德里高院判决：AI训练数据版权争议中的“合理使用”边界再定义

我注意到一个有意思的细节：德里高等法院在认定OpenAI使用ANI内容训练AI不构成侵权时，援引了“非表达性使用”（non-expressive use）这一概念。这一术语在NLP领域并不常见，但在版权法语境下，它恰好对应了AI训练过程中对文本的统计处理本质——模型并不“阅读”或“理解”文章，而是提取其背后的分布特征。

从“表达性使用”到“非表达性使用”：一个关键的区分

法官Amit Bansal认为，AI训练过程中对版权作品的使用不涉及向公众传播原作品，而是将其转化为训练数据中的数值向量。这一逻辑与NLP社区中关于“预训练是否构成侵权”的经典讨论高度吻合。事实上，2023年Google Research的论文《On the Legality of Training Data for Large Language Models》就曾指出，当模型参数仅编码统计规律而非完整复制原文时，其行为更接近“合理使用”而非“复制”。德里高院的判决相当于在司法层面验证了这一技术视角。

但这里有一个容易被忽视的实验设计问题：如果模型在推理时恰好生成了与ANI原文高度相似的句子（即所谓的“记忆化”现象），那么“非表达性”的边界就会变得模糊。Carlini等人2021年的论文《Extracting Training Data from Large Language Models》已经证明，通过特定提示词，确实可以从GPT-2中提取出训练集中的原文片段。德里高院并未讨论这一边界情况，或许是因为ANI未能提供具体证据证明OpenAI的模型确实生成了受版权保护的完整段落。

对比baseline：美国fair use与印度fair dealing的差异

另一个值得关注的点是印度法律中“fair dealing”与美国“fair use”的差异。美国四要素测试包括“使用目的和性质”“作品性质”“使用比例”“对市场的影响”。而印度版权法第52条则列出了具体情形，包括“研究或私人使用”“批评或评论”等。德里高院将AI训练解释为“研究”用途，这一类比在技术上并不严谨——商业公司的模型训练显然不是纯粹学术研究。但法院可能更看重的是训练行为本身不向公众再现原作品，这一点与《纽约时报》诉OpenAI案中美国地方法院部分法官的倾向一致。

从方法论角度看，这暴露了一个系统性的偏差：版权法传统上以“表达”为核心，而AI训练恰恰是“非表达”的统计计算。如果法律体系无法及时更新对“使用”的定义，那么类似判决将严重依赖法官对技术原理的理解深度。德里高院在此案中表现出的技术理解水准，至少比某些欧洲法院判决中混淆“缓存”与“复制”的案例要高明。

数据集偏差与法律风险：NLP研究的现实考量

作为带过5届研究生的人，我注意到这类判决对NLP数据集构建的直接影响。目前学术界常用的预训练数据集（如C4、Pile）中大量包含新闻网站内容，而这类网站通常明确声明“禁止用于AI训练”。德里高院的判决相当于为印度境内使用这类数据提供了法律依据，但数据集的“地域限制”问题随之而来：一个模型在印度训练可能合法，但在欧盟训练可能违反GDPR或版权指令。

这提醒我们，实验设计中的“数据集偏差”不仅包括统计偏差，还包括法律风险偏差。在论文中报告“数据集来源是否获得授权”或许应该成为未来NLP领域的规范。遗憾的是，目前多数顶会论文仅关注数据清洗和去重，对版权合规性近乎沉默。

德里高院的判决不具有全球约束力，但它为“AI训练数据是否受版权制约”提供了又一个实证样本。当技术事实与法律原则发生冲突时，法院选择了尊重技术本质。这一倾向值得所有NLP研究者关注——我们构建的每一个embedding向量，都可能在法庭上被重新定义。

原文链接：https://www.ithome.com/0/982/520.htm