【摘要】人工智能模型开源正在改变技术演进与产业创新的底层逻辑，其创新开放的客体已从传统的软件源代码扩展至模型代码架构、参数权重、应用工具包及数据集等多元内容，并形成了传统开源许可证与 Llama、RAIL 等为典型的新类型开源许可证共存的局面。现有对开源行为及许可证的治理思路仍停留于传统代码开源时代形成的静态的版权侵权判定与责任分配模式，而忽视了新类型许可证条款中对版权权利的设计与分配，特别是版权的行使由原本的单次授权重新配置为附条件解除并受持续约束的授权模式。在模型权重等可版权性存在争议的客体上，平台规则通过技术与合同手段填补了版权权利未能控制的部分，由此形成“版权许可+平台规则”双层治理结构。基于行动者网络理论，这一结构揭示了许可证与平台规则作为非人行动者在权利设计、分发与许可中的关键作用，通过网络效应驱动、成本结构重置与分层竞争三大逻辑，使得版权权利的让渡能够被转化为显著的市场竞争优势，形成闭环的利益转换体系。针对数据与代码贡献激励减弱的现状，可构建与权利分配相适应的收益反哺机制，通过优化许可证与平台规则价值链体系，建立起涵盖企业、社区、贡献者多主体参与的开放版权协同治理机制，以实现人工智能模型开源生态中知识共享与商业利益的动态平衡。
【关键字】人工智能模型开源；版权权利分配；利益转换；收益反哺；协同治理
一、问题的提出
缘起于反叛版权的开源运动，[1]在人工智能模型发展时代又掀起一次新的热潮，其开源对象已经不再限于包含版权保护的软件源代码，更向代码架构、参数权重、应用工具包、数据集等多元客体扩展。[2]开源运动的深层动力源于开发者通过贡献代码追求声誉激励与自我满足，这种非货币激励机制在许可证设计中实现了权利有限让渡与持续参与的平衡，从而推动从开放共享到商业生态的利益转换。[3]在这一扩展过程中，权利分发、限制与豁免等条款的设计，仍然依托以许可证为核心的治理逻辑与以市场为导向的制度架构展开，[4]以此实现新类型产业市场利益和商业模式的搭建。在进入新的技术和产业发展阶段，各类人工智能开源模型既有沿用软件开源时代传统许可证进行社区治理的做法，也有自行设计如 Llama、RAIL 等新类型许可证或在原有传统许可证基础上调整部分条款进行使用的情况，[5]形成了传统许可证和新类型许可证并存交互的局面。研究各类许可证所展现的权利设置、豁免、分发及限制条款可以发现，知识产权条款中的版权分配设计依然是在开源社区运行和后续市场利用过程中最为直接面向商业模式搭建和最易发生法律纠纷的核心内容，其在许可证权利分发中承担着核心的权利控制和利益导向功能，对其的研究和后续条款的设计可影响权利分发方式、商业合法利益乃至整个产业链的发展。
现有研究主要聚焦于人工智能全生命周期中的版权合规风险与法律治理路径，特别是围绕训练数据的合法性与开源生态的责任界定展开探讨。在模型训练的数据获取与版权保护层面，有学者分析数据蒸馏、机器学习等技术行为的法律属性并重点讨论了合理使用原则的适用边界，[6]学者们主张通过区分“表达性使用”与“非表达性使用”来确立侵权豁免路径，[7]或通过“免费开源”等制度安排在训练需求与著作权保护间寻求平衡，[8]也有研究重点关注探讨开源模型提供者与部署者之间的责任分配，主张根据模型类型及商业模式构建差异化的过错责任与注意义务体系，[9]构建擅自将他人源码或者参照编写的内容开源属于逾越开源权利可让渡范围的侵权认定，[10]并强调了对全球开源战略中安全风险的应对。[11]总体而言，现有文献在解决人工智能模型开源中的版权权利分配时，少有面向人工智能开源模型新类型许可证中的版权条款进行权利结构和利益分配机制的分析，亦未搭建版权条款所形成的规则传导与市场商业模式的对应关系，更未理解版权利益转换所驱动的市场利益流动会如何反向作用于许可证中的版权规则设计。同时，传统的本领域研究更多秉持的是在发生侵权后对权利保护格局和权利设置进行反思和重构，以及通过侵权判定的思路来倒推权利设置的合理性问题及预测后续市场利益的回流机制，这样的思路并未完全正视开源领域最初的规则设计和权利分配是否能够有效激励作为原始创新的人工智能模型开源贡献者的持续投入，以及如何协调由企业、开源社区、开源贡献者共同组成的多主体组织以达到规则促进社群持续且良性的发展。
因此，本文区别于传统从侵权角度研究权利设置的思路，将研究视角转向许可证中版权权利的初始设置与有限分发激励，从源头性规则设计入手展开分析，在此基础上，通过研究新类型许可证中版权权利结构和权利分配及利益传导链条，直面人工智能模型开源许可证中的版权利益转换与市场效力发生机制，设计与其中版权权利分配与利益转换相应的收益反哺机制，优化人工智能模型开源许可证与开源平台规则版权价值链条，通过行动者网络理论搭建起开源贡献者、开源社区、企业之间多主体参与的开放版权协同治理结构。
二、人工智能模型开源中的版权结构与权利分配机制
思考人工智能模型开源中的版权权利分配，需以明确其内置的版权权利结构为前提。人工智能模型开源所涉及的并非单一主体的权利义务关系，不同要素对应不同的权利属性和义务属性，通过准确识别这些组成要素的版权归属和义务规则传导逻辑，厘清其在版权结构中的交互关系，才能真正把握模型开源中版权形成的权利分配与权利限制结构。同时，内置的版权结构也为分析许可证、平台与生态规则之间的版权权利分配及多主体协同下的权利冲突与责任分化奠定基础，为构建清晰可预期的开源治理秩序提供前置条件。
（一）人工智能模型开源许可证中版权授权范围与义务规则传导
人工智能模型开源中的版权权利分配，首先表现为许可证对模型训练材料利用范围的重新界定。传统开源软件许可证通常围绕软件代码展开，其核心在于允许用户复制、修改、发行和再许可软件作品，并通过署名、保留版权声明或者开放源代码等条款，将权利人设定的版权义务传导至后续利用环节。[12]此种规则结构以软件代码的版权客体属性为前提，也以软件作品相对清晰的传播路径为基础。人工智能模型开源所面对的开源对象更为复杂，开放内容通常包括模型代码架构、训练数据、应用工具包及模型参数权重四类核心客体，上述对象在版权法上的属性存在差异，其中代码和文档较容易进入计算机软件作品或者文字作品保护范围；训练数据可能涉及原始作品、汇编作品或者数据库权益；应用工具包因其功能性特征，其中的软件组件通常可获得版权保护；而模型权重和参数文件则更多体现为模型能力的技术载体，因其数值表达受技术功能所支配，其是否能够作为版权客体受到保护仍存在争议，[13]且人工智能模型开源根据客体不同后续衍生出基于权重开放与接口开放的不同商业模式竞争的问题，[14]因此，基于上述情况可知，人工智能模型开源许可证已经从为传统软件代码提供版权有限制的授权，扩展为对多层技术材料及其后续利用行为进行整体性规则安排的工具。
其中，人工智能模型开源对版权的重新配置主要体现于对复制行为和传播行为的灵活运用，应当注意到的是，其配置方式须置于所开源客体可版权性的前提之下加以审视。对于模型代码、技术文档等可版权性明确的作品内容，用户下载、部署、微调并再次向社群发布，可能分别构成复制、改编或者信息网络传播行为，但人工智能模型开源方仍可通过版权许可为下游的利用提供权利基础，并借助许可条件安排后续使用边界。整个版权配置中复制行为在模型开源中具有基础意义，但其基础地位并非源于模型文件在技术流程中被反复使用，而是源于复制行为始终是受保护作品进入下游开发、社群协作和再流通的主要方式。此时的复制已不再是一经许可即终局确定的静态授权，而是转变为贯穿模型生命周期的附条件授权状态，即当使用者违反有关许可证条款后，授权因许可证中权利复活条款[15]的规定即告授权终止，其后续的复制和使用行为失去合法依据。本质上，此种安排的性质仍属版权许可范畴，[16]权利人依赖的权利本身并未发生转移，其所让渡的仅为附解除条件的许可行为，从而得以对下游每一次复制或其他利用行为保有持续的控制力。
