摘要：人工智能生成物著作权归属问题在当前数字创新时代显得尤为重要，基于传统著作权法中“作者—创作”二元认定标准，针对人工智能生成物著作权归属认定中存在的困境，提出重构二元模型的理论框架。通过分析人工智能创作过程中各主体的贡献度，探讨人工智能开发者、使用者以及人工智能系统在创作中的角色定位，研究发现，现有的著作权归属判定标准难以适应人工智能时代的创新需求，亟需建立新型权益分配机制，重构后的二元模型将创作贡献度量化，引入智能创作参与度评估体系，为人工智能生成物著作权归属提供更为科学合理的认定依据。

关键词：人工智能生成物；著作权归属；二元模型；创作贡献度

随着人工智能技术的快速发展，智能创作已经渗透到文学、音乐、美术等多个领域，传统著作权法以自然人创作为基础，构建了“作者—创作”二元判定模式。然而人工智能的广泛应用打破了这一固有模式，使得著作权归属认定面临诸多挑战，人工智能生成物的创作过程涉及多个主体，包括算法开发者、数据提供者、直接使用者等，各方在创作中发挥不同作用，如何准确认定创作贡献，合理确定权利归属，已成为理论研究和实践应用中的重要课题，基于此，重构“作者—创作”二元模型具有重要现实意义。

一、人工智能生成物著作权认定现状

当下，人工智能生成物的著作权认定方面普遍存在适用困境，传统的著作权法律架构坚持“思想 / 表达二分法”和“独创性”两个基本支柱，而且默认创作主体必须为自然人，这种预设使人工智能等非人类实体在法律主体资格上具有先天性不足，所生成的内容也就很难直接纳入著作权保护的范畴之内，司法实际操作中，对生成物权利归属的判定标准不尽相同，有的偏向于给予使用者，理由是使用者下达了创作指令并做了最后的筛选；也有的觉得开发者贡献了核心算法，所以应当分享一些权益；还有人主张把它们放置在公有领域，从而利于知识的流传。这种分歧和不确定，源自当下法律体系无法很好地应对人工智能创作活动里众多主体参与、人机配合的本质特点，现存认定模式的不足不但妨碍了对各方贡献的公正评价，还可能影响相关产业的创新投入及其长远发展，法律框架更新变得迫切起来 [1]。

二、二元模型重构的理论基础

（一）创作主体的多元化特征

人工智能生成物的创作过程打破了传统单一作者的思维定式，具有明显的主体多元化特点，不再只是终端用户发出指令那么简单，而是要依靠多个上游环节的智力输出。算法开发者搭建起人工智能的底层逻辑和核心模型，其设计的好坏直接影响到生成物的风格、结构以及能力边界。数据提供者筛选、标注并喂养大量数据，形成人工智能的“知识库”和“审美观”，也是生成内容质量与方向的重要决定因素。模型训练者经过繁杂的参数调整和模型迭代，使得系统能够从数据中学习并生成新的内容，最后由终端使用者输入具体的指令、关键词或者进行多轮交互，从而触发最终内容的生成，这些主体共同构成了一个完整的创作链条，任何一方的付出都是不可忽视的，其在创作链条中的角色定位和贡献形式的差异性，构成了重构著作权归属模型的基本前提。

（二）智能创作过程的复杂性

智能创作过程内部的复杂性也是重置归属模型的一层理论支撑，不同于人的创作是一条直线，人工智能的生成是一个高度非线性、实时交互的庞大系统工程，从基础的底层设计算法，海量数据的前置处理以及大量模型的训练循环与反复优化，每一环中充满着智力的输入和各种技术的选择与安排，用户输入指令后，人工智能不会单纯操作，它是依据自身复杂的神经网络架构和概率分布模型，主动去演算，所输出的答案往往是超出直接期待的，带有某种“涌现”的特性。这一过程包含着确定性输入和随机性生成，使得创作路径难以被完整追查和复制，这样的技术达成过程的复杂度和结果的不可预测性，冲破了传统创作时意图—行为—结果的明晰链条，这就要求归属模型不能只是简单地当作发出指令的一方，而要探究整个技术系统内部所作出的贡献[2]。

