”的推理鏈，以及對相反觀點的羅列。此外，本文也討論了一些細節問題：比如對服務器位置界定管轄的擔憂、點擊同意和默認接受等電子授權的效力、AI生成圖像中的水印是否構成商標性使用、開發者免責聲明的作用、原告通過設計特定提示詞取證能否被采納等。本文的分析僅為對本類型案件初步探討，諸多觀點尚不成熟，以期拋磚引玉。

1

被告抗辯與法院觀點分析總結表

2

屬地管轄抗辯與法院觀點

2.1 需遵循屬地管轄原則

正如上文所述，對于原告針對數據獲取的數據庫侵權，和訓練階段的版權直接侵權的主張，被告以涉案AI模型訓練中的數據獲取和訓練行為均發生在美國的亞馬遜網絡服務（AWS）云集群上，由于不在英國境內，故本案法院對上述指控沒有管轄權為由進行抗辯。

但法官并沒有直接采納被告的觀點，因為正如原告所述，被告的運營實體、開發團隊（包括“首席技術官”）和主要員工均在英國，且CEO曾在采訪中提到將烏克蘭開發者帶到英國，根據這些事實，法院認為，被告有可能在英國境內服務器或計算機上下載和存儲了訓練數據。

即使法官認可了原告的初步推論，但原告無法對該推論進行進一步的舉證，最終原告不得不放棄了數據庫侵權和版權直接侵權的主張。從而這些訴請，只能寄希望于在美國提起的訴訟能得到支持。

2.2 屬地管轄似乎會增加原告的維權負擔

上述對屬地管轄的爭論，也引出了一些值得思考的問題。

首先，類似屬地管轄的要求并非英國版權法獨有，這種對侵權行為發生地進行屬地管轄的要求是普遍情況（如美國Subafilms v. MGM案明確，僅在美國境內作出授權，而所有實際侵權行為都發生在境外，不構成美國版權法下可訴的侵權）。即使英國有援引外國版權法審理案件（Lucasfilm v Ainsworth案）來突破該屬地管轄的先例，但也屬于偶然情況。所以如果僅就數據獲取端和訓練開發端產生的復制等行為進行維權，似乎只能嚴格遵循屬地管轄，前往被告AI模型實際訓練地起訴。

其次，當前很大部分的AI模型的訓練工作發生在云服務上，且很大一部分選擇了如亞馬遜AWS、微軟Microsoft Azure和谷歌Google Cloud的三大廠商的云服務上，而對于云服務的管轄，如果用“服務器所在地”來做判斷，似乎很大一部分都將管轄地指向了美國。本文認為有兩個問題值得思考：

（1）單就AI訓練行為而言，AI模型開發者似乎可以通過選擇云服務商來選擇管轄。

這種管轄選擇似乎會給原告帶來一些舉證和管轄問題上的障礙，但還不夠令人擔憂。因為這個問題同樣適用于其他類型的網絡服務商，比如YouTube的網絡節點部署幾乎遍布全球，但它并不因為“某節點在海外”就能躲開版權規則的約束；且就目前來看，訓練后的AI模型必然涉及后續的商業活動，實際案件中還可以根據具體的損害結果來選擇管轄。

但是，依舊存在一種管轄選擇：一般認為美國對合理使用的態度最為開放包容，那么將AI訓練行為的管轄固定在美國，似乎更有利于開發者的合理使用抗辯。

（2）美國版權訴訟對版權登記的嚴要求會增加原告的維權負擔。

美國的版權訴訟通常以在美版局完成版權登記為前提，沒有登記可能會喪失某些索賠權利的資格，甚至導致不可起訴。這明顯超出了伯爾尼公約的規定，對原告的維權增加了負擔。

尤其在AI訓練相關的案件中，涉案作品往往作品數量巨大，對作品逐一登記的成本與舉證負擔很高。且因為版權登記的瑕疵導致維權受阻的案件已經實際出現，如Andersen v. Stability AI中，被告就以原告部分作品未做登記為由，使法官駁回了原告中部分藝術家的維權主張。