然而，上述以复制行为为核心的控制逻辑仅适用于可明确认定为作品的客体。当客体指向模型权重、参数文件等可版权性存疑的内容时，特别是模型权重和参数文件虽然承载模型能力的核心价值，但其形成过程主要体现为训练数据、算法结构等共同作用后的数值结果，[17]具有较强功能性和技术生成特征，其能否构成作品仍存争议，[18]此时许可证即便在文本上将权重、参数等内容纳入模型或者许可材料，也不能当然扩大版权法的保护内容而将其纳入复制权的控制范围。因此，权利人对模型权重复制与传播的控制无法完全置于版权法框架之下，反而须借助平台的受限下载、点击同意等合同与技术手段另行维持。复制权在此问题上的覆盖不足催生了“版权许可+平台规则”的双层叠加结构：对于构成作品的客体，授权以版权许可为基础；对于可版权性存疑的内容，授权以平台规则为补充。值得注意的是，该结构的正当性基础既在版权许可部分源于权利人对作品享有的专有权利，又在平台规则层面源于合同自由及法律对技术措施的保护逻辑，而商业层面的利益考量正是这一结构得以持续运转之后显现的效果，也因此被共同融入许可证规则制定依据的内在考量之中。
在上述结构之下，许可证对版权中其余专有权利的配置，同样围绕复制权所确立的控制逻辑展开，并根据客体可版权性的不同而分层适用。对于模型代码等构成作品的部分，由于其模型微调与衍生模型开发可能涉及改编权的保护范围，因而在授予时被附加向下游传染的义务，使复制所及之处的条件控制延伸至演绎成果；而涉及模型代码再分发行为的信息网络传播权，因与下游复制行为相伴而生，被一并置于权利授予条款之下。[19]至于模型蒸馏、利用模型输出竞争性模型等行为，因其未必构成对作品的复制，已不再纯粹受到复制权或其他版权权利的控制，[20]许可证则转而以合同条款予以约束。由此可见，人工智能模型开源许可证以复制权为轴心组织起较为完整的权利配置：版权效力可及之处主要依托复制、改编、信息网络传播等专有权利实施条件控制；版权效力未及之处则以平台规则和合同条款作为补充。版权许可与平台规则各自依其规范基础，将人工智能模型开源方的控制意图分别传导至下游，共同构成人工智能模型开源中完整的权利分配与义务传导体系，使模型价值的流转与二次分配全程处于受控状态。
同时，在 Llama、RAIL 等开源模型许可证中，版权授权与义务规则呈现高度交织的状态。一方面，许可证通常授予用户使用、复制、修改、分发相关模型材料的权限，使模型能够以开放方式进入开发者社区、研究机构和产业应用场景。另一方面，许可证又通过平台设计的可接受使用政策、再分发条件、竞争限制和场景限制等条款，对用户取得的权利进行持续约束。[21]此种结构的关键特征在于，模型发布方没有在开放模型后完全退出后续利用过程，而是借助许可证将其对模型材料的控制力嵌入下游传播链条，使复制、修改、分发、微调、部署和商业利用等行为持续受到规则约束。围绕版权权利所展开的许可安排因此不再只是一次性的授权行为，而成为模型发布方组织下游使用秩序、安排权利边界和权利行使范围的基础工具。
从权利运行模式看，人工智能模型开源许可证的权利设计仍以版权许可为基础，但其实际功能已经明显扩张。传统开源许可证主要依托版权法上的排他性权利，通过对复制、修改、发行和再许可行为设置条件，实现开放利用与规则传导之间的平衡。人工智能模型许可证则进一步试图将规则延伸至模型输出、合成数据生成、模型蒸馏、竞争性训练和衍生模型发布等环节，[22]此时，版权许可所调控的对象已经从作品利用行为本身，延伸至模型衍生开发、再分发与商业部署等后续利用行为。模型发布方借助许可证把原本发生在模型开放之后的开发活动、商业部署和数据再利用行为提前纳入规则设计之中，使下游主体在取得模型材料的同时，也接受了围绕版权利用、场景边界和商业竞争所形成的复合型义务安排。
这种规则传导方式也改变了人工智能模型开源中主体之间的交互关系，传统开源软件生态中的权利义务关系主要围绕原始代码权利人与后续开发者之间的版权许可展开，由于人工智能模型开源中的主体结构更为复杂，模型发布方、平台运营方、贡献者、企业用户和下游服务提供者均可能参与模型材料的传播和再利用，许可证通过将使用条件、再分发规则和责任限制嵌入模型材料的传播过程，把不同主体纳入同一版权义务网络之中。由此形成的版权权利分配，已经超出单个作品授权与单个用户使用之间的简单关系，而是在多主体、多环节之间形成连续性的权利配置结构。
就此现象，行动者网络理论为以上结构提供了一个观察工具：这些精心设计的许可证版权条款不再是被动的法律文本，而是具备能动性的“非人行动者”，将其作为一种法律“铭文”予以表示，[23]此类许可证条款实际上把模型发布方复杂且相互矛盾的包括但不限于版权的市场利益固化下来，形成一个在网络上传播并产生影响的稳定链条，通过强制每个使用用户单独缔约，许可方在具有法律效力的许可证上加强这些规则的执行性，同时把下游参与者都纳入以自己为中心的权利义务网络之中，形成多主体协同治理的局面。
（二）许可证、平台与生态规则中的版权权利分配方式
静态的规则文本通过动态的网络运行才可被激活与运行，人工智能模型开源中的版权权利分配也因此不能仅从许可证文本本身加以理解。在行动者网络结构中，平台不是中立的信息通道，而是一个积极地塑造、转译并分配权利的参与者。具体而言，人工智能生态系统中的平台是通过两类不同的方式来分配权利。一类是通过基础设施实现权利控制，以 AWS 为代表的云平台通过垂直整合的方式把开放模型和自身的专有云计算服务进行捆绑，形成一个高度整合但转换成本较高的生态系统。[24]另一类则是通过规则制定实现权利分配，如以 Hugging Face 为代表的权利行使者平台，作为人工智能生态系统的中央存储库与规范制定中心，[25]主要通过规则制定的优势实现对权利的分配，[26] Hugging Face 通过推广模型卡和标准化的可接受使用政策规则文本等软法形式，[27]构成了一种平台驱动的治理和规则设计模式，其对权利分配的合理性基础在于任何希望得到广泛传播的模型都必须经过 Hugging Face 等这样的平台，使它成为了事实中不可或缺的网络流通节点。
在行动者网络理论的结构中，Hugging Face 这样的平台已演变为网络中的“强制通行点”（Obligatory Passage Point, OPP），[28]相应地，平台在这里会主动地重新塑造流经它的规则文件，如复杂的 Llama 3许可证文本在 Hugging Face 界面上被简化并转译为一个元数据标签“license: Llama 3”，此举简化并降低了开发者认知的成本，但也使得原始文本的规则复杂性更具抽象。新近的一项实证研究表明人工智能工具从 Hugging Face 平台转移到 GitHub 平台时，它原有的许可证义务被削减，数据显示带有使用限制的机器学习专用许可证在模型到代码仓库转换阶段的保留率低至0.4%，[29]这种规则丢失表明自上而下设计的规则框架在与开发者社群自下而上的实践网络相遇时，其展示的约束力会显著衰减，致使上游设定的权利保留条款，在传递至下游许可环节时事实上趋于失效。
