引言

生成式人工智能（Generative AI）的爆发式发展，正在深刻重塑数字内容的生产与传播格局。然而，AI大模型的训练需要以海量数据为"燃料"，其中不可避免地涉及大量受著作权保护的作品。将受版权保护的作品"投喂"给AI大模型进行训练，是否构成著作权侵权？这一问题已成为全球知识产权领域争议最为激烈的前沿议题。

从国际视野来看，各国立法与司法实践正沿着不同路径回应这一挑战。美国依托其开放式的合理使用（fair use）制度，通过司法个案逐步划定边界；欧盟则在《单一数字市场版权指令》（DSM Directive）中确立了文本与数据挖掘（Text and Data Mining, TDM）例外的双重架构；日本则在2018年修法时增设了"非享受目的"使用例外，以极具弹性的立法技术为AI产业发展预留了制度空间。

在中国，AI大模型训练数据的版权问题同样引发了学界与实务界的广泛关注。2024年6月，北京互联网法院开庭审理的"Trik AI"绘画大模型被诉侵权案，被称为全国首例AI大模型训练数据侵权案，四位插画师指控被告未经授权将其美术作品用于AI模型训练并应用于商业用途，将训练数据版权争议推向了司法前沿。然而，我国现行《著作权法》采用的是封闭式的合理使用列举模式，第24条明确列明的十二种情形中并未包含AI训练数据使用，这使得AI大模型训练面临着高度的著作权侵权风险与法律不确定性。

本文拟从比较法视角出发，系统解析欧盟TDM例外与日本"非享受目的"例外两大制度的内容架构、运作逻辑与适用边界，重点分析其在AI大模型训练场景下的侵权风险分配机制，并在此基础上探讨将上述制度引入中国的利弊得失，以期为我国AI著作权法律制度的完善提供参考。

一、欧盟文本与数据挖掘（TDM）例外制度解析

（一）制度内容与双重架构

欧盟《单一数字市场版权指令》（Directive (EU) 2019/790，以下简称"DSM指令"）在第3条和第4条分别规定了两种不同的文本与数据挖掘例外，形成了独特的"双重架构"（two-tier system）。

第3条：科研机构的TDM例外（强制例外）。该条规定，为科学研究目的进行文本和数据挖掘时，研究组织和文化遗产机构可以对其合法获取的作品或其他客体进行复制和摘录，且版权人不得保留此项权利。该例外具有强制性，适用于非营利性科研机构与文化遗产机构，其立法目的在于促进科学研究与知识创新，降低学术研究的数据获取成本。值得注意的是，第3条的适用前提是"合法获取"（lawful access），即科研机构必须通过订阅、开放获取等合法途径获得作品的访问权限，而非通过破解技术保护措施等非法方式获取。

第4条：商业性TDM例外（可保留例外）。该条将TDM例外的适用范围扩展至商业性使用场景，规定对于以文本与数据挖掘为目的而复制和摘录作品或其他客体的行为，若版权人未以适当方式明确保留权利，则该行为不构成侵权。与第3条不同，第4条采用了"选择退出"（opt-out）机制，即版权人有权通过机器可读方式明确声明禁止对其作品进行TDM，商业性使用者必须尊重该等保留声明。

TDM的定义。根据DSM指令第2条，文本与数据挖掘是指"利用数字形式的作品或其他客体，通过自动化手段对文本、声音、图像或数据进行分析，以生成信息、知识、模式或规则等结果的技术"。这一定义涵盖范围极为广泛，既包括传统意义上的数据挖掘，也显然包含AI大模型训练过程中对数据的自动化分析与学习。

（二）Opt-out机制的运作逻辑

欧盟TDM例外制度的核心特色在于其Opt-out权利保留机制。根据DSM指令第4条第3款，版权人可以通过"适当方式"（appropriate means）声明保留对其作品进行TDM的权利，且在作品在线提供的情况下，该保留声明必须以"机器可读的方式"（machine-readable form）作出。

这一机制的运作逻辑可以概括为以下几点：

第一，默认允许，例外禁止。 在商业性TDM场景下，法律默认允许对合法获取的作品进行文本与数据挖掘，版权人只有主动作出保留声明，才能排除例外的适用。这种设计将权利保留的成本与负担分配给了版权人，而非数据使用者，有利于降低交易成本、促进数据利用。