3

輸出端內容不構成侵權的抗辯

對于原告認為輸出端產生的圖像，包含了原告作品實質表達部分的指控，法官在審理的過程中，根據不同輸入行為又做了區分，區分為由“文本提示”（text prompts）生成圖像功能和由“圖像提示”（image prompts）生成圖像功能。被告也針對這兩種不同功能設計了截然不同的抗辯策略。

3.1. 針對文本生成圖像功能（文生圖功能）的抗辯：

文本生成圖像功能（下稱文生圖）具體指，用戶通過輸入提示詞或相關文字要求來生成圖像。

該功能下，被告的抗辯邏輯主要是從文生圖的技術層面解釋，即文生圖的過程在法律上根本不構成對任何版權作品的“復制”。這個過程利用了“隨機噪音圖像”（a random noise image）的去噪原理，“隨機噪音圖像”就好比一臺老式電視機在沒有信號時滿屏的“雪花點”，在技術上，它是一個數字畫布，其上每個像素的顏色值都是完全隨機生成的，它純粹是無序的統計噪音。而文生圖過程就是一個由文本提示引導的去噪過程。具體為：

（1）首先，在訓練端文生圖的訓練過程為：

（a）加噪音：在一張清晰的圖像上，故意向其中的某些像素點添加“噪音”（雪花點）；

（b）讓AI預測：向AI模型展示這張“有噪音”的圖像，并讓它預測并移除剛剛添加的噪音，移除正確便給予正向反饋；

（c）重復：訓練會不斷重復這個過程，每次都添加更多的噪音，直到原始圖像完全變成一張“隨機噪音圖像”。經過數十億次這樣的練習，AI模型變得極其擅長一件事：看著一張充滿噪音的圖像，并預測出噪音是什么，然后將其去除，還原出清晰的圖像。

同時，對于用以訓練的圖像而言，模型并沒有記住（memorised）或以其他方式復制它們，而只是通過重復的訓練提取了圖像中抽象的風格、概念或模式，并將其轉化成“參數值”保存在模型中。被告稱這個過程沒有對作品的具體表達進行復制。

（2）其次，在輸出端文生圖的過程為，當用戶輸入了文本提示詞后：

（a）將提示詞轉為參數：模型首先使用一個叫作“文本編碼器”的組件，將用戶的提示詞，比如“吃菠蘿的小狗”，拆解為一個個具體詞匯，如“小狗”“吃”“菠蘿”，然后再分析詞匯和它們之間的關系，并將每個詞匯轉換成一個數學上的概念或方向，即參數。這個參數將作為向導，來指引AI“創作”。

（b）創建起始畫布：模型生成一張100%噪音的“隨機噪聲圖像”作為“起始畫布”，它不包含任何照片信息，只是一個充滿噪音的隨機起點。

（c）迭代去噪：面對100%噪聲的起始畫布，AI模型根據文字形成的參數，預測出畫布中最不符合該參數概念的一小部分噪聲，并去除。然后循環迭代這個去噪的過程，每次都額外去除一小部分噪音，直至AI模型認為已經完成100%的去噪。由于每次迭代的過程都是隨機的，因此根據相同的提示詞所輸出圖像也會具有“隨機性”。

（3）最后，對于訓練行為是如何具體指導輸出過程的，被告稱其為“優化的參數值”（optimised parameter values），這就是被告法律論證的核心：

在上述迭代去噪的過程中，AI模型是如何知道要移除哪部分噪聲才能讓圖像更符合用戶要求呢？它依賴的不是一個存儲著“小狗吃菠蘿”的照片數據庫。相反，它依賴的是它在訓練階段學到的“模型權重”（model weights）或“優化的參數值”，這些權重或參數值是數十億個微小的數字，這些數字中沒有存儲“圖像”，而是存儲“關系”和“概率”。例如，“小狗”這個概念通常與“四條腿”和“毛茸茸”的紋理相關聯、“菠蘿”通常是黃色的等等。這些信息以數字的形式存儲在每個詞匯的參數中。