（三）权益分配机制的创新需求

现有著作权体系碰上人工智能生成物时，其权益分配机制的局限愈发明显，于是就产生了很强的革新需求，传统的“有作者就有权利”这种单一归属逻辑，不能公平地体现出各种主体所作贡献的价值，要是把权利全给使用者，那么开发者，数据供应方以及训练者在创建系统能力的时候所付出的巨大智力和物质代价就会被忽略掉，时间久了，他们做技术研发，数据分享的积极性就会降低。反之，如果把权利给到开发者，那就会降低使用者在具体创作中的引导和筛选作用，不利于调动应用层面的创新活力，把生成物直接归入公有领域，虽然利于传播，但也会造成创作投入方无法得到合理回报，引发市场失灵，所以，创建起一种可以精确衡量并动态分配各方权益的新机制，成了保证产业生态健康循环，推动全链条创新的关键需求。

（四）创作贡献度的量化方法

要对多元主体作出公正的评价，就要用贡献度的量化方法，这是模型重构的关键部分，量化不是想要绝对精确的数学计算，而是想创建起一套比较客观，可行的评价框架，从而消除归属认定中的主观性和模糊性，量化方法可以从很多角度入手，针对算法开发者来说，可以评价其算法的革新性，复杂度和通用性，拿算法的代码行数，计算复杂度（比如 O(n²) ），或者在标准测试集上的表现指标（比如准确率达到 98% ）等参数来衡量。针对数据给予方，可以考虑它所给予的数据体量，品质，稀有程度以及预先加工工作的繁杂状况，比如数据集的容量单位达到 TB 级别，标注信息的精确比率等等，针对使用者而言，可以考察其发出指令的清晰度，独创性以及交流深度，指令的文本长度，逻辑复杂程度以及同人工智能系统展开互动的轮次，通过塑造起诸多维度的量化指标体系，就能把抽象的智慧付出变成可以比较的数值，从而给之后的权益划分赋予数据支撑[3]

（五）智能参与度评估标准

量化贡献度之后，创建智能参与度评判准则便是区别各类创作场景，达成差异化权益分配的关键步骤，智能参与度要考察人工智能系统在生成过程中表现出的自主性与创造性水平，这个准则须要考量系统的技能层级以及具体的生成任务，像一些模板化，流程化的生成任务，人工智能系统所起的作用更像是高效的自动化工具，这时使用者的智力贡献占上风，智能参与度就低一些。而在另一些开放性、探索性的创作任务里，人工智能依靠模糊指令就能产出十分新颖且复杂的成果，这种情况下它展现出的自主性较强，智能参与度也较高，评估标准可以用分级形式来设置，比如“辅助工具级”“合作伙伴级”“自主生成级”，每个级别对应着不同的权重系数，通过对具体生成物执行智能参与度评价，可以动态调节人工智能系统自身在贡献度计算中的虚拟权重，使之更加契合各种创作场景的实际情况。

三、二元模型重构的具体路径

（一）创作过程分解与量化

重构二元模型的第一条路是把智能创作的全流程标准化拆分，各个阶段的贡献度进行量化，把整个创作过程分成四个大阶段，基础搭建阶段，模型训练阶段，指令生成阶段，成果筛选阶段，基础搭建阶段主要看算法的原创程度，数据资源的价值，可以设定一个基础贡献值，比如算法开发者的贡献系数设成 0.4，数据提供者的贡献系数设成0.2，模型训练阶段按照训练过程中投入的计算资源，时间以及优化效果来给定相应的贡献权重。指令生成阶段着重于衡量使用者所输入指令的质量情况，依靠自然语言处理技术来剖析指令是否详细、结构复杂以及富有创意，然后把这些要素转换成具体的贡献分值，成果筛选阶段则要评判使用者从许多生成结果当中做出挑选、修正并加以重新创作的劳动，付出了越高的筛选代价，就表明贡献值越大，通过这样分阶段的量化手段，可以把整个创作过程拆解成一连串可以量化的贡献单元[4]。

为了确保量化过程的客观性与可操作性，每个阶段的贡献评估需建立更为精细的指标体系。在基础构建阶段，算法的原创性不仅参考代码量，更应引入第三方代码相似度检测（如查重率低于15% ）与专利申请情况作为评判依据；数据资源的价值则可依据其获取成本、清洗标注工作量（例如投入的人时数）以及在特定领域的稀缺度进行综合打分，在指令生成阶段，对指令的创意水平评估可引入语义新颖度分析，通过与现有数据库中的海量文本进行对比，计算其独特性得分。