若置于动态网络之中加以审视，平台环节的权利分配承担着承接版权许可并补足控制不足的功能，集中体现为平台作为关键节点对规则文件的主动塑形。传统发行权用尽规则主要适用于作品有形复制件经合法转让后的再流转，[30]难以覆盖数字环境中模型文件的上传、下载和在线提供。下游主体再次分发模型时，相关行为通常伴随新的复制和信息网络传播，仍须回到复制行为与信息网络传播行为控制的范围中判断。平台正是在这一环节将许可证中的可接受使用政策、再分发条件、署名规则和下游传递要求嵌入模型获取、调用和再发布流程，使作品性内容的后续利用继续受到许可条件约束。对于模型权重、参数文件等可版权性不明的客体，平台则通过受限下载和访问权限等规则，将版权许可难以覆盖的利用行为纳入合同和技术规则形成的使用秩序。由此，如前所述，版权法可及之处依托许可条件控制下游利用行为，版权法难以覆盖之处则由平台规则补足访问与使用条件，二者经由平台这一关键节点相互衔接，共同维系人工智能模型开源中上游规则向下游主体适用延伸的连续性。
（三）多主体互动中的版权权利冲突与责任分化
当许可证与平台所构成的规则网络向外延伸时，其内部的权利分配安排不可避免地与既有版权法、侵权法秩序发生冲突。这种冲突沿着人工智能价值链呈现为多主体之间的分层争议。在输入端，训练数据的版权合法性问题在基础模型开发者与原始权利人之间持续纠缠，在输出端，生成内容的所有权归属在模型提供方、下游部署者与终端用户之间制造新的权利空白。两类争议最终转化为模型开发者、平台运营方、部署者与终端用户之间差异化的责任分担格局。
训练数据版权合法性问题讨论的核心在于对合理使用边界的再界定。许多基础模型的开发活动建立在一个颇具争议的假设之上：互联网上所有公开可用的数据均可视为可供训练的公共资源，[31]在开源实践相对发达的美国，截至2025年的司法判例已逐步形成基于市场替代性的数据利用分析思路，例如在汤森路透诉 Ross 案（Thomson Reuters v. Ross）中，法院否认了 Ross 的合理使用抗辩，核心理由是 Ross 利用 Westlaw 判例要点（Headnotes）训练的系统意在建立与原告形成直接竞争关系的替代性法律检索产品，不过法院也明确指出，该结论未必延及生成式人工智能场景。[32]同时，在巴茨诉 Anthropic 案（Bartz v. Anthropic）中，加州北区联邦法院作出分裂判决：一方面认定以合法取得的图书用于模型训练构成转换性使用，另一方面认定 Anthropic 下载并长期留存盗版书籍以建立“中央图书馆”不构成合理使用，该侵权部分最终以约15亿美元和解了结。在卡德里诉 Meta 案（Kadrey v. Meta）中，法院虽在程序上支持了 Meta 的合理使用抗辩，却在判决意见中明确指出，原告败诉源于其未能充分论证市场稀释损害，在多数生成式 AI 训练情境下，只要原告举证得当仍可能认定被告构成侵权。[33]上述判例所呈现的并非单向的合理使用中转换性使用判断的扩张趋势，而是司法在转换性认定与市场影响评估之间反复权衡的过程，且这一权衡还须置于沃霍尔基金会诉戈德史密斯案（Warhol Foundation v. Goldsmith）[34]对转换性使用作限缩解释的背景下加以理解。开发者们一方面依循转换性使用的解释路径对训练数据进行大规模利用并应用于模型开源实践，另一方面也持续面临数据来源合法性方面的诉讼与赔偿风险。
而有关输出内容的所有权争议问题中，美国版权局坚持人类作者身份是获得版权保护的前提，[35]明确排除了纯粹由人工智能生成的作品获得版权保护的资格，导致一部分高度依赖模型自动生成的作品落入版权保护薄弱但合同机制控制较强的地带。从权利源头上看，美国版权局的立场大幅压缩了用户获得排他权的空间，但模型提供方仍可通过服务条款影响输出内容的保护和再利用，[36]以此实现权利的后续分配和市场利益的获取。
与上述权利定性的争议相伴而生的，是侵权责任在多主体之间的差异化分配。巴茨诉 Anthropic 案的分裂判决本身即呈现责任在行为环节上的纵向切分，该案将训练行为与数据获取行为分别加以评价，前者纳入合理使用范畴，后者则由开发者独立承担因盗版数据来源所引发的侵权责任。在输出端，围绕安德森诉 Stability AI 案（Andersen v. Stability AI）等系列诉讼所形成的争点则进一步涉及基础模型开发者、下游部署者与终端用户之间的责任配置：当模型生成的内容构成对在先作品的复制或衍生时，法院须在直接侵权、辅助侵权与平台避风港规则之间作出选择，而这一选择又反过来塑造各方在数据采集、模型微调与提示词使用等环节的注意义务边界。由此形成的责任切分在纵向上贯穿开发、部署与使用各环节，在横向上区分输入与输出两个面向，共同构成版权对应的市场秩序回应生成式人工智能多主体协作场景的核心机制，也使原本集中于权利人与使用人之间的二元侵权框架，被改造为以风险与收益配置为导向的多主体责任网络。
面对这种内外部争议，基于行动者网络理论可以提炼出两种修复冲突并保持稳定的策略。第一种策略是责任分配机制，利用人工智能价值链的分层结构将责任从链条顶端且资源丰富的基础模型开发者推导到下游资源匮乏的应用程序开发者和终端用户，[37]但从已有实践来看，这种责任向下游的单向转嫁并非必然结果。当下游开发者或使用者所依赖的开源模型本身缺乏法律可问责性时，责任网络会通过引入上游主体的注意义务等方式予以重构，避免下游主体因模型黑箱属性而被迫独自承担其无法完全理解的决策后果。[38]第二种策略则是利益转换机制，即通过合同机制转化法律风险，具体可表现为从 OpenAI 与出版商的个案许可，[39]到学者提出的“同意与补偿”模型，[40]乃至欧盟的机器可读“选择退出”（Opt-out）机制[41]等等都是试图把法律上的侵权风险转变成可计算的商业成本，把挑战者吸纳到人工智能的资本积累网络里，换言之，它们共同的目标就是把被起诉的法律风险转化为可控的商业成本，以此实现人工智能模型开源许可证中的版权权利设计从规则控制、传导、限制再到利益分配的整个链条。
三、人工智能模型开源中的版权利益转换体系与市场效力发生机制
目前，开源许可证中的知识产权规则应用已经进入到高级阶段，[42]开源软件是开放式创新的典范，其版权治理需平衡知识控制与共享的价值取向。[43]与传统软件开源相比，人工智能模型的开源因其核心客体数据、模型权重及其衍生作品的特殊性，构建了一套更为复杂、动态且高效的版权利益转换体系与市场效力发生机制，它通过有条件的权利让渡，激发广泛的协同创新，并最终将这种创新活力转化为可持续的市场竞争优势。
（一）从开源到商业化的版权利益流动结构
人工智能模型开源版权利益转换体系的基础框架与版权利益流动结构密不可分。开源这一过程的本质是在开源许可证这一规则框架下进行有条件、有导向的利益再分配，以形成以开放换取增长、以共享激发创新的正向循环。当下，人工智能模型开源内涵已远超传统软件开源，面对开源客体的扩展，商业机构也积极加入开源项目并参与规则建设，市场对开源运动的引导作用日益增强。开源许可证因此不再是单一形态的规则文本，而是一个为适应开源生态中多元协作需求与差异化治理目标而不断分化的规则体系，既需依此为开发者设定行为边界，也需依此平衡开放性与版权利益保护的制度需求。[44]在这一趋势下，市场因素持续推动开源许可证从 GPL、Apache、MIT 等通用型协议，向 Llama、OpenRAIL 等更具针对性的专用型协议演进，此类新型许可证特别强调对模型权重使用的限制，将伦理边界与商业禁区同步植入版权授权条款，使权利让渡成为一种内嵌利益导向的有控分配，即谁能用、怎么用、用后如何再分发，均由许可证条款预先锁定，由此形成以权重开放为起点、以用途限制为阀门的版权利益流动框架。