綜上，被告通過對其AI模型文生圖的技術過程的還原，表明其論點：AI模型是從“隨機噪聲”開始，利用這些學到的“權重”“參數值”，來全新地創作一幅圖像。其中，生成的圖像不是從訓練數據中“復制”或“提取”出來的，而是基于模型學到的統計模式合成的。這一論點的法律意涵是，模型從訓練數據中提取的是抽象的風格、概念或模式，而非受版權保護的具體“表達”，因此不構成版權法意義下的“復制”。即使生成了和原告某些作品類似的圖像，也只是風格或概念上（即思想部分）的相似。輸出圖像具有“隨機性”的特點也印證了這一觀點。

3.2 針對圖像生成圖像功能（圖生圖）的抗辯：

圖像生成圖像功能（下稱圖生圖）具體指，用戶可以輸入一張圖像（例如一張Getty的受版權保護的照片），并使用一個“滑動標尺”（sliding scale basis）來控制模型對該輸入圖像的“轉換”程度。如果用戶將轉換率設置得很低（即被告所稱的“受到用戶的高度約束”），輸出結果“在實質上和效果上是對用戶提供的輸入圖像的部分復制”。

在這種情況下，被告無法從技術上否認“復制”行為的發生，因為輸入和輸出之間存在明確且可控的因果關系。因此，被告的策略是將法律責任轉移給用戶，即雖然發生了復制，但這是用戶作出的行為，且被告沒有能力也不應控制用戶的使用，因此被告不應承擔責任。

具體而言，被告將自己定位為中立的工具提供者，不論是用戶自己下載了Stable Diffusion模型后自行運行，還是在DreamStudio平臺上操作，被告更多提供的是一種托管服務，對用戶的上傳和本地復制行為，沒有實際的控制權，更沒有權利和能力來驗證用戶對其上傳的圖像是否享有版權或獲得了授權。因此，被告不構成對用戶復制侵權的授權。

3.3 備選抗辯：合理使用例——戲仿：

此外，被告明確表示，如果其上述主要抗辯（無論是文生圖的技術抗辯還是圖生圖的責任轉移抗辯）失敗，它將轉而尋求CDPA第30A條規定的“戲仿”（pastiche） 例外作為備選抗辯。

CDPA第30A條規定，為“戲仿、模仿或諷刺”之目的而進行的合理使用不構成侵權。被告首先需要論證其輸出的內容符合“戲仿”的定義。

被告的主張是，其AI模型的輸出圖像是一種藝術作品，其特征符合“戲仿”的廣義定義。被告將其定義為：“其風格可能模仿另一作品、藝術家或時期，或由模仿大量不同來源訓練材料的元素的混合物組成”，這符合戲仿的目的。

但僅僅在使用意圖上被認定為“戲仿”是不夠的，被告還必須證明該使用構成了“合理使用”。在這一環節，被告提出了一系列創新性論點：

（1）“隨機過程”表明沒有復制的主觀意圖：在英國版權法下，要認定一項使用構成合理使用，法院必須評估多個因素，“使用的性質”（Nature of the dealing）是其中之一，一般認為，這指的是對版權作品使用的意圖和方式（例如，是用于批評、研究，還是商業競爭）。被告聲稱AI模型利用的“隨機過程”，并不是從數據庫中“提取”或“復制粘貼”圖像，而是從“隨機噪聲”開始，利用其學到的數學參數（模型權重）逐步“去噪”，最終“生成”一幅新圖像。這個過程是概率性的，因此，模型并沒有復制任何特定的版權作品的“意圖”。如果輸出的圖像中確實出現了對原告作品（或其水印）的“復制”，這并非故意或系統的復制行為，而是一個統計上的“偶然”和“不可預測的”結果。