第二，机器可读声明的技术要求。 对于在线发布的作品，版权人必须以机器可读方式作出保留声明，例如通过robots.txt协议、网站元数据标记或标准化的权利保留标识等。这一技术要求确保了AI训练数据采集者能够通过自动化工具批量识别和过滤版权人保留权利的作品，降低了合规成本。

第三，"合法获取"的前提限制。 无论是科研还是商业性TDM例外，均以"合法获取"作品为前提。这意味着如果使用者需要绕过付费墙、破解技术保护措施或违反网站使用条款才能获取作品，则无法适用TDM例外。这一限定在一定程度上平衡了版权人的经济利益。

（三）在AI大模型训练中的适用边界与侵权风险

在AI大模型训练场景下，欧盟TDM例外制度的适用面临着以下边界问题与侵权风险：

1. "合法获取"的认定难题

AI大模型训练所需的数据量极其庞大，往往需要通过网络爬虫等技术手段从互联网上抓取海量内容。然而，"合法获取"的边界在实践中并不清晰：如果网站通过robots.txt协议禁止爬取，是否意味着获取行为不合法？如果用户协议中禁止将内容用于AI训练，是否影响"合法获取"的认定？这些问题在欧盟各成员国的司法实践中尚未形成统一标准，给AI企业带来了显著的合规不确定性。

2. Opt-out机制的实操局限

尽管理论上版权人可以通过Opt-out机制保留权利，但在实践中，海量的网络内容创作者（尤其是个体创作者）往往缺乏技术能力和动力去设置机器可读的权利保留声明。这意味着Opt-out机制可能更多地有利于大型内容平台和出版商，而中小创作者的权利实际上难以得到有效保障。

3. 训练与生成的二分法风险

TDM例外仅覆盖训练阶段的复制和摘录行为，并不延伸至AI模型生成内容阶段。即使训练行为适用TDM例外而不侵权，AI生成的内容如果与在先作品构成实质性相似，仍然可能构成对复制权、改编权等权利的侵犯。因此，TDM例外解决的是"输入端"的合法性问题，而"输出端"的侵权风险仍然存在。

4. 跨数据类型的适用争议

DSM指令中的TDM定义虽然涵盖文本、声音、图像等多种数据形式，但在立法之初主要针对的是文本数据挖掘场景。随着多模态大模型的发展，图像、音频、视频等非文本数据的训练是否当然适用TDM例外，仍存在一定的解释空间与争议。

二、日本"非享受目的"使用例外制度解析

（一）制度内容与立法目的

2018年5月18日，日本国会通过《著作权法》修订法案，在第30条第4款增设了一项新的合理使用情形，被称为"非享受目的"使用例外。该条款规定："在不以享受作品中表达的思想或感情为目的的情况下，可以在必要范围内以任何方式使用著作物。"

这一立法的背景是日本政府积极推动"第四次产业革命"，以人工智能、物联网和大数据为核心驱动力的新经济战略。修法的立法目的明确指向"鼓励创新"，为AI和大数据产业的发展扫清著作权制度障碍。相较于欧盟通过专门条款规范TDM的立法路径，日本选择了更为弹性和开放的方式——通过创设一项具有高度概括性的合理使用类型，为包括AI训练在内的各种非欣赏性数据利用行为提供法律依据。

从法律性质来看，日本《著作权法》第30条第4款属于"一般条款型"的合理使用制度。它并不具体列举适用情形，而是通过"非享受目的"这一核心判断标准，为司法裁判提供了灵活的解释空间。这种立法模式既不同于欧盟的专门列举式，也不同于美国的开放式四要素判断法，而是介于二者之间的一种独特设计。

（二）"享受目的"的判断标准与2024年意见的细化

"非享受目的"是日本该项制度的核心概念，但法律本身并未对何为"享受目的"作出明确定义，这使得该条款的适用边界在实践中存在较大的弹性。2024年3月15日，日本文化厅发布《关于AI与著作权相关问题的意见》（以下简称"2024年意见"），对"非享受目的"例外在AI领域的适用进行了重要细化。

