《著作权法》第十条第一款第五项规定的是复制权：以印刷、复印、拓印、录音、录像、翻录、翻拍、数字化等方式将作品制作一份或者多份。把语料装进数据集，就是这里的「数字化」加「多份」。
这个动作一旦成立，后面的问题就只剩一个：有没有得到许可。
中国的合理使用是列举式。《著作权法》第二十四条列了 13 种可以不经许可、不支付报酬的情形，包括个人学习研究、适当引用、新闻报道、课堂教学、国家机关执行公务等；兜底那一项限于「法律、行政法规规定的其他情形」。训练不在其中。
也不能靠「转换性使用」绕过去。那是美国法的概念，我国法院在个案里会看使用目的与性质，但没有把它写成规则。援引它，只能作为说理，不能作为依据。
行政机关的要求更直接。《生成式人工智能服务管理暂行办法》（2023 年 8 月 15 日施行）第七条：使用具有合法来源的数据和基础模型；涉及知识产权的，不得侵害他人依法享有的知识产权。这一条把举证压力前移到数据来源——来源说不清，「合法来源」这四个字就用不上。
输出侧反而清楚。最高人民法院 2026 年 9 月发布的网络法治典型案例里，已有案件落在生成内容与既有作品实质相似的认定上；《关于依法审理涉人工智能纠纷案件的意见》也给了判断路径。落差由此出现：输出侧有规则、有判例；输入侧只有原则与行政要求。
赔偿侧的现实也要知道。《著作权法》第五十四条：实际损失、侵权获利、许可使用费倍数都难以确定的，人民法院可以根据侵权行为的情节，在 500 元以上 500 万元以下确定赔偿数额。风险不是「一定赔」，是「赔多少不确定」。不确定本身就有成本：律师费、时间、产品下架。
还有一个时间差值得记住。模型的训练数据是几年前的，诉讼却在今年发生。评估风险时看的不是今天的数据政策，是当年数据集里装了什么。这一点让很多企业措手不及。
训练也不是一个动作，是三个阶段：预训练、微调、检索增强。预训练把海量语料压进参数；微调只碰少量样本；检索增强不把内容压进参数，而是在生成时把外部内容读进来。三个阶段碰到的作品范围不同，风险也不同——检索增强最接近传统的「展示」，预训练离得最远。
数据集的实际构成，比「爬来的」这个词复杂。常见五类来源：公开网页抓取、开源数据集、采购或授权内容、用户上传、自有业务数据。除第三类与第五类，其余来源的权利状态都不完整。很多团队把「遵守 robots 协议」当成「取得了许可」，这是两件事。robots 是网站主人对爬虫的行业约定，解决的是「能不能进」；许可是权利人对你使用作品的同意，解决的是「能不能用」。进了门，不等于拿到授权。
还有一个技术细节常被忽略：清洗、去重、分词、格式转换都会产生中间副本。这些副本同样是复制品，只是留存时间短。真正有争议的是转瞬即逝的临时复制，而落盘的、可回读的中间文件，落不进这个争议里。
再往下一层。训练完成之后，语料通常还留在服务器上，用于复训、评估与故障排查。这意味着「训练行为结束」不等于「复制终止」。评估风险时看的不是模型训练完没完，是语料还在不在。语料留着一天，复制的状态就延续一天。
判断一：训练阶段的复制，原则上落在复制权范围内，不当然构成合理使用。第二十四条是列举式，训练不在里面，兜底项也接不住——训练既不是「法律、行政法规规定的其他情形」，也不是任何一种现有的例外。
判断二：那两句限定，救不了落在列举之外的行为。《著作权法》第二十四条在十三种情形之后还有一句但书——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。很多人把这两句读成一条开放标准，以为「不影响正常使用」就能论证合理使用。读反了。它是附加条件：先落入十三种情形，才轮得到过这两关；不落入，第二十四条整条不适用，回到一般侵权判断。这两句只能在已经成立的情形里收紧，不能把不成立的情形救回来。
判断三：所以现在的合规抓手不在「论证合理使用」，在「把来源做成可举证的」。前者要在法庭上争，胜负不由自己；后者是事前能做，做没做全看自己。
判断四：模型越大，来源越难说清；但更容易栽的是小团队。不是因为他们数据多，恰恰相反——他们没有数据治理流程，也没有法务去谈许可，出了问题往往连「用过什么」都答不上来。大公司至少拿得出台账，小团队只能拿出记忆。