（2）生成的圖像也滿足“合理使用”的其他要素：

使用程度（Extent of taking）：對版權作品的使用往往遠小于整個作品，且即使模型輸出了受版權保護的元素，圖像也構成“戲仿”（即“模仿多種元素的混合物” ）所必需的最少部分，而不是對整個作品的完整復制。

市場替代性（Substitute for the original）：被告主張，戲仿圖像不是原始版權作品的替代品。用戶使用Stable Diffusion生成一張受特定風格啟發的新圖像，與去Getty Images網站購買或許可一張特定的、現有的、高分辨率的原始照片的目的是完全不同的。

市場干擾（Interfere in the market）：被告進一步主張，戲仿圖像也不會干擾原始版權作品的市場。被告在此利用了原告的主張，由于AI生成的圖像往往是扭曲、有瑕疵的，那也正說明了它們不會是原始版權作品的替代品，因此它不會在經濟上損害或干擾Getty Images對其高質量圖像的核心許可市場。

被告的上述抗辯思路非常清晰，但最終，被告依然選擇通過技術手段（屏蔽相關提示詞和相關功能等）來解決原告的侵權主張。應該是被告想盡可能防止法官對其核心抗辯作出不利裁決，被告寧愿犧牲部分功能，也不愿讓法院認定圖像輸出尤其是文生圖的過程，構成版權法下的復制。這表明被告可能對其技術抗辯仍缺乏足夠的信心，同時也使得這些關于AI訓練和輸出是否構成直接侵權的關鍵法律問題，在英國法域下仍然懸而未決。

4

對代表性訴訟的駁回申請與法院觀點

對于原告的該項程序性訴請，上文論述的比較詳細，法院支持了被告的抗辯，即原告無法明確代表的成員具體都有誰，因為原告對成員類別的定義，將成員的版權已被侵權作為資格前提，構成循環論證；且50,000多名創作者并不具有“相同利益”（same interest）。法院需要對每一份許可協議和每一次侵權行為進行個案評估。

此外，網絡平臺經常通過“彈窗勾選同意”等形式讓用戶簽署獨占許可合同，這種形式是否會影響合同的效力，本案也給出了一些回應。

對于原告主張其享有50,000多名創作者的獨占許可授權的事實，被告提出了反駁：英國CDPA s.92(1)要求獨占許可必須是“書面的”并“由版權所有人簽署”。

被告質疑原告的某些協議，如原告通過：

“點擊同意”，即登錄、上傳或系統更新時的彈窗等，讓創作者通過勾選“同意/接受”的勾選框，以此視為簽署了獨占許可；

“默認接受”，如果創作忽視或跳過了上述該彈窗，在一定時期后原告系統會將這些尚未點擊同意的創作者視為接受，并能繼續上傳內容。

被告主張這種創作者通過“點擊同意”和“默認接受”方式授予原告的獨占許可，達成不符合“簽署”的積極行為要求，因此該獨占許可是存在瑕疵或無效的。

法院認為，“點擊同意”可以構成簽署行為，法院引用了Bassano v Toft等先例，確認在網站上點擊“我接受”等的復選框，這一積極行為足以構成CDPA s.92(1) 意義上的有效“簽署”。但“默認接受”情況下的獨占許可則不滿足簽署的要件。

據此，原告所主張的50,000多份獨占許可中有一定數量的效力被否認，不僅影響了原告對代表性訴訟的主張，還使原告對這些作品的其他訴訟請求也無法得到支持。

5

對版權間接侵權的抗辯與法院觀點

5.1 AI模型不構成侵權復制品

如上文所述，原告主張Stable Diffusion模型權重是CDPA下的“物品”（article），且該物品屬于“侵權復制品”。

法官在“物品”是否必須有形的問題上支持了原告觀點，采納了“法律與時俱進”原則，認為如果將“物品”限制為有形物體，將“剝奪作者對電子復制品的保護”。

盡管原告爭取到了AI模型權重構成“物品”，但卻未能說服法官其進一步構成“侵權復制品”。因為被告對此做了非常充分的抗辯：

首先，需要區分AI的“訓練過程”和最終的“產品”（即模型權重），訓練過程確實涉及復制，但Stable Diffusion模型權重不涉及復制，其工作原理不是存儲或“壓縮”訓練圖像，而是有數十億的參數或“統計表示”（statistical representations）構成，它們反映了從訓練數據中學到的模式、紋理和關系，但并不“包含、存儲或再現任何版權作品”。