根据2024年意见，"享受目的"的判断可以从以下几个维度把握：

第一，信息分析目的通常不构成"享受目的"。 出于信息分析目的使用作品，如AI训练、数据处理、统计分析等，通常不被视为"享受作品中表达的思想或感情"，因此可以适用第30条第4款的例外。这一明确表态为日本AI产业的发展提供了重要的法律确定性，即一般性的AI大模型训练行为可以适用该例外而不构成侵权。

第二，"享受目的"的关键在于是否以体验、欣赏作品表达为主要目的。 这里的"享受"应当理解为，使用者以感知、欣赏、体验作品所表达的思想感情为主要目的而使用作品。换言之，判断标准不在于使用方式，而在于使用目的的主观状态——如果使用行为的核心目的是获取数据模式、规律等信息性内容，而非审美或情感体验，则属于"非享受目的"。

第三，针对性强化训练可能构成"享受目的"。 2024年意见特别指出，对AI模型进行针对性强化训练、旨在生成与特定原作品表达特征高度相似内容的，可能被视为具有"享受目的"，从而不适用该例外。这一限定具有重要的实践意义：它意味着如果AI企业专门以某一特定创作者的风格或某一特定作品为目标进行"风格迁移"式的训练，使AI生成的内容与原作品在表达特征上高度趋同，则可能超出"非享受目的"的边界，构成著作权侵权。

第四，"必要范围"的比例原则限制。 即使属于"非享受目的"，使用行为也必须限定在"必要范围内"。这一要求体现了比例原则的精神，即使用的范围、程度、方式应当与实现目的的需要相适应，不得超出必要限度损害版权人的合法权益。例如，为训练AI模型而复制作品，其复制的数量、方式应当与训练目的合理相关。

（三）在AI大模型训练中的适用边界与侵权风险

在AI大模型训练场景下，日本"非享受目的"例外的适用主要面临以下边界问题：

1. 训练目的的主观认定困难

"享受目的"本质上是一个主观状态的判断，这给法律适用带来了一定的不确定性。AI大模型训练往往具有多重目的——既包含数据分析、模式识别的技术目的，也可能隐含着复制或模仿特定作品风格的商业目的。在司法实践中，如何证明或推定使用者的主观目的，是一个操作性难题。一般而言，客观行为是推断主观目的的主要依据：如果训练数据高度集中于某一特定作者或某一特定作品，且生成内容与原作品表达特征高度相似，则可能被推定具有"享受目的"。

2. "针对性强化训练"的界定模糊

2024年意见中提到的"针对性强化训练"概念，虽然为判断提供了指引，但其具体内涵仍有待进一步明确。何为"针对性"？训练数据中某一作者的作品占比达到多少才算"针对性"？LoRA（Low-Rank Adaptation）等微调技术是否当然构成"针对性强化训练"？这些问题在目前的规则框架下尚无明确答案，需要通过司法实践逐步澄清。

3. 生成内容的侵权风险独立于训练阶段

与欧盟TDM例外类似，日本的"非享受目的"例外也仅解决训练阶段的合法性问题。即使AI训练行为因属于"非享受目的"而不侵权，AI模型生成的内容如果与在先作品构成实质性相似，仍然可能构成侵权。但需要注意的是，日本2024年意见似乎将"生成与原作品表达特征相似内容"与训练目的挂钩，即如果训练的目的就是为了生成相似内容，则训练行为本身可能因具有"享受目的"而不适用例外。这在一定程度上打通了训练与生成两个阶段的责任认定。

4. 权利保留机制的缺失

与欧盟的Opt-out机制不同，日本的"非享受目的"例外并未规定版权人的权利保留机制。也就是说，只要使用行为符合"非享受目的"且在"必要范围"内，无论版权人是否表示反对，均不构成侵权。这一制度设计对AI产业更为友好，但对版权人权益的保护相对较弱。

三、两大制度的比较评析

（一）立法模式比较：专门列举式vs.开放概括式

欧盟与日本在制度设计上代表了两种截然不同的立法模式。

欧盟采用的是专门列举式的立法路径。 DSM指令专门针对文本与数据挖掘这一特定行为类型设定了例外条款，明确了TDM的定义、适用主体、适用条件和权利保留机制。这种模式的优点在于规则明确、可预期性强，企业可以根据法律条文清晰地判断自身行为的合法性边界。但其缺点在于灵活性不足，面对技术快速发展可能出现滞后。例如，当AI训练技术从简单的数据挖掘发展到多模态学习、强化学习等更复杂的形态时，TDM例外的适用范围可能需要通过法律修订或司法解释来扩展。