在这一结构下，版权利益的流动呈现为一个较为清晰的链条。作为流入端核心贡献者的头部企业或研究机构将模型代码、预训练数据权重等核心内容开源，这一举措看似放弃了直接垄断收益，实则可通过此举确立行业事实标准，吸引全球顶尖人才，并树立技术领先与回馈社区的品牌形象，培育出庞大的、依赖于其技术生态的开发者社区与企业用户，为后续的云服务、企业级解决方案创造了海量市场需求。核心企业通过开源基座模型所构建的是一个以其技术为事实标准、以其内容传播规则为治理框架的受控数字生态。[45]而在流出端，开源许可证起到类似阀门的作用，向所有使用者授予了使用、复制、修改和分发的权利，这种流出附带着明确的条件，即无论是要求衍生作品开源的互惠性条款，还是禁止特定用途的使用限制条款，都力求确保利益流出在可控范围内并服务于核心贡献者的长期战略。在转换端，开发者、创业公司等接收到流出的版权内容利益后，可借助自定义模型、控制数据安全、降低成本等开启新一轮的价值创造，[46]他们利用开源基座模型进行垂直领域微调、开发上层应用或进行前沿研究，这些活动所产生的增值代码、专属模型及创新服务构成了其商业产品的核心，实现了版权利益从公共品到私有商业价值的转换。目前经国际认证的开源许可协议已超过110种，反映了产业界在开放共享与权利保留之间寻求平衡点的持续努力，[47]由此可见，从开源到商业化的版权利益流动，是一个始于核心资产开放，成于生态繁荣与价值共创，最终通过直接或间接路径实现超额回报的规则设计过程。
（二）多主体的版权利益转换链条
开源创新机制的本质在于打破传统创新体系的封闭性，通过技术要素的开放流动实现创新资源的动态重组。[48]上述所言的流动结构，依赖于由多主体构成的、共生共荣的版权利益链条来具体实现，该链条并非线性的价值传递，而是一个动态的、相互滋养的价值网络，每个主体都在其中扮演独特角色，并通过特定的行为模式实现自身利益的最大化。
开源软件强调共享理念包括思想共享、知识共享、源码共享等，[49]而这一理念的核心贡献者或主导企业是链条的发起者与生态构建者，他们投入巨额研发成本与计算资源，通过选择特定许可证将模型开源，其利益转换路径在于获取战略性的标准主导权与技术护城河，并将生态优势转化为商业利益，典型模式包括提供基于开源模型的、更稳定高效的托管云服务，利用开源基础模型锁定生态位从而占据价值链顶端，以及通过广泛使用收集反馈数据以优化下一代模型形成数据飞轮等。值得注意的是，开源生态已从软件层面向硬件基础设施延伸，例如初创公司 Ainekko 开源其高性能 RISC-V AI 芯片设计，旨在打破封闭硬件生态的限制，允许开发者在芯片级别进行创新，[50]这极大地丰富了多主体的内涵，使得硬件开发者、边缘计算厂商等得以加入此转换链条，共同推动人工智能算力成本的降低与效率的提升，生动体现了开源生态的共生与扩展性。
就多主体在链条中的版权利益而言，最活跃的繁荣者与创新者则是应用开发商与创业公司，他们投入包含版权保护的高质量领域知识、应用场景创意与垂直数据，合法使用开源模型进行微调、封装与集成，其利益转换在于能够近乎零成本地获得顶尖人工智能能力，实现快速启动与极大降低的创业门槛；同时，他们在开源模型基础上创作的新增代码、独特数据处理逻辑以及微调产生的模型增量，通常可以在遵守上游许可证的前提下主张自己的版权，从而构成其商业产品的核心技术资产与壁垒，进而通过 SaaS 订阅、API 服务或项目制开发实现直接经济回报。知识共享协议所践行的“保留部分权利”理念深刻影响了开源运动，它证明了在放弃部分专有版权权利的同时，仍能通过规则设计构建起可持续的创新激励体系。[51]终端用户与企业客户是版权链条价值的最终实现者与检验者，他们通过付费订阅或提供业务场景，获得以可承受成本使用前沿人工智能能力的机会以此提升生产效率与创新能力，并由于底层模型的开源性，避免了供应商锁定风险，便于进行安全与合规审查。
开源社区与个体研究者作为生态的贡献者与监督者，他们通过代码贡献、漏洞反馈、文档撰写与技术布道，实现开源过程中的精神回馈，其贡献通常以贡献者许可协议等方式并入主项目，贡献者许可协议在法律上确保了项目管理者能够有效整合多方贡献，是维系大型开源项目版权链条清晰与稳定的制度基石。而其利益则转换为个人声誉资本、技术能力的提升与学术影响力的扩大，这些无形资本能为其带来更好的职业发展与社会认可。在开源社区这类数字共同体中，声誉、互惠与群体认可等社会规范所形成的隐性激励，与许可证的法律约束共同构成了维持运转的系统，[52]实际上，这条多主体版权利益转换链条的本质是共生逻辑，核心贡献者提供了基础和场域，应用开发者在此进行研发与展开，终端用户进行产品消费并反馈，社区则负责宏观把控，任何一个环节的衰弱都会影响整体生态健康，而强大的生态则能确保每个主体都能从版权利益的持续流动与转换中获益。
（三）版权利益传导形成市场经营模式的作用逻辑
版权利益传导机制强有力地塑造出极具竞争力的市场经营模式，这正是其市场效力发生的核心关键，其作用逻辑主要体现在网络效应驱动、成本结构重置与风险分散以及分层竞争相互关联的层面。
版权权利的有限让渡能够触发强大的网络效应，为市场扩张提供有效动力。当核心模型开源后，任何用户都可以在许可证项下使用放弃版权的开源内容，极低的使用门槛迅速吸引海量用户与开发者，产生出用户侧的网络效应，形成一个正反馈循环，即用户越多，基于该模型的应用就越丰富，模型市场价值就会越高，以此进一步吸引更多用户。同时，开发者倾向于选择生态最繁荣的模型作为技术底座，以确保更低的开发风险与更丰富的人才资源，从而引发开发者侧网络效应。这种由权利让渡激发的网络效应，使得领先的开源模型能实现指数级市场渗透与用户粘性，其市场效力远超传统封闭软件。当版权权利不再仅作为排他手段，而是转变为构建生态与组织生产的核心规则时，其价值实现方式也随之从获得版权许可费本身，转移至生态运营所衍生的云服务、API 接口调用、企业订阅与数据反馈等增值环节。换言之，版权在此充当的是秩序杠杆，其功能是组织生产关系、约束竞争者行为，进而使核心企业在不依赖版权直接变现的情况下，仍能从整体生态的繁荣中获取超额收益。
在实现市场扩张的基础上，版权利益的传导进一步重构了产业的成本结构与风险分布。训练一个顶级大模型需要数亿乃至数十亿美元，核心企业通过开源将这一巨额沉没成本社会化。全球开发者在遵循许可证下免费使用其放弃版权的成果，而核心企业则通过云服务等方式将成本摊薄至海量的 API 调用中，实现了从高固定成本、低边际成本向固定成本社会化、边际成本盈利化的转变。同时，在技术快速迭代的不确定环境中，开源相当于发起了一场社会化的技术路线验证，全球开发者自发地为其模型寻找最佳应用场景，成功的用例自然涌现，而失败的风险则由整个生态共担，这极大地降低了核心企业自身的试错成本与方向性风险，使其市场策略更加敏捷，技术驱动能力更强。