其次，被告通過聘請專家（Thomas Brox教授）的證詞，將AI模型訓練和學習的過程，類比為與人類學習的過程：深度學習的AI模型使用的“人工神經網絡”架構，旨在模擬大腦中的突觸連接結構，模型權重是“知識”的集合，而不是“存儲”。用于訓練的數據集大小約為220TB，而最終的Stable Diffusion模型權重文件大小僅為3.44GB。這就像人閱讀了成萬本書，但并沒有在大腦中形成一個圖書館。

最后，被告和專家還利用該類比，對生成的商標水印的問題做了回應，即這種現象是“記憶”的“過擬合”（overfitting），其主要原因是訓練數據中存在大量重復（duplication）。例如，當帶有同樣水印的圖片在數據集中出現了數百甚至數千次，模型就會“背住”它，Stability的專家將“過擬合”定義為一種“不希望的特性”或技術“缺陷”。這就像一個學生（AI模型）為了應付考試（用戶提示），死記硬背了課本（訓練數據）中的某幾個特定段落。這種“死記硬背”是他“學習”過程中的一種“失敗”（即“過擬合”），但這并不能證明這個學生的大腦（模型權重）本身就是課本的“復制品”。

法院認可了被告將AI訓練類比為人類學習的抗辯觀點，認為沒有存儲或再現任何版權作品的AI權重模型，不構成一個侵權復制品。這一裁決對AI行業具有重大意義。它至少在英國法律明確，對AI模型的分發和進口不會構成版權的間接侵權。

5.2 AI訓練是否能等同于人類學習過程？

對于本案將AI訓練類比為人類學習的思路，雖然在本案被法官所接受，但也有非常多的觀點對這種類比表示質疑。典型的比如美國版權局在《版權與人工智能——第三部分：生成式人工智能訓練》報告中明確表示：

人工智能訓練與人類學習（尤其在版權視角下）存在差異。人類對自己經歷過的作品只保留不完美的印象，這些印象經過了他們獨特的個性、歷史、記憶和世界觀的過濾。而生成式人工智能訓練則涉及創建完美的副本，并能幾乎瞬間分析作品。其結果是一個能夠以超人的速度和規模進行創作的模型。用羅伯特·布勞內斯教授的話說，“生成式模型訓練超越了構成專有權結構基礎的人類局限性。”

我們（美國版權局）也不同意AI訓練因其類似人類學習，而本質上（在合理使用方面）具有轉換性的觀點。首先，這個類比建立在一個錯誤的前提上，因為合理使用并不能為所有以學習為目的的人類行為開脫。一個學生不能以促進個人教育為由，依賴合理使用來復印圖書館里的所有書籍；相反，他們必須購買或借閱一份合法獲得的副本，通常是通過銷售或許可。版權法不應僅僅因為復制行為是由計算機完成的，就給予更大的寬容度。

對于否定AI訓練等同于人類學習過程的專業性論文非常多，尤為出名的是Apple ML Research發布的研究《The Illusion of Thinking》，本文作者也傾向于否定將AI訓練與人類的學習過程等同（尤其在版權視角下），各種否定觀點可大致總結如下表：

6

對商標侵權與仿冒的抗辯與法院觀點

6.1 原告刻意設計的提示詞取證能否作為證據？

對于商標侵權和仿冒的分析，法院首先需要明確，用戶在使用被告AI模型具體哪些版本時產生了水印的問題。通過原被告的相關舉證，最后把商標侵權和仿冒的判斷聚焦在被告AI舊模型v1.x 和v2.x版本上，因為原告未能證明使用新模型（SD XL 和 v1.6）會產生水印。

