浅谈生成式人工智能领域的知识产权保护

AIGC模型的爆发式发展，在知识产权领域也带来了一些新的问题与挑战。利用AIGC模型生成的内容，其著作权归属于何方？ 2023年底宣判的全国首例AI生成图片著作权案，所涉及的“独创性智力投入”以及“独创性智力投入”的判断依据，对于AIGC模型生成物的著作权的判定，具有很大的参考价值。从AI生成图片著作权案件引申到专利领域，若专利申请所保护的方案涉及AIGC模型，如何认定该专利申请的创新高度？在后续的侵权诉讼中，如何进行举证和比对？在上述的认定的程中，是否存在类似于“独创性智力投入”的判断依据？这些都是值得思考的问题。

2023年最热门的全球话题当属人工智能。ChatGPT等人工智能模型的出现，将生成式人工智能（Artificial Intelligence Generated Content，AIGC）带入了大众视野。AIGC是指基于生成对抗网络、大型预训练模型等人工智能的技术方法，通过对已有数据的学习和识别，以适当的泛化能力生成相关内容的技术[1] 。AIGC与以往人们普遍认知的起辅助作用人工智能技术有着很大不同，其正深刻改变着人们的日常学习、工作与生活。

AIGC模型的爆发式发展，在知识产权领域也带来了一些新的问题与挑战。举例来说，利用AIGC模型生成的内容，其著作权归属于何方？2023年底宣判的全国首例AI生成图片著作权案，再次引发了人们对人工智能生成物的著作权问题的关注。该案中，北京互联网法院经审理认为：“从涉案图片本身来看，体现出了与在先作品的可以识别的差异性；从涉案图片生成过程来看，体现出了原告的独创性智力投入，故涉案图片符合作品的定义。该图片是以线条、色彩构成的有审美意义的平面造型艺术作品，属于美术作品，受到著作权法的保护。就涉案作品的权利归属而言，《著作权法》规定，作者限于自然人、法人或非法人组织，因此人工智能模型本身无法成为我国《著作权法》规定的作者。原告为根据需要对涉案人工智能模型进行相关设置并最终选定涉案图片的人，涉案图片是基于原告的智力投入直接产生，而且体现出原告的个性化表达，因此原告是涉案图片的作者，享有涉案图片的著作权。”[2] 

从本案判决来看，在认定使用AIGC模型生成的图片是否符合我国《著作权法》规定的作品定义的过程中，以及在认定使用AIGC模型生成图片者是否享有对生成图片的著作权的过程中，法院的核心判断依据在于：使用者在使用AIGC模型生成图片的过程中，是否有“独创性智力投入”。本案中，法院主要通过“设计人物的呈现方式、选择提示词、安排提示词的顺序、设置相关的参数、选定哪个图片符合预期”[3] 等要素来判断是否有“独创性智力投入”。换句话说，如果使用者仅仅输入常见的提示词（例如“生成关于体育场的图片”），而没有在提示词中包含特定的细节描述，且在得到AIGC模型生成的图片结果之后，并未对输入的提示词进行有目的性的调整，而仅在生成的图片结果中随机选择了一张图片，这样的使用者很可能会被认定为在使用AIGC模型生成图片的过程中没有“独创性智力投入”。

本案所涉及的“独创性智力投入”以及“独创性智力投入”的判断依据，对于AIGC模型生成物（如视频、图片、音频等）的著作权的判定，具有很大的参考价值。

AIGC模型与专利申请结合类型划分 

从上述AI生成图片著作权案件引申到专利领域，若专利申请所保护的方案涉及AIGC模型（例如使用了AIGC模型生成的内容，或者主要的创新点在于AIGC模型的训练过程等），如何认定该专利申请的创新高度？在后续的侵权诉讼中，如何进行举证和比对？在上述的认定的程中，是否存在类似于“独创性智力投入”的判断依据？这些都是值得思考的问题。

为了讨论上述问题，笔者首先将AIGC模型与专利申请的结合分为四种情形分别讨论，包括：嵌入非改进点的专利申请、嵌入改进点的专利申请、保护训练过程的专利申请、保护应用场景的专利申请（见图1-图4）。

所谓“嵌入非改进点的专利申请”，指在专利申请所保护的技术方案中部分非改进点的内容是AIGC模型生成的内容。例如，某专利申请保护一种照片处理方法，其改进点在于如何在照片中添加水印，以避免照片被盗用，其中水印所采用的图案是AIGC模型生成的图案。

所谓“嵌入改进点的专利申请”，指在专利申请所保护的技术方案中，部分改进点的内容是AIGC模型生成的内容。例如，某专利申请保护一种照片处理方法，其改进点在于在照片中添加水印的过程中使用了一种新的融合算法，该融合算法用于将水印添加到照片中，使得添加的水印无法被删除，其中，该融合算法是AIGC模型生成的算法。

所谓“保护训练过程的专利申请”，指在专利申请所保护的技术方案中，改进点涉及AIGC模型的训练过程。例如，某专利申请保护一种AIGC模型的训练方法，该AIGC模型用于生成带水印的照片，其改进点在于在训练AIGC模型的过程中使用了新的模型结构，或者获取了新的训练样本，或者设计了新的损失函数，使得训练好的AIGC模型所生成的照片中的水印无法被删除。