日本采用的是开放概括式的立法路径。 其"非享受目的"例外并不针对特定技术或行为类型，而是以使用目的为核心标准，建立了一个具有高度弹性的一般条款。这种模式的优点在于适应能力强，能够覆盖各种新型的数据利用行为，无论是当前的AI训练还是未来可能出现的新型技术应用，都可以纳入"非享受目的"的判断框架。但其缺点在于规则的确定性相对较低，"享受目的"的模糊性可能导致司法裁判的不确定性和不一致性。

从法哲学角度看，欧盟模式体现了大陆法系"规则明确、类型法定"的传统，通过精细的制度设计追求法律的安定性；日本模式则更多吸收了英美法系合理使用制度的弹性精神，通过一般条款为司法裁判预留了灵活解释的空间。

（二）权利保留机制比较：Opt-out机制vs.无明确保留机制

在权利保留机制方面，两大制度的差异尤为显著。

欧盟建立了较为完善的Opt-out权利保留机制。 在商业性TDM场景下，版权人有权通过机器可读方式声明禁止对其作品进行数据挖掘。这一机制既保障了版权人的自主权，又通过"默认允许、主动保留"的设计降低了交易成本，在权利保护与产业发展之间寻求了一种相对平衡。同时，科研性TDM作为强制例外，不允许版权人保留权利，体现了对科学研究的特殊政策倾斜。

日本则没有规定明确的权利保留机制。 只要使用行为属于"非享受目的"且在必要范围内，即构成合理使用，无需版权人事先授权，版权人也无权单方面排除例外的适用。这一制度安排显然更有利于AI产业的快速发展，但对版权人权益的保护力度相对较弱。当然，日本制度中并非完全没有对版权人的保护——"必要范围"的限制以及"针对性强化训练不适用例外"的规则，也在一定程度上对使用行为进行了约束，但其约束强度明显低于欧盟的Opt-out机制。

（三）对AI产业发展的影响差异

两大制度对AI产业发展的影响存在明显差异，可以从合规成本、创新激励和国际竞争力三个维度进行分析。

第一，合规成本方面。 日本模式下AI企业的合规成本最低。由于"非享受目的"例外覆盖范围广且无权利保留机制，企业在进行AI大模型训练时基本无需逐一对训练数据进行版权审查，也无需建立复杂的Opt-out内容过滤机制。这对于需要海量训练数据的大模型研发来说，极大地降低了法律风险和合规成本。欧盟模式下，企业虽然可以利用TDM例外，但需要建立识别和过滤版权人保留声明的技术机制，且面临"合法获取"前提的限制，合规成本相对较高。

第二，创新激励方面。 日本模式对AI产业的创新激励最强。清晰的法律信号——即一般性AI训练不构成侵权——使企业能够将资源集中于技术研发而非法律风险防控。这也是日本能够在AI生成内容领域快速发展的重要制度因素之一。欧盟模式虽然也为AI训练提供了法律空间，但Opt-out机制和"合法获取"的限制，使得企业在数据获取方面面临更多约束，一定程度上可能影响创新速度。

第三，国际竞争力方面。 制度差异正在成为影响全球AI产业布局的重要因素。日本宽松的版权制度环境，对AI企业具有较强的吸引力，有助于日本在全球AI竞赛中占据有利位置。欧盟相对严格的版权保护标准，虽然更好地维护了版权人权益，但也可能导致AI研发成本上升、创新速度放缓，在与美国、中国等主要竞争者的较量中面临制度性劣势。

值得注意的是，两大制度并非简单的"松"与"紧"的二元对立，而是体现了不同的价值权衡逻辑。欧盟更强调版权人的权利保护与市场秩序的维护，日本则更侧重于产业促进与技术创新的激励。两种模式各有优劣，其有效性取决于各国的产业基础、法律传统和政策目标。