這其中涉及到原告取證策略的問題，即原告在取證時，故意使用了他們認為會觸發模型記憶的提示詞，比如通過從Getty網站逐字復制的長篇詳細描述作為提示詞（逐字提示），或將上述長篇文字放入chatgpt讓其生成多個提示詞（改寫提示），或使用“news photo”（新聞照片）或“vector art”（矢量藝術）作為提示詞等，在原告律師使用這些提示詞并加以引導的操作下，v1.2, 1.3, 1.4, 2.0和2.1版本生成了大量帶有扭曲水印的圖像。

被告抗辯認為這樣的取證過程是“精心設計的”，因為普通用戶不會像原告律師這樣刻意使用這種奇怪的、逐字復制的長提示詞來“攻擊”模型。

法院對此的態度是：

否認了原告利用那些“奇怪”的提示詞取證的證據——尤其是“逐字提示”和“改寫提示”，這確實是精心設計且刻意的，不符合用戶的真實適用提示詞的情況。

認可了原告部分“精心設計的”提示詞有效，比如利用“news photo”（新聞照片）和“vector art”（矢量藝術）作為提示詞的取證證據。因為法官發現現實中真實用戶有用這些詞匯作為提示詞的可能性。

法官對證據的嚴格審查是值得稱贊的，并明確表達了態度，即原告可以設計提示詞和取證過程，但這些提示詞和取證過程要最低限度地符合真實用戶的使用行為，過于脫離現實的提示詞和取證過程所產生的證據是不能被接受的。這種態度也能為后續類案原告的取證提供思路和指引。

6.2 AI模型生成的水印是否構成被告對商標的使用？

對于原告認為被告在“商業過程”中“使用”了原告標志的指控。

被告抗辯，這是用戶的行為，而非AI模型的“使用”。且用戶會理解這些扭曲的水印不是來源標識，而僅僅是AI學習過程中產生的隨機產物，因此也不會產生混淆。且被告還拿出了其產品服務的用戶協議和免責聲明等，其中都包含“用戶自行對生成的結果及后續使用負責”“該模型僅供研究目的使用”“非商用”“禁止用戶做侵權行為”等聲明。

但法院駁回了被告的抗辯，裁定被告對產生的水印構成對原告商標的使用，需要承擔法律責任。法院的論證邏輯是：

（1）控制的歸屬：關鍵問題是誰控制了導致侵權發生的過程。法院認為，雖然用戶輸入了提示詞，但被告對用于訓練模型的數據擁有控制權。對于被告就其用戶協議和免責聲明等的抗辯 ，法院認定大部分用戶不會閱讀隱藏在超鏈接后的繁雜條款，本質還是要看被告對用戶行為的控制能力。

（2）可預見的后果：水印的出現是被告主動選擇使用包含清晰水印的數百萬張Getty圖像進行訓練的“可預見后果”。因此，被告具有“直接或間接的控制權”。

（3）商業傳播：被告“非商用”的聲明形同虛設，用戶的使用本身就是被告“自身商業傳播”的一部分，構成了《1994年商標法》（TMA）意義下的“在商業過程中使用” 。

因此，在相同服務（圖片、數字生成等商標類別）上生成（使用）了與原告ISTOCK商標相同的水印，無需判斷是否實際構成了混淆，即可認定被告構成商標侵權。但對于GETTY IMAGES商標，由于被告生成的水印是扭曲的，法院認為該水印僅構成相似標識，需進一步對混淆與否進行判斷。

最終，法院認定存在兩種“混淆可能性”，一種是“商業合作的混淆”，即用戶極有可能認為該AI工具得到了Getty的許可，或者該工具是Stability和Getty合作的產物，甚至還可能認為這就是Getty自己的AI工具。另一種是“售后混淆”，即使用戶在訪問被告服務時（售前）沒有混淆，但在看到帶有水印的輸出結果（售后）時，也會產生關于來源的混淆。因此，被告舊模型生成帶有原告水印的行為，均構成對原告商標的侵權。