所谓“保护应用场景的专利申请”，是指在专利申请所保护的技术方案中，改进点涉及将AIGC模型应用在一个新的场景中。例如，某专利申请保护一种AIGC模型的使用方法，该AIGC模型用于生成带水印的照片，其改进点在于将现有的AIGC模型应用在医学场景中，使得AIGC模型所生成的医学照片中的水印无法被删除。

接下来，笔者将基于自身的经验，谈谈在上述各种情况下进行专利保护的一些策略。

嵌入非改进点的专利申请相关思考

创新高度的认定

在嵌入非改进点的专利申请中，AIGC模型生成的内容仅是技术方案中的非改进点。因此，在认定嵌入非改进点的专利申请的创新高度的过程中，判断依据主要在于：现有技术与技术方案中的改进点之间的区别，是否满足《专利法》中关于新颖性和创造性的规定。

另一方面，由于AIGC模型生成的内容并不是技术方案中的改进点，其会被理解是一种现有技术。也就是说，专利申请中记载的AIGC模型会被理解为是一种现有的模型，AIGC模型生成内容的过程也会被理解为是一种现有的过程。这样，在专利申请的审查过程中，若将专利申请中记载的AIGC模型、AIGC模型生成内容的过程作为与现有技术的区别进行争辩，则往往无法被接受，而可能导致该专利申请被驳回。

例如，如前所述，某专利申请保护一种照片处理方法，其改进点在于如何在照片中添加水印以避免照片被盗用，其中，水印所采用的图案是AIGC模型生成的图案。在这种情况下，假设该专利申请的说明书中记载了水印所采用的图案是AIGC模型生成的图案，并描述了AIGC模型生成图案的过程，那么，在专利申请的审查过程中，若申请人将专利申请中记载的AIGC模型或AIGC模型生成图案的过程作为技术特征补入到权利要求中，并争辩补入的技术特征与现有技术存在区别，则可能无法被接受。

举证和比对难度

在侵权比对的过程中，若嵌入非改进点的专利申请的权利要求记载了与AIGC模型或AIGC模型生成内容的过程相关的特征，则申请人此时较难对AIGC模型以及AIGC模型生成内容的过程进行举证和比对，从而增加了诉讼难度。

在嵌入非改进点的专利申请中，由于AIGC模型生成的内容仅是技术方案中的非改进点部分，因此，建议申请人在专利申请中将AIGC模型和AIGC模型生成内容的过程作为一种示例记载在说明书中，而在权利要求中不记载与AIGC模型和AIGC模型生成内容的过程相关的特征。后续在专利申请的审查过程中，申请人也要尽量避免将与AIGC模型和AIGC模型生成内容的过程相关的特征补入到权利要求中，以便在侵权诉讼中降低对权利要求所保护的技术方案进行举证和比对的难度。

嵌入改进点的专利申请相关思考

创新高度的认定

在嵌入改进点的专利申请中，AIGC模型生成的内容是技术方案中的改进点。因此，在认定嵌入改进点的专利申请的创新高度的过程中，判断依据主要在于：现有技术与技术方案中的改进点（包括AIGC模型生成的内容）之间的区别，是否满足《专利法》中关于新颖性和创造性的规定。

另一方面，在此类专利申请中，申请人需要在权利要求中记载与AIGC模型生成的内容相关的特征。但为了避免不必要的限定，申请人可以考虑在权利要求中不记载上述内容是由AIGC模型生成的，而将AIGC模型和AIGC模型生成内容的过程作为一种示例记载在说明书中。

例如，如前所述，某专利申请保护一种照片处理方法，其改进点在于在照片中添加水印的过程中使用了一种新的融合算法，该融合算法用于将水印添加到照片中，使得添加的水印无法被删除；其中，该融合算法是AIGC模型生成的算法。在这种情况下，申请人可以在权利要求中记载与使用新的融合算法在照片中添加水印相关的特征，而不记载上述融合算法的由AIGC模型生成的特征，并将AIGC模型和AIGC模型生成融合算法的过程作为一种示例记载在说明书中。

当然，如果AIGC模型生成内容的过程本身也存在改进点，申请人也可以在权利要求和说明书中进行相应的记载。

举证和比对难度

如前所述，在侵权比对的过程中，如果权利要求记载了与AIGC模型或AIGC模型生成内容的过程相关的特征，则申请人较难对AIGC模型以及AIGC模型生成内容的过程进行举证和比对，从而增加了诉讼难度。

对于嵌入改进点的专利申请，笔者依然建议申请人在权利要求中不记载与AIGC模型和AIGC模型生成内容的过程相关的特征（AIGC模型生成内容的过程本身也存在改进点的除外）。后续在专利申请的审查过程中，申请人也要尽量避免将与AIGC模型和AIGC模型生成内容的过程相关的特征补入到权利要求中，以便在侵权诉讼中降低对权利要求所保护的技术方案进行举证和比对的难度。