四、制度引入中国的利弊分析

（一）中国现行制度下的AI训练版权困境

在深入分析制度引入的利弊之前，有必要先梳理中国当前面临的AI训练数据版权困境。

1. 合理使用制度的封闭性困境

我国《著作权法》第24条采用封闭式列举模式，明确规定了十二种合理使用情形，并设置了"法律、行政法规规定的其他情形"作为兜底。然而，截至目前，尚无法律法规将AI大模型训练明确列为合理使用情形。这意味着，AI企业在未经授权的情况下使用受版权保护的作品进行训练，在现行法律框架下面临着较高的侵权风险。

司法实践中，这一困境已经开始显现。2024年6月北京互联网法院开庭审理的"Trik AI"案中，被告即提出大模型训练行为应属于合理使用的抗辩，但由于法律缺乏明确规定，这一抗辩能否被法院采纳仍存疑义。正如植德律师事务所的分析所指出的："在中国法律层面下，训练数据适用合理使用目前是无法可依的，《著作权法》并没有给司法以自由裁量判断是否构成合理使用的权限，只能以法律法规规定为准。"

2. 三步检验法的适用空间有限

虽然《著作权法实施条例》第21条引入了《伯尔尼公约》的"三步检验法"，即"依照著作权法有关规定，使用可以不经著作权人许可的已经发表的作品的，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"，但在中国司法实践中，三步检验法通常仅作为判断法定列举情形内合理使用的辅助标准，而非独立的合理使用认定依据。法院难以直接依据三步检验法创设新的合理使用类型。

3. 产业发展与权利保护的双重压力

一方面，中国AI产业正处于快速发展的关键期，大模型研发需要海量训练数据支撑，如果每一项数据都需要获得授权，交易成本将高不可攀，严重制约产业发展；另一方面，内容创作者的合法权益也需要得到有效保护，任由AI企业"免费搭车"使用受版权保护的作品，将挫伤创作积极性，最终损害文化繁荣的根基。如何在二者之间寻求平衡，是中国AI版权制度必须回应的核心命题。

（二）引入欧盟TDM例外制度的利弊分析

有利方面：

第一，规则明确，可预期性强。 欧盟TDM例外制度的最大优势在于规则清晰、边界明确。引入该制度可以为AI企业提供明确的合规指引，降低法律不确定性，有助于企业制定长期研发战略。对于法律实务工作者而言，类型化的规则也更易于适用和操作。

第二，Opt-out机制兼顾权利保护与产业效率。 Opt-out机制既保障了版权人的权利保留权，尊重了权利人的自主意愿，又通过"默认允许"的设计大幅降低了交易成本，避免了逐案授权的高昂费用。这一机制特别适合互联网时代海量内容的使用场景，与AI大模型训练的需求高度契合。

第三，有利于对接国际规则。 欧盟作为全球重要的数字市场，其版权规则具有广泛的国际影响力。引入TDM例外制度有助于中国企业更好地参与国际竞争，降低"走出去"过程中的合规成本，促进数字贸易的发展。同时，科研性TDM强制例外的设计也与我国促进科技创新的政策目标相一致。

不利方面：

第一，与中国现有合理使用体系的兼容性问题。 中国《著作权法》采用封闭式列举的合理使用模式，而TDM例外本质上是一种新型的合理使用类型。如何将其纳入现有体系——是通过修订《著作权法》增加新的列举项，还是通过制定行政法规纳入"其他情形"——需要进行深入的制度论证。若制度衔接不当，可能造成法律体系内部的不协调。

第二，"合法获取"的认定难题。 TDM例外以"合法获取"为前提，但在实践中，AI大模型训练数据的来源极为复杂，既有公开可访问的网络内容，也有通过购买数据库获得的内容，还有通过爬虫技术获取的内容。何为"合法获取"，边界并不清晰。如果标准过严，可能使TDM例外名存实亡；如果标准过松，则可能变相鼓励非法数据获取行为。

第三，Opt-out机制的实操难度。 在中国互联网生态下，版权人尤其是个体创作者，设置机器可读的权利保留声明的能力和意愿普遍不足。Opt-out机制可能在实践中沦为"大玩家的游戏"——只有大型出版商、平台企业才有能力设置和执行权利保留，而广大中小创作者的权益难以得到有效保障。这与我国著作权法鼓励大众创作、保护创作者权益的立法宗旨存在一定张力。

