10月22日，托莱多大学荣休教授Llewellyn Joseph Gibbons受邀到访公司，以“人工智能训练数据监管框架：版权合理使用与非法资料来源”为题开展学术讲座。讲座由副经理熊琦教授主持，中南财经政法大学知识产权公司助理教授王小丽，公司助理教授马晓、博士研究生李炫圻以及部分知识产权学子参与。
熊琦首先表示，Gibbons是中国知识产权领域的老朋友，曾在中国政法大学、中南财经政法大学等高校伟德国际1946亚洲版任教，长期为中国知识产权研究者提供学术支持。他谈到，本次讲座聚焦人工智能训练数据使用合法性，这是近年国内外知识产权学术活动的热点议题，兼具挑战性。
Gibbons 以美国最高法院Goldsmith v. Andy Warhol Foundation案为切入点，指出转换性使用不能成为免除对创作者义务的理由。该案与美国版权法合理使用原则紧密相关，法院判决传递清晰立场：对创作者权益的尊重不会因素材使用方式的创新性而削弱。
Gibbons进一步解析AI模型的训练机制：AI通过拆解并学习海量数据的统计规律完成训练，其中相当部分数据集包含未授权的版权材料，甚至来自突破访问限制的“影子图书馆”。他指出，近期美国法院在AI相关案件中，已开始审视训练数据的取得方式而不仅仅是使用目的。以Barnes v. Anthropic案为例，AI公司Anthropic被指使用盗版电子书训练模型Claude。尽管公司主张此举具有转换性，属合理使用，但法院明确驳回，认定转换性不能抹除数据来源的非法性。该案最终以高额和解告终，Anthropic承诺删除涉案数据并建立来源认证机制。Gibbons认为，此案堪称AI行业的 “Napster时刻”：如同 Napster因大规模侵权倒逼音乐行业转向流媒体授权模式，Anthropic案也让AI企业意识到，依赖抓取全网数据的模式已难以为继，合法数据源与授权机制将成为行业发展的未来。他进一步指出，“恶意”正重新成为版权法中的关键判断因素。当开发者明知数据来源违法仍加以使用，便已破坏法律的正当性与公众信任。合理使用的目的，从来不是纵容掠夺，而是维持创新自由与权利保护之间的平衡。
Gibbons从比较视角总结了各国在AI版权治理中的路径差异：美国倾向事后司法衡量，强调转化性与事实认定；欧盟以三步检验标准及《人工智能法案》确立合法获取为市场准入门槛；中国实行事前备案与行政监管；日本则依托行业共识与伦理规范推动信任型治理。虽路径各异，但各国均将合法获取与伦理数据来源视为核心准则。
Gibbons提出合规建议：一是合法获取数据是合理使用与数据来源的关键门槛；二是需开展数据映射与分类，清晰界定数据信息，确保合规处理个人数据；三是严格遵守技术限制，比如遵循网站robots.txt协议，杜绝未授权数据收集、规避“影子图书馆”等非法渠道；四是需根据不同国家和地区的特定法律调整合规策略，确保与属地规则保持一致。
与谈环节，王小丽指出，技术发展对合理使用制度而言既是挑战也是机遇，新技术持续冲击既有规则的同时，也推动合理使用制度适配新场景、实现迭代发展；且AI训练需调用数十亿件版权作品，这与以往合理使用案例的使用规模差异显著，不能简单套用过往裁判逻辑。从实践视角出发，她提出，若以普通人认知来看，使用大量他人作品训练AI并从中盈利，很难直接认定为合理使用，相比纠结是否构成合理使用，更应聚焦构建有效的数据授权框架，既让版权所有者获得合理回报，也满足AI企业对高质量训练数据的需求。王小丽认为，案件中“恶意”因素与合理使用制度的关联，认为美国《版权法》第107条的开放性条款为法官将“恶意”纳入考量提供可能。
马晓谈到，在中国，基于非法获取的材料无法构成合理使用，但材料来源合法性问题不应纳入合理使用制度框架内解决。她提出，一是要警惕大规模授权破坏分享文化，数字内容限时授权使转赠、转卖受限，冲击权利用尽原则与分享文化；二是数据流动涉及多领域，需国际协议规范，不应由版权法率先解决；再者，中国《著作权法》第五十九条虽规定了合法来源抗辩，但该条款仅适用于出版者、制作者，并不覆盖合理使用场景，不能直接套用。她还结合案例补充，如Campbell v. Acuff-Rose案中，说唱团体2 Live Crew曾寻求授权却遭拒绝，说明若强求使用合法来源，可能会限制恶搞等合理使用场景的发展。最后，马晓分享了一段AI撰写的文字，提醒在场者关注“人类在训练AI的同时，也正被AI塑造”的现实，为其观点补充了技术发展背后的深层思考。
李炫圻表示，自己更偏向以学习者身份参与交流，并结合自身研究提出问题。她提到，Gibbons教授及王小丽教授、马晓教授均多次谈及合法获取数据，而这一概念往往指向数据授权，但AI训练与传统的Napster案、Sony案不同，其过程如“黑箱”，外界难以得知模型使用了哪些受版权保护的内容，且生成结果往往与原作无直接关联。她由此提出疑问：在数据不透明的背景下，如何建立合理的AI训练数据授权市场？同时，她以UGC时代的经验为参照，提及Google的Content ID机制，并询问此类模式能否借鉴于AI训练，为数据版权管理提供新的思路。
Gibbons对大家的疑问一一作了回应。
熊琦总结提到，有观点认为人工智能对海量数据的依赖将在未来二至三年内得到技术性解决，但新的法律与伦理挑战也将接踵而至，并表达了期待Gibbons教授再度来校交流的愿望。
讲座尾声，Gibbons对师生与校方的热情接待表达了感谢，并坦言，若AI仅以自身生成数据训练，犹如人类在封闭回路中自语，终将脱离现实。尽管技术进步或能减少数据需求，但AI仍需持续吸收外部真实世界的信息，以保持活力与判断。他与在场师生相约三年后再聚，共同探讨彼时AI与版权的最新命题。
