2026年5月14日至15日，由知产前沿新媒体主办的第四届知产前沿泛娱乐论坛在上海圆满举行。本届论坛以“知识产权构建娱乐新业态”为主题，汇聚了来自全球的内容创作者、娱乐法专家、企业IPR代表及行业创新力量，共同探讨在市场环境与技术生态不断演进的背景下，泛娱乐产业如何实现可持续创新与高质量发展。
论坛围绕数字媒体、流媒体、电子游戏、盲盒潮玩等新兴娱乐领域的知识产权实践与发展趋势展开深入交流，聚焦IP资产多元化应用、AI与泛娱乐产业的融合发展以及影视音乐版权保护等热点议题，为泛娱乐行业知识产权保护与创新发展提供了前瞻性思考与实践路径，搭建了跨行业、高层次的交流合作平台。
大会第一天上午，北京智明星通科技股份有限公司法务经理金博思以“AIGC产线中的侵权风险与应对”为主题，从企业合规视角系统梳理了模型训练、内容生成与成果使用三个阶段的风险点，并提出了企业内部具有可操作性的合规治理方案。
金博思在演讲开场即指出，至少在游戏行业，AIGC工具已经基本进入了游戏生产的全部核心环节。从前期的概念设定、角色设定、草图生成、策划案编写、宣传文稿撰写，到整个美术资源甚至部分代码，AI工具的介入已经覆盖了产线%的产出。AIGC在生产经营中带来了显著的效率提升，但其所涉及的知识产权风险，尤其是著作权相关问题，已成为企业无法回避的现实挑战。
当前AIGC产线中的风险核心矛盾在于：这种全新的工作模式与现有知识产权法律法规之间存在适配不良，监管相对滞后。AIGC并非单独作为一个工具或仅在某个特定工作节点上需要关注，而是贯穿了整个生产经营活动。从企业法务的视角，需要重点关注三个环节：一是模型训练阶段的数据来源合法性；二是内容生成阶段的侵权判定；三是成果使用阶段的权利归属与使用边界。
金博思将模型训练阶段的风险归纳为四个方面。首先是未经授权使用受著作权保护的作品进入训练流程。他指出，这是一个高风险动作，从各国判例来看，尤其是在美国，对于受著作权保护的内容进行训练本身是否属于广义上的复制权，或者是否能够适用合理使用进行规避，结论并不一致。在现有司法环境中，这件事情并没有一个直接的结论，企业不能等到司法判例都确定了才去做合规，而应当将其作为一个明显的风险点进行管控。
其次是授权范围的盲区。传统意义上的商用授权通常涵盖展示、改编、宣传等常规商业使用场景，但这并不当然等于取得了AI训练的合法授权。从商业角度而言，越来越多的人比较抵触将自己的作品用于AI工具训练，因为担心对方拿自己的作品去生成类似内容从而占用市场竞争份额。因此，在获取授权时，必须在协议中明确约定该授权是否覆盖AI训练和微调用途。
第三是数据采集链条的完整性。很多企业的训练数据来自公司内部的原有资产，也可能通过第三方数据机构采购。在这些对外采购的场景中，需要关注第三方提供的数据是否有相应的权利支撑，授权链条是否存在瑕疵。如果第三方素材平台的授权链条不完整，企业作为使用者可能承担连带责任。
第四是争议风险。模型训练并不必然要求对原始物料进行完整复制，AI模型通常对数据进行标签化分析，有时仅针对局部内容进行训练。即便未完整复制原作品，若模型在训练过程中提取并保留了作品的核心表达元素，数据层面仍存在风险。以美术素材为例，图片中某一部分的局部特征被用于训练后，同样可能引发后续争议。
相较于训练阶段，内容生成阶段的风险对企业而言更为直观。由于所有AIGC内容最终都要面向市场，因此侵权判定的最核心问题就发生在这个环节。从实务角度观察，AIGC生成物的侵权判定与传统人工创作没有本质区别，核心标尺仍然是“实质性相似”。
金博思进一步解释了AI模型训练的逻辑为何会导致生成内容与训练数据趋同。他将AI训练理解为将数据转化为像素点等数值信息，模型以权重形式记录数据在概率学和统计学上的分布。当训练素材的风格相对固定、数据量较大时，模型在概率分布上的选择路径会高度贴近训练物料。此时，用户通过提示词生成的内容就很可能与训练数据非常类似，如果训练数据风格单一且数量庞大，这种趋同现象会更加明显。
在此基础上，金博思归纳了两种典型的表现形式。第一种是直接的实质性相似。生成内容与原始训练物料在核心表达上基本没有实质性区别。他在实务中观察到，如果用户在提示词中限定了特定风格、特定画师或特定特征，例如要求“迪士尼风格”或“宫崎骏风格”，而模型训练数据中恰好包含大量此类作品，那么生成结果几乎必然与原始画作高度相似，有时甚至会出现直接复现原始作品内容的现象。