判断五：出口的风险可以靠过滤降低，入口的风险只能靠记录降低。这是两种完全不同的防护手段，很多企业只做了前一种，因为前一种看得见效果。
一组对照。甲公司用爬来的图文训练，没有来源记录；被诉时只能主张合理使用，而这个主张在中国法下要现造。乙公司用自有数据、已授权图库与开放许可数据，每条都带来源地址与许可凭证；被诉时先争「没有复制」，因为涉案作品根本不在数据集里。两家训练规模相同，只差一份台账。
判断六：许可市场其实已经存在。图库、出版机构、内容平台都有标准授权产品，单价与一场诉讼的成本不在一个量级。真正的阻力不是买不到，是没人把这件事写进采购流程。
实务里最常听到的辩法是：训练不产生替代品，所以不影响作品的正常使用。这个论点只有在承认「落入列举情形」的前提下才有落脚点；不承认，它就是悬空的。真正管用的是另一条——证明涉案作品根本不在数据集里。但这一步比说起来难：数据集通常不公开，原告拿不到，只能靠间接证据——模型能稳定复现原作的独特表达、被告自己披露过数据构成、或者被告自认。于是出现一条反向的链条：输出的相似，往往是「输入存在」唯一拿得出手的证据。输出侧的表现，就这样决定输入侧的抗辩成不成立。
集体管理这条路也要知道。文字、音乐、摄影各有集体管理组织，可以做一揽子授权；但覆盖范围以章程与合同为准，网络图文、用户生成内容往往不在其中。想靠「交给集体管理组织」一次性解决训练语料，目前做不到。这条路能解决一部分，解决不了「全网抓来的那部分」。
另一组对照，只差一个变量。同一个数据集，两家公司都从公开网页抓取。甲在入库时记了来源地址、抓取时间与页面快照；乙只留了正文文本。被诉时，甲能逐条说明来源，对已经下线的页面还能主张无法再核实；乙连「哪些作品在数据集里」都答不上来。两个团队做的事情完全相同，只差入库时多存了三个字段。
这里有一个容易走偏的判断。有人以为「内容已经公开，就可以随便用」。公开与授权是两回事：发表只表示权利人同意让公众知悉，不表示同意被复制进数据集。把「公开」当成「默示许可」，在著作权法上没有依据。默示许可要有可推知的意思表示，沉默不构成同意。
边界要说清。本文不预测个案结果。合理使用要看使用目的、使用数量、对作品市场的影响，个案差异极大；不同法域的结论也不一样，出海产品要按目标市场单独看，不能用中国的分析套过去。
第一，建数据台账。每个数据集记四样：来源、许可类型、抓取或授权时间、可否商用。台账不用漂亮，要能对应到具体文件——被问到时拿得出来，才算数。
第二，分层使用。自有、已授权、开放许可、来源不明，分四层；第四层先剔除，别指望以后补授权。补不回来的原因不是钱，是找不到权利人。
第三，输出侧过滤。与知名作品实质相似的输出，加拦截与人工复核。这一层最便宜，也最容易被忽略，因为它在产品体验上看得见成本。
第四，谈许可。图库与出版机构有标准报价，采购流程走一次，就能覆盖大部分训练素材。对内容型产品，这笔钱通常小于一次应诉。
第五，留证。训练日志、数据版本、模型版本要与台账对齐。真进了诉讼，能拿出来的不是「我们很注意」，是版本记录与授权凭证。
第六，留一张映射表。哪一版模型用了哪一版数据，要能对上。理由是追溯：某个来源出问题时，能立刻知道影响了哪些模型、需不需要重训。没有这张表，只剩全量重训一条路，成本高一个量级。
第七，已经训练完的，按倒序补：先清点来源，再给高风险部分做替换重训。顺序不要反——先重训再清点，等于用新成本盖住旧问题，问题还在原处。
还有一条给采购：把「训练数据授权」写进供应商合同，要求对方承诺来源合法、可追偿。这一句不会让风险消失，但会把第一顺位的赔付对象往后挪一格。
来源｜《中华人民共和国著作权法》（2020 年修正，2021 年 6 月 1 日施行）第十条第一款第五项、第二十四条、第五十四条；《生成式人工智能服务管理暂行办法》（2023 年 8 月 15 日施行）第七条；最高人民法院《关于依法审理涉人工智能纠纷案件的意见》（法发〔2026〕10 号）及2026 年 9 月发布的网络法治典型案例。以上条文与发布口径截至 2026 年 10 月，以官方最新发布为准。
以上事实援引官方文件原文；分析与建议为我们基于官方公开材料作出的判断，不构成对个案结果的承诺。