（二）主体权重动态调整机制

建立主体权重动态调整机制，这是保证模型能应对各种创作模式的重要环节，不同于权益分配固定不变，动态调整机制可以依据各主体在具体创作活动中发挥的实际作用来改变贡献权重，它包含一个或者多个调节因子，“系统自主性水平”是最关键的一个因子，当生成任务特别依赖使用者的细致指令与深入干预的时候，使用者的权重就应该大大加强，开发者和数据提供者的权重就要下调。反过来说，当人工智能系统能够利用简单的抽象的命令就可以相对独立地完成绝大多数作品的时候，那系统的底层搭建者：开发者以及数据贡献者的权重应该更加的重要，并且也可以引入另外一个因子“应用场景”，比如在一些商业用途如商业广告中的创作，使用者的商业利益和商业判断也应该是重要的因子，在这些场景下动态调整权重使得模型更加灵活，更加公平。

（三）智能创作贡献度计算方法

依靠过程分解和权重调整，能够塑造起一个全面的智能创作贡献度算计办法，其关键部分就是一种数学模型，用来汇总各个阶段，各个主体的量化贡献，可以设计一个总贡献度公式：

表示生成物的总创作贡献度， P_i 表示第 i 阶段的量化贡献分值， W_j 表示第 j 个主体在该阶段的动态权重， F_k 则表示第 k 个调节因子（比如系统自主性水平）的系数值。比如在一个具体的图像生成中，可以计算出开发者贡献 .C_dev ，使用者贡献 L_user 等等，这样的计算方式，不仅能为每一个参与者生成一个具体的贡献度数值，还能直观地看出各个参与者在创作中的重要程度，为了保证计算过程的透明与公正，计算模型以及相关参数应当对所有的参与者公开，甚至可以利用区块链等技术，把每一次贡献的量化结果进行存证，使其不可篡改、可追溯，为最后的权益分配奠定基础。

（四）权益分配的精准认定

在得到各个主体明确的贡献度数值之后，接下来的路就是权益分配的精准认定。贡献度数值直接可以转化为著作权权益的分配比例。如果经过计算得到开发者贡献度是 30% ，使用者是 60% ，数据提供者是 10% ，那么就可以大致认定三方按照这个比例共同享有这个生成物的著作财产权。除了财产性权利，对于署名权等人身性权利的归属，也可以根据贡献度进行排序或者联合署名。贡献度最高者一般应享有优先署名权，面对复杂商业场景时，此模型还可支持更灵活的权益安排，贡献度或可成为版税，许可费等收益分配的直接依据，将抽象贡献具体化为权益份额，这种精准认定规避了“要么全有，要么全无”的极端化判断，对所有参与方智力劳动予以承认与回报，进而形成一个良性的激励循环[5]。

（五）模型应用的技术支持

重构模型要有效运行，就得有相应的技术支持体系，第一，得开发自动化的贡献度评判工具，这种工具能够融合自然语言处理，代码分析，数据评判等技术，自动评判使用者指令的复杂程度，算法代码的革新程度，数据集的质量，进而迅速评判出各个阶段的贡献，削减人工评判的成本和主观性，第二，可以采用区块链技术，创建起一个去中心化的创作贡献记载平台，每一次的数据递交，算法更新，使用者指令输入等行为，都能当作一笔交易记载在链上，保证贡献记载的真实性和不能改动性。智能合约可用来自动化执行权益分配，一旦生成物具备商业价值，预先设定在智能合约里的分配规则就会按照链上记载的贡献度比例，自动把收益分给各个权益方，这样一套技术支撑体系，既改进了模型的可操作性与效率，又加强了公信力，为模型的大范围应用形成稳固根基。

四、结束语

重构人工智能生成物著作权归属的“作者—创作”二元模型，不仅需要突破传统著作权法的固有思维更要建立符合智能创作特点的新型认定标准，通过引入创作贡献度量化方法和智能参与度评估体系，可以更准确地界定各主体在创作过程中的地位和作用，重构后的二元模型将为人工智能时代的著作权认定提供新思路，推动智能创作的健康发展，这种基于客观量化的权益分配机制，将更好地平衡各方利益，激发创新活力。

参考文献：

[1] 宋龙 . 人工智能生成物的著作权归属问题研究 [J]. 中阿科技论坛 ( 中英文 ),2025,(06):147-151.

[2] 马飞 . 人工智能生成物著作权归属的理论探究 [J]. 知识经济 ,2024,(28):196-199.

[3] 吴汉东 . 论人工智能生成内容的可版权性 : 实务、法理与制度 [J]. 中国法律评论 ,2024,(03):113-129.

[4] 庄诗岳 , 辛谏 . 生成式智能出版 : 可版权性与著作权归属 [J].编辑之友 ,2024,(03):96-104.

[5] 郑飞 , 夏晨斌 . 生成式人工智能的著作权困境与制度应对—— 以 ChatGPT 和文心一言为例 [J]. 科技与法律（中英文）,2023,(05):86-96.