6.3 對淡化等和仿冒的否定

對于原告關于商標淡化、聲譽受損和仿冒訴訟請求，被告認為，原告的上述主張只基于其“純粹的假設”，沒有對實際遭受的損害進行舉證。被告引用了歐洲法院對Intel Corp v CPM案的判決來著重強調：對于馳名商標的商標淡化、聲譽受損、搭便車的訴求，原告不能僅做 “推定會產生損害”的舉證，而是必須舉證對消費者的經濟行為（如購買習慣、搜索模式或市場決策等）發生了實際且可衡量的變化。

英國《1994年商標法》第10（3）條（TMA s. 10(3)）為馳名商標提供了一種更強大的、特殊的保護，對于三種特定類型損害的保護：搭便車、商標淡化（對顯著性的損害）、聲譽損害，不要求證明存在消費者“混淆”。

但歐洲法院（ECJ，當時是歐盟最高法院）在Intel Corp v CPM案中，對馳名商標的保護又明確了一個新的法律標準，即原告不能僅僅因為“推斷或假設”其商標顯著性被削弱就獲得勝訴，他們必須提供具體且真實的證據，證明市場上真實的“普通消費者”的經濟行為（例如購買決策、搜索習慣）因此發生了改變，或存在發生這種改變的“嚴重可能性”。

具體到本案，法官采納了Intel Corp v CPM案中“普通消費者經濟行為實際改變”的判斷標準，指出原告的舉證僅有“規避許可費的假說”（推斷消費者會通過AI模型生成一張“相同或相似”的圖像，進而規避向原告付費使用）和“可能會生成色情圖像的假設”，但這些“假設或推斷”缺乏在實際發生了損害的證據。從而否定了原告關于商標淡化和聲譽受損的主張。

對于仿冒的主張，被告利用了法官在前對“售后混淆”的論述，并轉化為自己的抗辯。既然法院認為發生了“售后混淆”，但就目前關于仿冒侵權的先例來看，其僅規避售前混淆，即消費者因為虛假陳述導致了錯誤的購買決定。而本案的消費者是先做出了“購買”被告的決定（即決定使用Stable Diffusion）。他們是在使用服務之后才看到帶水印的圖像，這種售后混淆不構成仿冒。

售后的混淆是否能構成仿冒確為有爭議的問題，但法官沒有對此做出回應，而是再次強調原告無法就實際損失進行舉證，且對原告主張的商標侵權的部分支持，已經為原告提供了足夠的救濟，因此駁回了原告的仿冒，也并未就售后混淆是否構成仿冒進行進一步的評述。

7

總結

本案作為少數已作出判決的AI訓練案件，對后續類案有較強的參考價值。本案對一些爭議的已決裁定，比如法院對被告生成水印構成商標侵權的裁定、對AI開發者的免責條款的否定等，也對AI行業本身起到了矯正和警示的作用。同時，諸如對屬地管轄原則的秉持、對代表性訴訟的程序要求、對原告設計提示詞的取證要求、對默認電子方式簽訂版權許可的否定等，也為類案原告的維權提供了指引。

但本案也有很多不盡人意的地方，比如因原告放棄相關訴求，使本案最為核心問題——針對AI訓練與輸出的版權問題（尤其是否構成合理使用的問題），沒有得到法院充分的討論。本案也有一些值得繼續討論的問題，比如AI模型是否構成侵權復制品、AI訓練過程是否等同于人類學習過程，與法院裁定相左的觀點日漸增多，當前的定論似乎也在遭受挑戰。因此，雖然判決后原被告雙方都“聲稱自己取得了勝利”，但或許事實上卻是，雙方都還未取得真正的勝利。

（本文僅代表作者觀點，不代表知產力立場）

封面來源 | Pixabay 編輯 | 布魯斯 有得