可以看到，在前述基础上，清晰的权利规则引导市场走向高效的分层竞争，完成产业结构的优化升级。在许可证项下使用自愿声明放弃版权的模型时，开源体系自然地划分了基础模型、模型服务和模型应用的市场层级。在基座模型层，科技巨头竞争算力与算法原创性，经营模式则是技术领衔叠加生态平台；在模型服务层，厂商竞争性能、稳定性与成本，经营模式则是在 B2B / B2C 技术服务中选择符合发展的商业路线；在模型应用层，创业公司竞争垂直领域的专业知识与产品化能力，其经营模式则表现为 SaaS 部署与定制开发。这种分层竞争结构在版权权利清晰的图景下，使得参与者能专注于自身最具比较优势的环节，依托垂直行业的专业知识与数据优势，降低应用门槛，以此避免同质化混战，极大地提升整个市场的创新效率与专业化水平。以蚂蚁集团 OceanBase 开源的人工智能原生数据库 SeekDB 为例，它采用的 Apache2.0协议允许开发者仅用数行具有版权的代码即可快速构建人工智能应用，[53]这类基础设施的开源直接响应了由模型开源所催生的海量开发需求，通过提供高效、易用的工具，进一步摊薄了全行业的创新成本，是成本结构社会化在工具链层面的延续和深化。
因此，人工智能模型的开源包含以版权权利为杠杆、以独特设计许可证限制条款等方式，构建了一套从开源到商业化的精密版权利益流动结构，通过一个多主体共生共荣的转换链条，并最终借助网络效应、成本重置与分层竞争三大作用逻辑，催生出了极具活力和竞争力的新型市场经营模式。理解这一版权利益转换体系与市场效力发生机制的内在逻辑，不仅对于企业在人工智能时代制定有效的技术商业化战略至关重要，对于政策制定者合理治理技术发展、引导创新方向依然具有重要意义。
四、人工智能模型开源中的版权利益协调与平台协同治理机制设计
前文的分析试图表明核心企业通过有限的权利让渡激发生态繁荣，再借助网络效应、成本重构与分层竞争将开源红利转化为商业优势。然而，这一体系在创造市场活力的同时，贡献数据与代码的开发者和社区可能难以从中获得相称回报，传统许可证的义务传导在平台流转中大幅衰减，多主体之间的权利冲突也缺乏可操作的协调机制。沿袭自传统软件时代的版权治理思路已难以应对这些新问题。为此，根据行动者网络理论，尝试从源头规则设计出发，构建与版权权利分配相适应的收益反哺机制，优化许可证与开源平台形成的版权价值链，并进而建立企业、社区、贡献者多主体参与的开放版权协同治理结构。
（一）构建版权权利分配与利益转换相适应的收益反哺机制
如前所述，人工智能技术的突破性进展已从单纯依赖算法优化转向了对数据规模与质量的深度依赖，开发者往往需要借助全量数据而非传统的样本数据来训练模型，数据质量与训练效果之间呈现显著的正相关关系。[54]然而，并非所有数据都能对模型功能的研发产生实质增益，[55]这一特性使得优质数据的筛选与获取在模型构建中占据核心地位。当前，大量优质数据都包含在具有版权保护的作品中，可人工智能模型开源实践中的版权制度适配性不足尤为突出，现有的开源项目往往局限于代码、文档及模型权重的共享，对训练数据的版权权益分配关注不足，同时，很多开源社群仍然缺乏有效的版权激励机制和权益分配方案，导致版权利益分配失衡，使得开发者对开源活动持保守态度。
在此背景下，尝试构建与版权权利分配相适应的收益反哺机制是维系开发者与数据提供者持续参与的制度保障。从礼物经济的视角出发，开源人工智能生态中的具有版权的代码和数据贡献行为并非一种单向的馈赠，而是一种基于双向互动与动态发展的“礼物”交换体系。[56]有效的收益反哺机制正是这一交换体系中不可或缺的环节，它确立了权利让渡后的价值反馈路径，在尊重开发者创新成果的同时，也通过利益反馈提升了贡献行为的可持续性，为开源生态的长期发展提供了动力。另外，开源模式的核心优势在于能够降低开发者获取已有开发成果的交易成本，从而节约时间资源以专注于创造更高质量的智力成果，[57]明确的利益反哺机制能够使贡献者合理预期收益，减少因分配不公导致的议价成本与纠纷风险，从而保障开源协作的低成本优势。此外，考虑到腾讯、Microsoft、Meta 等数字产业巨头从发展战略层就已经将开源作为人工智能较为重要的生产组织模式，[58]适应性的版权利益反哺机制也有利于保障开源生态的公平性。
具体而言，人工智能模型开源中的版权收益反哺机制应当兼顾开发贡献者、数据提供者乃至一般社区用户的权益。特别是开发贡献者作为模型技术创新的核心主体，其对贡献的代码、权重等创新成果的合法权益应当得到保障和维护。一方面，初始模型架构和代码的创建者作为开源项目的核心开发方，其贡献的代码作为作品进行保护时，版权由初始的开发者享有，这一赋权逻辑既符合合作作品认定的法律规范，[59]也有利于降低协商成本，明确开源模型的开放形式。另一方面，如果根据许可证要求，后续代码的贡献者无法直接主张对开源项目享有版权，但也应建立保障贡献者的署名和声誉机制，并在特殊情形下给予其直接的经济回馈。[60]同时，数据作为人工智能模型训练的核心生产要素，其提供者也应得到合理的权益保障，建立有效的利益反哺回路以阻断“末日循环”（Doom Loop）。[61]为解决这一问题，部分企业主导建立了贡献者基金模式，即模型开发者根据作品在训练数据集中的占比自愿向权利人分配版权的盈利收入。这一模式的典型代表是 Adobe 在其生成式模型 Firefly 采用的结构化奖金计划，Adobe 会基于用户向免费集合（Free Collection）提供作品的数量和许可期限，向用户发放可在平台中使用的积分。[62] Shutterstock 则针对 DALL-E 2、EXAONE 等生成模型设立专项基金，[63]既对历史训练数据使用通过版权使用费的方式进行一次性补偿，又通过人工智能生成工具的未来许可收入实现持续回馈。
（二）建立开源人工智能模型许可证与开源平台间的版权价值链优化体系
传统的价值链概念由迈克尔·波特于《竞争优势》一书中提出，描述企业通过设计、生产、营销、交货及辅助活动创造竞争优势的相互关联的系列活动。[64]而随着数字经济崛起与生成式人工智能技术的爆发，传统产业的线性价值链逐渐向复杂化、动态化的趋势演进，其内涵也在学术与产业实践中不断拓展。“人工智能价值链”（AI Value Chain）这一概念首次出现在欧盟的《人工智能法》的序言和正文中，[65]但其含义在法案提出时并不明确。欧洲政策研究中心则将人工智能价值链定义为“开发特定人工智能系统并将其投入使用的结构与过程”，[66]侧重于关注其全流程的组织协同过程。
应用到版权价值领域，与传统的软件版权价值链相比，开源人工智能模型的版权价值链呈现不同的驱动逻辑和治理复杂度。一方面，传统软件代码完全由程序员进行设定，相关的运行逻辑在代码完成时基本已经确定，版权客体的边界相对比较清晰。人工智能模型则由算法与数据双轮驱动，且数据要素的地位愈发凸显，模型通过持续的数据训练与机器学习实现自我迭代，这就导致创作主体与使用主体的界限模糊，其版权价值的生成存在不确定性。[67]另一方面，传统软件代码通常具有可解释性，其逻辑架构透明可控，侵权责任的溯源相对容易。生成式人工智能基于神经网络的深度学习机制导致了技术上的不可解释性，即便是开发者也难以完全洞悉其决策逻辑，这种不透明性加剧了版权治理的难度。[68]更关键的是，人工智能价值链具有极强的风险穿透性，开源的人工智能基础模型位于价值链上游，若其训练数据存在版权风险，则会将其缺陷传导至下游环节，[69]导致人工智能服务中的生成内容存在侵权风险。上述特点使得传统版权价值链的授权和责任分担机制难以发挥效用，因而有必要优化开源人工智能版权价值链的治理体系。
