AI训练数据著作权侵权的边界——从Anthropic15亿美元和解看法律边界的重构

2026年7月20日，美国加利福尼亚北区联邦地区法院最终批准了Bartz et al. v. Anthropic PBC版权集体诉讼案的15亿美元和解。这是美国生成式人工智能版权诉讼史上金额最高的和解，覆盖约50万部作品，平均每部可获约3000美元补偿。法院同时批准支付超1.01亿美元律师费。15亿美元的数字确实引人注目，但将其简单解读为“AI训练开始全面收费”或“合理使用制度在AI领域彻底失效”，是对本案法律逻辑的误读。法院的裁判逻辑比这精细得多：AI训练行为本身可构成合理使用，但从盗版网站获取并长期保存语料的行为属于侵权。这恰恰是AI时代著作权法面临的核心问题——输入端的行为如何切割评价。

2024年8月，多名职业作家以集体诉讼形式起诉Anthropic。后该案被认证为集体诉讼，覆盖约482,460部作品。

原告的核心指控是：Anthropic从盗版书库Library Genesis（LibGen）和Pirate Library Mirror（PiLiMi）下载超过700万部作品，用于训练Claude系列大语言模型。原告举证显示，Anthropic在模型迭代阶段，除采购正版图书扫描训练外，还大规模从上述盗版资源库抓取数百万册电子书，长期存储于内部数据库，作为核心训练语料使用。原告据此主张，该行为未经授权、无对价、无公示，构成对作品复制权的大规模侵权。

案件进入损害赔偿开庭审理前，考虑到美国版权法法定赔偿上限极高、陪审团裁判结果不可控，双方达成和解。2026年7月20日，法院正式核准和解方案，案件撤诉终结。

本案争议焦点有两个：一是大语言模型训练行为的合理使用认定；二是获取、复制、保存盗版来源图书行为的独立侵权认定。

法院没有将所有复制行为打包评价，而是根据不同场景作了区分：

（一）用于训练Claude等大语言模型：构成合理使用

法院认定训练用途具有转换性使用特征，且对训练目的具有必要性。大模型训练是通过海量语料学习语言模式和知识关联，最终形成的是参数化知识网络，而非对原作品的替代性传播。这与传统的作品复制传播在目的和效果上存在本质差异。

（二）购买纸质书后扫描形成数字馆藏：构成合理使用

法院认为，将已购买图书转化为便于检索、节省空间的数字形态，同样具备转换性使用特征。这一判断与图书馆复制馆藏的传统合理使用边界基本一致。

（三）从LibGen、PiLiMi等盗版库下载并长期保存：不构成合理使用

法院认定，下载来源本身违法，规模巨大，且建立永久中央图书馆具有训练之外的独立用途。单纯以“AI训练目的”主张免责无法覆盖整个行为链条。这是典型的版权侵权行为。

法院在法律层面确立了一项重要区分：训练行为的合理使用判断，与语料取得方式的合法性判断，是两个必须分离的法律问题。 认可大模型训练属于转换性使用，不等于认可企业可以通过任何方式取得训练材料。这正是本案最重要的法律分界线，也是15亿美元和解金额的法律逻辑基础。

我国《著作权法》第二十四条列举了十二项合理使用方式以及第十三项的兜底条款，人工智能商业公司海量非选择性使用方式均不符合著作权法第十二项合理使用方式的规定，著作权法在人工智能数据训练领域缺乏清晰规制。

《生成式人工智能服务管理暂行办法》第七条要求服务提供者使用合法来源数据，并不得侵害他人依法享有的知识产权。这条规范划出了红线，但在技术发展与法律保护之间如何平衡，仍是我国法律面临的重大问题，也给语料数据合规带来很大的不确定性。

Anthropic案区分训练用途与语料来源，对我国立法和司法具有参照意义：即便对输入端合理使用持开放态度，在语料取得环节仍可建立严格合规要求。该案对中国企业的启示，不能简单推导为“训练可构成合理使用”，而应落实为以下数据治理与风险控制的实操规则：

（一）建立训练数据来源台账

企业应针对训练数据建立分类管理体系，依据数据来源差异分别设立管理台账。台账应详细记录数据类别、获取途径、使用范围、更新频率及责任部门等关键内容。

各类来源数据的合规审查重点不同：

根据不同的数据来源建立相应的管理台账，有助于系统地分析和把握各类来源数据的主要风险特征，进而能够有针对性地设立并实施不同的风险管理方案。

（二）规避高风险数据来源

企业进行数据收集与模型训练时，应当避免从LibGen、Sci-Hub及各类未经授权的影子图书馆等盗版渠道获取训练数据。即便训练行为本身可能被认定为合理使用，数据来源的非法性质依然可以单独构成侵权。使用此类数据，企业不仅面临知识产权侵权指控，还需承担法定赔偿责任。Anthropic案的和解金额已经充分说明了这条路径的风险成本。

（三）数据分级存储与用途管控

企业应当避免建立没有明确使用目标、长期甚至永久存放版权作品的集中存储库。具体操作上，需要将用于模型训练的数据仓库、支持信息检索的检索库、包含产品核心信息的知识库、记录系统输出的日志等，分别设立独立数据库进行存储管理。同时，明确规定每种数据的保存时间和使用目的，确保数据留存具有合理性和必要性。

更重要的是，企业需要建立一套可执行的数据删除机制，在数据达到保存期限或不再符合使用目的时及时清理。Anthropic案中，法院特别关注了被告“长期保存”盗版语料的行为，认为这一行为具有独立于训练的用途和目的。因此，企业需要能够证明数据的存储和使用是有明确边界和时限的。

（四）建立全链路可追溯机制

在人工智能领域的版权合规实践中，仅仅依赖一份简单的“禁止使用数据清单”是远远不够的。真正有效的合规体系，需要构建一个覆盖数据从最初获取、中间处理到最后销毁的全生命周期的、完整且严密的证据链条，具体包括数据来源可清晰追溯、知识产权可核验、不同用途（训练、优化、商业应用）可明确界定、存储管理安全可控。依据法律或合同要求删除特定数据时，能够提供经得起验证的删除操作证明，从而形成一个闭环的、负责任的合规管理机制。这些要求对国内企业的制度建设和日常执行能力提出了较高标准，但也是应对未来合规审查的必要基础。

Anthropic案最容易被记住的是15亿美元。但真正可能改变AI行业合规方式的，不是这个数字，而是法院在训练行为与语料取得之间划出的一条边界。Anthropic案一方面消解了“用于训练即当然构成侵权”的绝对认知，另一方面显著提高了“使用盗版数据源仍可免责”的错误预期成本。未来AI企业的竞争优势，将越来越取决于数据来源合规性、授权安排、数据治理体系与可追溯的版权风险控制机制。这不是版权的终结，而是版权治理在AI时代的精细化开端。AI不会停止进化，法律也不会静止不动。这场制度博弈的终局，将深刻塑造未来人类创作与机器智能共存的秩序图景。