第四，执法与监管的挑战。 如何监督和执行Opt-out机制？谁来负责检查AI企业是否尊重了版权人的权利保留声明？发现违规后如何处罚？这些执法层面的问题如果得不到有效解决，TDM例外制度可能沦为纸面规则。

（三）引入日本"非享受目的"例外制度的利弊分析

有利方面：

第一，制度弹性大，适应能力强。 "非享受目的"例外以使用目的为核心判断标准，不针对特定技术或行为类型，具有高度的弹性和包容性。引入该制度可以一揽子解决AI训练、数据挖掘、文本分析等多种新型数据利用行为的版权问题，具有"一劳永逸"的制度效益，能够有效应对未来技术发展带来的新挑战。

第二，对AI产业促进作用最显著。 日本模式的宽松程度最高，对AI产业发展的促进作用也最为明显。引入该制度可以极大地降低AI企业的合规成本和侵权风险，为中国AI产业的快速发展提供有力的制度支撑，有助于我国在全球AI竞赛中抢占先机。

第三，立法技术简洁，修法成本低。 相较于需要详细设计双重架构、Opt-out机制、机器可读标准等复杂规则的欧盟模式，日本模式的立法技术更为简洁——只需在《著作权法》中增设一项以"非享受目的"为核心的合理使用情形即可，修法成本相对较低。

第四，与我国三步检验法存在逻辑契合。 "非享受目的"标准与我国《著作权法实施条例》中的三步检验法在逻辑上存在一定的契合性——"非享受目的"实质上是从使用目的维度对合理使用进行限定，与三步检验法中"不影响作品正常使用"的要求具有内在一致性。这为制度引入后的体系融合提供了便利。

不利方面：

第一，规则模糊性带来的不确定性。 "享受目的"是一个高度抽象和主观的概念，缺乏明确的判断标准和操作指引。引入该制度可能导致司法裁判的不确定性，不同法院、不同法官对"非享受目的"的理解可能存在差异，进而出现"同案不同判"的现象，反而增加企业的法律风险预期。

第二，对版权人权益保护不足。 日本模式下没有设置版权人的权利保留机制，只要属于"非享受目的"即可无偿使用作品，这对版权人权益的保护相对薄弱。在中国当前版权保护意识仍需加强、创作者权益保障水平有待提高的背景下，过度宽松的制度设计可能加剧"创作受损、技术受益"的利益失衡局面，不利于文化事业的长远发展。

第三，传统合理使用体系的冲击。 中国著作权法长期采用封闭式列举的合理使用模式，形成了较为稳定的制度预期和司法惯例。引入高度弹性的"非享受目的"例外，可能对整个合理使用体系造成冲击，导致列举式规定被架空，甚至可能出现"一般条款吞噬具体规则"的风险，破坏法律体系的内在统一性。

第四，滥用风险与监管难题。 "非享受目的"的模糊性可能导致企业滥用该例外条款，将本应支付报酬的商业性使用行为包装为"非享受目的"使用。而监管部门由于缺乏明确的判断标准，难以有效识别和规制滥用行为，可能造成版权保护的制度性倒退。

（四）可能的适配路径建议

综合以上分析，无论是欧盟模式还是日本模式，都不能简单地"照搬照抄"到中国。中国需要在借鉴国际经验的基础上，结合本国法律传统、产业现状和政策目标，构建具有中国特色的AI训练数据版权例外制度。具体而言，可以考虑以下路径：

1. 采取"专门列举+一般条款"的混合立法模式

建议在修订《著作权法》或制定相关行政法规时，采用"专门列举+一般条款"的混合模式：一方面，明确将"为人工智能研发和数据挖掘目的使用已发表作品"列为合理使用的具体情形，增强规则的明确性和可预期性；另一方面，引入弹性判断标准作为补充，为未来技术发展预留制度空间。这种模式既吸收了欧盟模式规则清晰的优点，又保留了日本模式适应能力强的长处。

2. 建立有中国特色的权利保留机制

在权利保留机制方面，可以借鉴欧盟的Opt-out机制，但需结合中国实际进行本土化改造。具体而言：一是建立统一的权利保留声明平台，降低中小创作者的使用门槛；二是充分发挥著作权集体管理组织的作用，由集体管理组织代表权利人进行权利保留和授权谈判；三是区分不同类型的作品和权利人，对专业出版商和个体创作者适用差异化的保留机制。