在开源人工智能版权价值链的优化过程中，应基于开源人工智能生产模式的基本特点，以开源许可证和开源平台作为核心的治理抓手。在人工智能等新科技领域，开源许可证已经超越了单纯的合同属性，而逐渐演变为约束开源开发者行为、塑造开源社群规范的重要工具。面对人工智能价值链中所涉及主体和商业模式的复杂性，传统以“宽松—严格”的许可证二元划分体系已经难以应对实践的需要，[70]人工智能模型的许可证则更强调利益获取与贡献义务的场景匹配。为解决商业化与开源精神的平衡问题，许可证应设计灵活的版权双重许可机制，如借鉴 Llama 社区协议中的规模限制条款，对学术研究保持免费开放，而对超过特定用户规模的商业主体或特定微调行为实施收费授权。[71]这种差异化的版权许可架构，使得版权价值链能够精准识别不同层级的价值提取行为，为后续的利益反哺提供契约依据。此外，还应推广以责任型人工智能许可证（RAIL）为代表的新型框架，[72]在保持开放获取的基础上引入“行为限制”条款，将伦理约束与用途限制植入版权授权的底层逻辑，并通过设定类似 Copyleft 的下游传递性义务，强制要求衍生模型的再分发必须继承相同的约束条款，从而利用许可证的法律效力阻断深度伪造等风险在价值链上的传导。
与此同时，在人工智能版权价值链中，开源平台既是模型分发的核心枢纽，也是版权利益协调的治理节点，其在优化开源人工智能版权价值链的过程中也发挥着愈加重要的作用。传统的开源许可证由于缺乏技术手段的支撑，往往只能依赖法律诉讼进行事后的救济。[73]而对于如 Huggingface 等开源模型托管平台而言，其既能够建立模型的控制机制，强制用户在下载模型权重前通过数字签名同意特定的许可条款，又能将企业的内部合规流程与平台分发系统对接，实现访问权限的自动化管理，[74]还能够在分发与应用环节引入动态合规技术，根据不同司法辖区的法律要求自动调整模型的访问权限。[75]通过技术和规则的联动，许可证提供了版权价值分配的规范依据，平台则提供了版权价值流转的技术通道，二者共同构建起一个透明、可信且利益闭环的开源人工智能版权价值链生态。
（三）“企业—社区—贡献者”多主体参与的开放版权协同治理结构
前文所构建的收益反哺机制与版权价值链优化体系，分别回应了谁应当获得回报与规则如何在技术通道中有效传导这两个问题。但制度设计的可持续性，最终取决于制度的执行主体是否具备持续参与的意愿与能力。为此，可以尝试构建企业—社区—贡献者多方协同的开放版权治理结构，这一结构的核心设计逻辑在于，企业承担规则发起与合规披露的主体义务，社区承担规则审查与公共资源建设的制衡功能，贡献者享有可量化、可主张的版权权益保障，三者通过开源许可证条款、贡献者协议与平台治理规则形成制度化的权利义务交互网络。当三者利益一致时，网络形成正向激励循环，但当利益冲突时，社区的制衡机制与贡献者的权益退出机制共同作为成本，防止企业单方面主导造成生态失衡。
具体路径上，在开源人工智能的行动者网络中，掌握资本、算力与数据的科技企业扮演了主要行动者的角色，它们启动了开源人工智能网络的构建过程，以开放模型代码、训练权重为核心激励，通过技术普惠的叙事策略招募开发者、平台服务商等多元行动者，其目的是将更多开发者的技术路线与企业的生态路径相绑定，进而从标准或者其他商业服务中牟取利益。此外，科技企业往往还会保留训练数据这一核心资产的封闭状态，[76]这使得开源社区虽然获得了模型使用权，但在根本上仍然依赖于企业持续发布新版本的模型。在这种情况下，企业应当避免以开源为由拒绝承担其应当承担的版权合规义务，包括主动披露训练数据的合规情况，并在模型部署前开展系统性的合规能力评估，避免模型生成违反开源协议或其他侵害知识产权的内容。
相对而言，开源社区是制衡企业权利、维系开放创新网络动态平衡的关键行动者。但社区制衡功能的发挥，前提是社区在协同治理结构中具有实质性的话语权。对此，在项目开发过程中，开源社区可以发挥规则制定的功能，确立符合技术发展和社会公益的社群规则，确保技术开发不脱离社会责任。如在开发 BLOOM 的 BigScience 开源项目中，由60个国家1000余名研究者组成的开放研究联合体共同确立了治理准则，指导 RAIL 许可证等法律工具的起草，将控制权从企业转移至社区中介机构，确保技术发展的同时遵循社会责任。[77]此外，开源社区也可以通过发布倡议等方式，构建完全开放的公共数据集，从而减少开发者对灰色地带具有版权保护的数据的依赖。如目前最大的用于语言模型预训练的开放数据集 Common Corpus 就是由开源组织 Pleias 发起，[78]该数据集中的政府文件、开放科学文献等无版权争议内容成为开放科学的重要基础设施。
广大代码和数据的贡献者在价值链中既是开源模型的受益方，也是技术公地的价值共创者，其在版权价值链中所做出的贡献应当得到尊重。[79]对代码的贡献者而言，传统的贡献者许可协议通常要求贡献者将其代码的权利永久性地许可给项目维护者使用，甚至允许企业在未来将这些代码用于闭源商业产品或更改许可证，这显然难以保护其合法权益。为此，可进一步推广 Linux 基金会倡导的开发者来源证书，这可以保留贡献者对代码的版权，仅授予项目非独占的使用权，从而为贡献者获取版权价值提供规则上的依据。[80]而对于更一般的数据贡献则应由国家层面牵头构建统一的数据标准与评估体系，通过公共数据信托等形式让贡献者在数据流转中获得实质性的权益保障，使其从被动的被采集者转变为主动的生态共建者。此外，贡献者在协同治理结构中的参与还应延伸至规则的共同制定层面。具体而言，可探索设立开源贡献者代表机制，允许达到一定贡献量级的开发者和数据提供者以代表身份参与许可证修订讨论，将贡献者的实践反馈纳入规则迭代的制度通道。这一机制的实质是将礼物经济中的互惠预期转化为有明确程序保障的制度性参与权，使贡献者从生态的隐性支撑者升级为治理结构中的显性共建者。
综合以上三方的制度安排，企业—社区—贡献者协同治理结构的运行逻辑可以概括为：企业以合规披露换取生态信任，社区以规则审查换取制衡地位，贡献者以权益保障换取持续参与。这一结构在于通过差异化的权利义务安排，将各方的利益理性计算引导向生态整体繁荣的方向。
五、结语
人工智能模型开源的演进历程本质上是一场从技术代码的开放走向数据管道与算法权力重构的制度实验。[81]在这场演进中，版权权利分配已不再局限于法律层面的确权与维权，而演变为一种精密的市场准入机制与生态竞争手段。正如诺斯所言“制度是社会博弈的规则”。[82] Llama、RAIL 等新类型许可证的涌现，标志着开源治理已从单纯的反叛版权理想主义，转向了更为务实且复杂的“版权许可—平台规则”双重控制结构。这种结构在表面上维持了技术知识的公共性，在深层却通过精细的利益转换机制，将开源生态的创新红利由公地经由特定的渠道回流至核心企业的市场利益私域。
因此，人工智能开源治理的未来图景不能止步于对现有许可证条款的解释学分析，更应透视其背后的产业竞争逻辑。通过知识产权设定的有关规则，已经不再局限于知识产权规范之中，[83]需要重新分析技术巨头通过行动者网络中的强制通行点地位，将非竞争性的开源理念异化甚至导致垄断的商业壁垒，同时也应承认这种基于利益转换的市场化机制在客观上加速了技术迭代与成本的社会化分摊，未来的治理重心应致力于在封闭的超额利润与开放的协同创新之间寻找新的均衡点。