对于保护训练过程的专利申请相关思考

创新高度的认定

在保护训练过程的专利申请中，技术方案的改进点在于AIGC模型的训练过程。因此，在认定保护训练过程的专利申请的创新高度的过程中，判断依据主要在于：现有技术与技术方案中的AIGC模型的训练过程之间的区别，是否满足《专利法》中关于新颖性和创造性的规定。

另一方面，由于AIGC模型往往结构复杂、训练过程中迭代次数巨大、达到的技术效果与模型之间的关联关系较为抽象，因此，申请人需要在专利申请中较为清楚地记载改进点（例如，清楚地记载新的模型结构、新的训练样本或新的损失函数），以及改进点与达到的技术效果之间的关联关系（例如，清楚地记载使用新的模型结构、新的训练样本或新的损失函数为什么能够达到技术效果）。

例如，如前所述，某专利申请保护一种AIGC模型的训练方法，该AIGC模型用于生成带水印的照片，其改进点在于在训练AIGC模型的过程中使用了新的模型结构，或者获取了新的训练样本，或者设计了新的损失函数，使得训练好的AIGC模型所生成的照片中的水印无法被删除。在这种情况下，假设改进点在于在训练AIGC模型的过程中使用了新的模型结构，则建议申请人在专利申请中清楚地描述新的模型结构（如模型中各层之间的输入和输出），以及使用新的模型结构能够达到水印无法被删除的技术效果的原因。

举证和比对难度

对于保护训练过程的专利申请，由于其技术方案的改进点在于AIGC模型的训练过程，因此申请人无法避免在权利要求中描述与AIGC模型和AIGC模型的训练过程相关的特征，这使得其较难对权利要求中描述的与AIGC模型和AIGC模型的训练过程相关的特征进行举证和比对。

为了相对降低上述举证和比对的难度，申请人可以考虑在权利要求中描述与AIGC模型和AIGC模型的训练过程相关的特征时，避免出现较为限定性的描述，例如AIGC模型的具体名称、AIGC模型的模型结构中包括的层的数量等。

保护应用场景的专利申请相关思考

创新高度的认定

在保护应用场景的专利申请中，其技术方案的改进点在于将AIGC模型应用在一个新的场景中。因此，在认定保护应用场景的专利申请的创新高度的过程中，判断依据主要在于：技术方案中的AIGC模型与新的场景的结合点，与现有技术之间的区别，是否满足《专利法》中关于新颖性和创造性的规定。

另一方面，由于此类申请的技术方案中使用的是现有的模型，为了增加创新高度，建议申请人在申请中详细地、分层次地记载AIGC模型与新的场景的结合点。

例如，如前所述，某专利申请保护一种AIGC模型的使用方法，该AIGC模型用于生成带水印的照片，其改进点在于将现有的AIGC模型应用在医学场景中，使得AIGC模型所生成的医学照片中的水印无法被删除。在这种情况下，建议申请人在专利申请中详细地、分层次地记载：为了达到水印无法被删除的技术效果，将现有的AIGC模型应用在医学场景中所做出的改变点，例如，在将未加水印的医学照片输入AIGC模型之前，增加了对照片的预处理操作。

举证和比对难度

与保护训练过程的专利申请一样，保护应用场景的专利申请的技术方案由于其改进点在于将AIGC模型应用在一个新的场景中，因此同样无法避免在权利要求中描述与AIGC模型和AIGC模型的应用过程相关的特征，使得申请人较难对权利要求中描述的与AIGC模型和AIGC模型的应用过程相关的特征进行举证和比对。

同样，为了相对降低上述举证和比对的难度，申请人可以考虑在权利要求中描述与AIGC模型和AIGC模型的应用过程相关的特征时，避免出现较为限定性的描述，例如AIGC模型的具体名称、AIGC模型的模型结构中包括的层的数量等。

小结

随着AIGC技术的加速发展，未来将出现更多的模型，落地到更多的应用场景中。如何认定AIGC技术生成物的权利归属，以及如何认定AIGC技术参与的发明创造的创新性，这些问题将变得越来越重要。AIGC领域的知识产权保护，在申请、维权乃至前期的研发与模型搭建等各阶段，都急需有参考价值的建议和案例。笔者期待对AIGC领域的知识产权保护进行更多的讨论，并看到更多的参考判例，以便为企业研发人员和知识产权从业者提供指引方向。

 

1 https://baike.baidu.com/item/AIGC/59988381

2 《北京互联网法院全国首例AI生成图片著作权案写入北京高院工作报告》，载微信公众号“北京互联网法院”，2024年1月23日 ：https://mp.weixin.qq.com/s/ssa1hynJSsLhwoA5Uerk4w

3 同上。

 

来源：《中国知识产权》杂志第204期

免责声明：凡本网注明"来源：XXX（非中国知识产权杂志出品）"的作品，均转载自其它媒体，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。本网转载其他媒体之稿件，意在为公众提供免费服务。如稿件版权单位或个人不想在本网发布，可与本网联系，本网视情况可立即将其撤除。新闻纠错：13621279650 13621252760，邮箱：chinaip@chinaipmagazine.com