3. 区分科研性使用与商业性使用

借鉴欧盟的双重架构，对科研性使用和商业性使用适用不同强度的例外规则：对于科研机构、高校等非营利性主体出于科研目的进行AI训练的，可以设定为强制例外，不允许版权人保留权利；对于商业性AI训练，则适用可保留的例外，允许版权人通过适当方式声明保留权利。这一设计既有利于促进科学研究和公共利益，又能在商业领域更好地平衡权利人与使用者的利益。

4. 引入"目的+效果"的双重判断标准

参照日本"非享受目的"的核心思想，并结合中国司法实践，引入"主观目的+客观效果"的双重判断标准：主观上，使用行为是否以欣赏、体验作品表达为主要目的；客观上，使用行为是否与原作品的正常市场利用形成竞争关系。通过主客观相结合的方式，增强规则的可操作性，减少主观认定的不确定性。

5. 完善配套制度与协同治理

AI训练数据版权问题的解决不能仅靠合理使用制度单兵突进，还需要配套制度的协同配合：一是完善法定许可制度，对于确有必要但又难以通过市场机制解决授权问题的场景，可以考虑设立AI训练的法定许可，由AI企业向版权人支付合理报酬；二是加强著作权集体管理，发挥集体管理组织在批量授权、报酬分配等方面的专业优势；三是推动行业自律，鼓励AI企业和内容平台通过协商制定行业标准和最佳实践；四是强化技术手段，推广内容溯源、水印识别等技术，提升版权保护的精准度和效率。

结语

欧盟TDM例外与日本"非享受目的"例外，代表了全球范围内应对AI训练数据版权挑战的两种典型制度路径。欧盟以精细的制度设计和完善的权利保留机制，在版权保护与产业发展之间寻求审慎的平衡；日本则以高度弹性的一般条款，为AI创新释放最大的制度空间。两种模式各有优劣，反映了不同法域在价值权衡上的差异。

对于中国而言，AI大模型训练数据的版权问题已从理论探讨走向司法实践。北京互联网法院"Trik AI"案的审理，标志着中国法院正面临确立AI训练版权规则的历史契机。然而，仅靠司法个案难以系统性地解决这一问题，立法层面的制度建构才是根本之策。

在制度选择上，中国不宜简单照搬任何一国的模式，而应当立足本国国情，兼采各家之长。一方面，需要充分考虑中国AI产业正处于高速发展期、亟需制度松绑的现实需求，避免因过度严格的版权保护而抑制创新；另一方面，也不能忽视对创作者权益的保护，防止"技术至上"的单边主义损害文化创作的根基。理想的制度设计应当在产业发展与权利保护之间找到恰当的平衡点——既为AI大模型训练提供清晰的法律空间和明确的合规指引，又通过合理的权利保留机制、报酬机制和救济机制，确保版权人的合法权益得到有效保障。

展望未来，随着AI技术的持续演进和相关司法实践的不断积累，中国AI著作权法律制度将逐步走向成熟。在这一过程中，保持制度的开放性和适应性，坚持利益平衡的基本原则，既是应对技术变革的应有之义，也是实现数字经济高质量发展的必然要求。

参考文献（案例索引）：

1. 北京互联网法院：李某某诉刘某某侵害作品署名权和信息网络传播权纠纷案（(2023)京0491民初11279号）

2. 北京互联网法院："Trik AI"绘画大模型被诉侵权案（2024年6月20日开庭审理）

3. 广州互联网法院：奥特曼著作权侵权案（(2024)粤0192民初113号）

4. 深圳市南山区人民法院：腾讯Dreamwriter案（2019年判决）

5. 广州市黄埔区人民法院：AI短剧侵犯著作权罪案（2026年判决）

6. 日本文化厅：《关于AI与著作权相关问题的意见》（2024年3月15日）

7. 欧盟《单一数字市场版权指令》（Directive (EU) 2019/790）第2、3、4条

8. 日本《著作权法》第30条第4款

9. 《中华人民共和国著作权法》第24条