从长远来看，构建涵盖企业、社区与贡献者的协同治理结构，不仅是解决版权合规风险的权宜之计，更是持续保护人工智能产业可持续发展的良性选择。中国在参与全球人工智能开源生态建设中，应当跳出单纯的跟随者角色，依托本土超大规模市场优势，探索建立自主可控、利益共享、风险共担的新型开源许可证与收益分配规则，这不仅关乎技术演进的速度，更是关乎在智能时代能否掌握数字生产关系定义权的关键命题。
【作者简介】
辜凌云，北京大学智能学院助理研究员。
【注释】
[1] 参见[美]理查德·斯托曼：《 Copyleft：实用的理想主义》，载 GNU 官网， https://www.gnu.org/philosophy/pragmatic.zh-cn.html，2025年12月13日访问。
[2] 本文使用的“人工智能模型开源”概念不同于“人工智能开源”。“人工智能开源”通常作为宽泛统称，指将开源软件的理念与机制引入人工智能领域的总体实践。本文使用的“人工智能模型开源”则是特指以人工智能模型为基本单元的开放形态，其开放客体由传统软件源代码扩展至模型代码架构、训练数据、应用工具包与模型参数权重等多元内容，各要素版权属性不一，并由传统开源许可证与 Llama、RAIL 等新类型许可证共同治理，本文以此作为版权权利分配与利益转换分析的逻辑起点。
[3] See Josh Lerner & Jean Tirole, Some Simple Economics of Open Source, 50 The Journal of Industrial Economics 197, 221–224 (2002).
[4] 参见辜凌云：《以许可证为核心的开源社区治理逻辑》，载《知识产权》2024年第6期，第57页。
[5] 第一类是沿用标准宽松开源许可证，此类许可证允许自由商用且限制较少。典型代表如 Mistral7B 及较新的 Qwen3系列，均明确采用 Apache License 2.0许可证。第二类是自行设计的新型限制性许可证，此类许可证通常引入特定的使用限制或伦理条款，不再属于传统的 OSI 定义的开源范畴，典型代表包括 Meta 针对 Llama 系列发布的 Llama Community License Agreement，以及由 BigScience 主导、旨在防止滥用的 RAIL/OpenRAIL 系列许可证。第三类是在传统许可证基础上大幅修改而成的定制协议，此类协议往往保留了传统许可证的部分结构，但通过附加条款施加了严格的商业或技术限制。例如，TII 发布的 Falcon LLM License Version 1.0在引言中明示“部分基于 Apache License 2.0并作修改”，并附加了针对高收入实体的特许使用费条款；早期版本的《通义千问许可协议》亦采用了类似 Apache 2.0的章节框架，但增设了“月活用户超1亿须另行授权”及“禁止使用输出改进其他大语言模型”等排他性限制。分别参见《Apache License, Version 2.0》， https://www.apache.org/licenses/LICENSE-2.0; 《Meta Llama 3. 3 Community License Agreement》， https://www.llama.com/llama3_3/license; 《BigScience BLOOM RAIL License v 1.0》， https://huggingface.co/spaces/bigscience/license; 《TII Falcon LLM License Version 1.0》， https://huggingface.co/QuixiAI/samantha-falcon-7b/resolve/main/LICENSE.txt; 《Tongyi Qianwen License Agreement》， https://github.com/QwenLM/Qwen/blob/main/Tongyi%20Qianwen%20LICENSE%20AGREEMENT,2026 年2 月17 日访问。
[6] 参见焦和平、唐文菁：《生成式人工智能数据蒸馏的著作权风险及其化解》，载《宁夏社会科学》2025年第6期，第108页。
[7] 参见陶乾：《基础模型训练的著作权问题：理论澄清与规则适用》，载《政法论坛》2024年第5期，第9页；刘晓春：《生成式人工智能数据训练中的“非作品性使用”及其合法性证成》，载《法学论坛》2024年第3期，第67页；袁帅：《数字化背景下作品非表达性使用的著作权法应对》，载《知识产权》2024年第9期，第110页。
[8] 参见曹权之：《“免费开源”生成式人工智能训练数据的著作权保护》，载《中国人民大学学报》2025年第6期，第88页。
[9] 参见张吉豫、田雨阳：《生成式人工智能应用中开源模型提供者的侵权责任界定》，载《数字法治》2025年第5期，第128页。
[10] 参见冀瑜、张辛鑫：《论开源程序侵害网络游戏版权的法律适用——以我国网络游戏脱机模拟器现状为视角》，载《科技与法律（中英文）》2025年第1期，第79页。
[11] 参见谭俊、程莹、刘志鹏：《全球大模型开源战略的动因、影响与应对策略探析》，载《大数据》2025年第6期，第28页。
[12] See The Open Source Definition, Open Source Initiative, https://opensource.org/osd，2025年11月12日访问。
[13] See Nuno Sousa e Silva, Are AI Models' Weights Protected Databases?, Kluwer Copyright Blog (Jan. 18, 2024), https://legalblogs.wolterskluwer.com/copyright-blog/are-ai-models-weights-protected-databases/, 2025年11月18日访问。
[14] 参见辜凌云：《人工智能模型开源权重开放与接口开放的差异化规范治理路径》，载《电子知识产权》2026年第1期，第31页。
[15] Llama 3模型社区许可协议中规定，本协议的期限自您接受本协议或访问 Llama 材料时开始生效，直至根据本条款终止。如果您违反了本协议的任何条款或条件，Meta 可能会终止本协议。本协议终止后，您应删除并停止使用 Lla ma 资料。其中第3、4和7条将在本协议终止后继续有效。See META LLAMA 3 COMMUNITY LICENSE AGREEMENT, https://github.com/meta-llama/llama3/blob/main/LICENSE，2025年11月18日访问。
[16] See Robert Gomulkiewicz, How Copyleft Uses License Rights to Succeed in the Open Source Software Revolution and the Implications for Article 2B, 36 Houston Law Review 179, 186 (1999).