第二种是整合式挪用。AI模型的生成方式与传统画师作画不同——画师通常先画草图、结构、大体布局，再逐步填充细节，而AI是一行一行生成像素的，在生成过程中没有全局概念，会从训练数据中筛选符合提示词要求的局部内容进行组合。他以英国Getty Images诉Stability AI案为例说明，用户在使用特定提示词时，生成内容中出现了Getty商标的水印，这正是局部训练导致生成内容侵权的典型表现。
金博思还特别提示了风格问题所蕴含的风险。他指出，法律意义上的“风格”通常被视为抽象概念，不在著作权保护范围之内，然而在实际生产经营中，画师所理解的“风格”往往涉及具体表达层面的内容。更为重要的是，即便企业能够在法律上主张风格本身不构成侵权，也不能忽视舆论风险。用户与市场并不理解法律上的细微区分，企业难以向全球数以亿计的受众逐一解释某种风格为何不构成侵权。舆情风险是实践中不可回避的现实因素。
在成果使用阶段，关注重点放在了权利归属问题上。首先是AI生成内容能否享有著作权：从各国法律规定来看，AI本身不能成为著作权人，这一点基本没有争议，生成内容是否构成作品，关键在于人类的智力投入程度。金博思坦言，这个“程度”在实践中很难界定，从中国目前的司法结果来看，很难对智力投入进行定量评价，因此企业能做的是尽可能完整记录智力投入的过程。
其次是内部的权利归属争议。劳动合同和员工守则通常会对工作成果的归属作出约定，但在AI生成场景下可能出现新问题。例如，员工不在工作目的或工作要求内使用AI工具生成的内容，其权利归属如何界定；AI生成过程中产生的大量过程草图和废稿，其权利归谁所有。如果员工带着这些过程材料离职去了下一家公司，企业将面临权利保护的困境。
第三是AI工具平台的权利划分。绝大多数AI工具会将权利让渡给用户，但也有部分工具在用户协议中对权利归属作出特殊约定。企业在面对这种情况时，很难有足够的成本去逐一与工具方就每一张生成图片的权利归属进行沟通。因此，在选择AI工具时，用户协议中关于权利划分的条款是需要重点关注的内容。
在训练数据环节，他建议建立数据准入审查机制。确保进入训练流程的数据来源清晰、授权明确且覆盖AI训练用途，重点排查免费素材、爬虫抓取、来源不明以及授权范围不含AI训练用途的素材。在采购第三方模型或数据服务时，应要求服务商说明底层数据来源与授权链条，并将数据合规承诺、担保条款及侵权赔偿责任写入合同。
在生成过程环节，金博思强调规范提示词使用并建立留痕机制。提示词应避免指向特定风格、知名角色或具体画师，优先使用材质、氛围、时代感、功能属性等中性描述，同时，企业应当完整保存生成提示词、参考图素材、模型参数设置、版本迭代过程以及人工修改记录。他提到，这一留痕机制有双重目的：一是在出现问题时能够追溯生成过程中哪个环节出了问题；二是当企业需要进行权利确权时，能够向法院或版权管理机构证明人类的智力投入程度。他以Invoke AI平台为例，该平台对作品的整个生成过程进行了完整记录，从而成功在美国获得了版权登记。
在商业化使用前的审核环节，训练数据的合法性与最终输出内容是否构成侵权是两个紧密相关但不能互相替代的问题。即便训练数据来源合规，也难以完全保证生成内容不会与他人作品构成实质性相似。企业应当聚焦高价值、高曝光的素材，建立“技术比对加法律审核”的双重防线，对排查出的高风险内容坚决予以重绘或弃用，AIGC可以作为效率工具提升生产速度，但绝不能绕过内容合规审查。
在权利边界的约定上，金博思建议通过合同与制度提前锁定成果归属。对内，通过劳动合同、知识产权归属协议及内部管理制度明确界定公司与员工的权利义务；对依法构成作品的产出，明确约定著作权归公司所有；对不构成作品但具有商业价值的过程文件，也应当约定由公司统一控制与管理。对外，在与AI工具方、服务商及外包团队合作时，在协议中逐项明确商用、修改、发行、推广及衍生品开发等核心业务场景的授权范围，避免签署仅包含模糊描述的授权条款。
在长效治理机制的构建上，金博思提出了三个方向。一是常态化培训机制，覆盖全链路人员，让业务部门了解风险所在，破除“AI即免责”的误区，明确风格借鉴与作品抄袭的法律边界。二是制度化管理机制，将合规要求固化为内部制度，建立训练数据审查、提示词规范及上线前审核等核心流程。三是风险预警与应急处理机制，持续跟踪AIGC领域的立法、监管与司法动态，并针对侵权投诉、下架通知及舆情等突发场景制定分级响应流程。
金博思最后总结道，风险主要集中在训练数据、生成内容、成果使用三个方面，企业需要针对性识别与评估。在法律规则持续演进的背景下，建立系统化的内部控制体系是当下最务实的抓手。企业不应等待“完美答案”，而是优先建立一套经得起审查、追溯和争议检验的治理机制，把AIGC当作效率工具的同时，也将其作为合规场景来治理，以保障业务的稳健发展。