1. 课程导入与全景认知
在讨论“AI生成内容能不能商用、版权归谁、会不会侵权”之前，必须先建立一个共同的语言基础：我们说的AIGC到底指什么，它包含哪些类型，技术边界在哪里，以及知识产权与商业使用实务的整体框架是什么。很多实务争议并非源于法律本身有多复杂，而是因为讨论双方对“生成”“辅助”“复制”“演绎”这些词的理解并不一致。本章的目标，是让你在后续30章中始终握有一张全景地图和一条合规底线。
一、AIGC的定义：从“生成”到“可归责的输出”
AIGC（AI-Generated Content，人工智能生成内容）通常指由生成式人工智能模型根据用户输入（提示词、参考图、音频、代码上下文等）自动或半自动产出的文本、图像、音频、视频、代码、3D模型等内容。这个定义里有两个关键词值得拆开看。
第一个是“生成”。它意味着输出并非简单检索已有文件，而是模型基于训练得到的参数分布，对新的输入进行推断后产生的。但“生成”不等于“无来源”：模型参数来自训练数据，输出可能在某些条件下与训练数据中的片段高度相似，这正是后续版权风险的核心来源之一。
第二个是“可归责的输出”。在商业使用实务中，我们真正关心的不是模型内部发生了什么，而是最终交付给客户、发布到平台、嵌入产品的那一份内容。它是否可版权保护、是否侵犯他人权利、是否需要标注AI生成、是否满足平台规则，都取决于这份“输出”本身及其形成过程。因此，本课程始终以“可交付、可发布、可追责的输出”为分析对象，而不是泛泛讨论AI技术。
二、AIGC的主要类型与技术边界
从商业使用角度，AIGC可以按模态和用途分为几类，每一类的权利风险点并不相同。
- 文本类：营销文案、小说、报告、代码注释、翻译。风险集中在与既有作品表达实质性相似、训练数据来源不明、以及事实性错误导致的商业误导。
- 图像类：插画、海报、产品图、头像。风险集中在风格模仿、角色形象、商标与肖像、以及“图生图”对参考图的演绎权。
- 音频类：配音、音乐、音效。风险集中在声音人格权、音乐采样与旋律相似、以及训练数据中的录音制品权利。
- 视频类：短视频、动画、数字人口播。风险叠加了肖像、表演者权、背景音乐与平台审核规则。
- 代码类：函数、模块、脚手架。风险集中在开源许可证传染性、训练数据中的许可代码片段、以及专利与商业秘密。
技术边界同样需要明确。当前主流生成模型并不具备“理解权利”的能力，它不会主动判断某段输出是否侵犯他人版权，也不会保证事实正确。模型的能力边界大致包括：上下文窗口有限、对训练截止后的事件无知、对精确计数和空间关系不稳定、对提示词措辞敏感。这些边界直接转化为实务要求：不能把AI输出直接当作最终交付物，必须经过人工审查、事实核验和权利排查。
三、知识产权与商业使用实务的整体框架
本课程后续内容围绕一条主线展开：从输入到输出，再到商业使用，每一步都要回答“权利从哪里来、风险在哪里、证据怎么留”。整体框架可以概括为四个层面。
第一层是权利归属层。需要判断AI生成内容是否构成作品、能否获得著作权保护、权利归属于使用者、开发者还是无人享有。不同法域态度不同，中国司法实践中已有承认AI生成图像可构成作品的案例，但前提是体现了人的智力投入和个性化选择。
第二层是侵权风险层。包括训练数据合法性、输出与既有作品的实质性相似、商标与形象权、肖像与声音人格权、开源许可证合规等。这一层的关键动作是“排查”和“比对”，而不是事后补救。
第三层是商业使用层。涉及平台规则、广告法、行业监管、合同条款、AI生成标识义务。例如面向消费者的广告中使用AI生成人物，可能需要标注“AI生成”；向客户交付代码，需要确认许可证兼容性。
第四层是证据与治理层。包括提示词记录、模型版本、生成时间、修改痕迹、人工审查记录、授权链条。这一层决定了发生争议时你能否证明“我尽到了合理注意义务”。
四、学习目标与合规底线
学完本课程，你应当能够独立完成以下任务：判断一份AI生成内容是否可能构成作品并主张权利；对文本、图像、音频、视频、代码分别执行基本的侵权风险排查；根据使用场景判断是否需要AI标识、是否需要取得额外授权；在合同中写入合理的AI相关条款；在争议发生时拿出可用的证据链。
为便于记忆，本课程把合规底线压缩为三条：
- 不直接交付未经审查的AI输出。无论多紧急，人工审查和事实核验都是不可跳过的步骤。
- 不假设AI输出天然干净。训练数据来源、输出相似度、许可证兼容性都需要主动排查，而不是等对方来主张。
- 不放弃证据留存。提示词、模型版本、生成时间、修改记录、审查结论，都是未来证明“合理注意”的关键材料。