[17] 参见北京知识产权法院课题组：《人工智能模型结构和参数的司法保护路径选择以“变身漫画特效”不正当竞争纠纷案为中心》，载《法律适用》2026年第3期，第55页；宋建宝：《人工智能模型结构与参数的知识产权保护》，载《人民法院报》2025年10月23日，第07版；高富平：《数据空间制度论——欧盟方案的本土化改造》，载《甘肃政法大学学报》2025年第4期，第1-2页。
[18] 目前围绕人工智能模型权重及相关参数的可版权性存在疑问，理论层面进而出现以商业秘密保护说、独立财产保护说、以及数据库保护说等观点。其中商业秘密保护说，参见同上注，北京知识产权法院课题组文，第55页。独立财产权保护说，参见廖慧姣：《论作为独立财产保护的人工智能模型参数以“ AI 模型保护第一案”为切入点》，载《财经法学》2026年第2期，第36页。数据库保护说，参见同前注[13]，Nuno Sousa e Silva 文，2025年11月18日访问。
[19] 如 Llama 3模型在其社区许可协议中，明确授予使用者条款“使用、复制、分发、复制、创作衍生作品并对 Llama 材料进行修改”的有限版权许可。参见同前注[15]， META LLAMA 3 COMMUNITY LICENSE AGREEMENT。
[20] 参见林秀芹：《 DeepSeek 模型蒸馏的著作权法正当性重勘》，载《知识产权》2025年第4期，第91页。
[21] See Meta Llama Community License Agreement § 1 (a) “Grant of Rights” (2024), https://www.llama.com/llama3/license/, 2025 年 11 月 18 日访问。
[22] Llama 3许可证在第1.b.v 节直接划定了竞争红线，明确禁止利用其材料或输出改进其他大语言模型，而到了 Llama 3.1，除了在1.b.iv 节继续维持这一硬性禁令外，还在1.b.i 节强制要求任何利用其输出微调或蒸馏出的开源模型，在公开发布时必须在名字开头加上 Llama。与此同时，OpenRAIL 系列许可证（如 CreativeML Open RAIL-M）则进一步在 Derivatives of the Model 定义中，将模型输出、知识蒸馏及合成数据生成涵盖在内，并强制要求使用限制条款必须向下游衍生模型传播。这些条款充分表明，人工智能模型许可证已超越传统版权许可范畴，将规则主动延伸至输出利用、知识转移及后续商业化发布等环节。
[23] See Bruno Latour, Reassembling the Social: An Introduction to Actor-Network-Theory, Oxford University Press, 2005, p.63–86; Madeleine Akrich, The De-Scription of Technical Objects, in Wiebe E. Bijker & John Law eds., Shaping Technology/Building Society: Studies in Sociotechnical Change, MIT Press, 1992, p.205–224.
[24] See Luitse, Dieuwertje, Platform Power in AI: The Evolution of Cloud Infrastructures in the Political Economy of Artificial Intelligence, Internet Policy Review 13, no.2 (2024), https://doi.org/10.14763/2024.2.1768, 2025年12月1日访问。
[25] See Tech Decompress, Hugging Face in Machine Learning: Revolutionising AI Development in 2024, https://www.techdecompress.com/hugging-face-in-machine-learning-revolutionising-ai-development-in-2024/, 2025年12月1日访问。
[26] See Acquired. fm, Building the Open Source AI Revolution (with Hugging Face CEO, Clem Delangue), 2025, https://www.acquired.fm/episodes/building-the-open-source-ai-revolution-with-hugging-face-ceo-clem-delangue, 2025年12月1日访问。
[27] See Robert Gorwa & Michael Veale, Moderating Model Marketplaces: Platform Governance Puzzles for AI Intermediaries, 16 Law, Innovation and Technology 341, 341 (2024).
[28] See Michel Callon, Some Elements of a Sociology of Translation: Domestication of the Scallops and the Fishermen of St Brieuc Bay, in Power, Action and Belief: A New Sociology of Knowledge?, ed. John Law (London: Routledge & Kegan Paul, 1986), p.196–233.
[29] See Jewitt, James, Hao Li, Bram Adams, Gopi Krishnan Rajbahadur & Ahmed E. Hassan, From Hugging Face to GitHub: Tracing License Drift in the Open-Source AI Ecosystem, arXiv preprint: 2509.09873 (2025), https://arxiv.org/abs/2509.09873, 2025 年 12 月 1 日访问。
[30] See Nederlands Uitgeversverbond and Groep Algemene Uitgevers v. Tom Kabinet Internet BV, Tom Kabinet Holding BV and Tom Kabinet Uitgeverij BV, Case C-263/18, ECLI:EU:C:2019:1111; 王迁：《论网络环境中的“首次销售原则”》，载《法学杂志》2006年第3期，第117页。
[31] See Chatham House, Artificial Intelligence and the Challenge for Global Governance: 05 Open Source and the Democratization of AI (Jun. 2024), https://www.chathamhouse.org/2024/06/artificial-intelligence-and-challenge-global-governance/05-open-source-and-democratization, 2025年12月12日访问。
[32] Thomson Reuters Enterprise Centre GmbH v. Ross Intelligence Inc., No. 1:20-cv-613 (D. Del. Feb. 11, 2025).
[33] Bartz v. Anthropic PBC, No. 24-cv-05417 (N. D. Cal. June 23, 2025); Kadrey v. Meta Platforms, Inc., No. 23-cv-03417 (N. D. Cal. June 25, 2025).
[34] Andy Warhol Foundation for the Visual Arts, Inc. v. Goldsmith, 598 U.S. 508 (2023).
[35] See U. S. Copyright Office, Copyright and Artificial Intelligence (2025), https://www.copyright.gov/ai/, 2025年12月12日访问。
[36] See Cooley LLP, Copyright Ownership of Generative AI Outputs Varies around the World, Cooley (Jan. 29, 2024), https://www.cooley.com/news/insight/2024/2024-01-29-copyright-ownership-of-generative-ai-outputs-varies-around-the-world, 2025年12月12日访问。
[37] 但完全将责任下移给资源匮乏的下游主体可能导致不公和无效，上游仍承担更多基础风险评估责任。See Ada Lovelace Institute, Allocating Accountability in AI Supply Chains (2023), https://www.adalovelaceinstitute.org/resource/ai-supply-chains/, 2025年12月1日访问。
[38] See Francesco Contini, Elena Alina Ontanu & Marco Velicogna, AI Accountability in Judicial Proceedings: An Actor-Network Approach, Laws, 13 (6), 71 (2024), https://doi.org/10.3390/laws13060071, 2025 年 11 月 1 日访问。
[39] See Sara Guaglione, A Timeline of the Major Deals Between Publishers and AI Tech Companies in 2025, Digiday (January 1, 2026), https://digiday.com/media/a-timeline-of-the-major-deals-between-publishers-and-ai-tech-companies-in-2025/, 2026年2月1日访问。
[40] See Frank Pasquale & Haochen Sun, Consent and Compensation: Resolving Generative AI’s Copyright Crisis, 110 Virginia Law Review Online 207, 207–217 (2024).
[41] See Jo?o Pedro Quintais, The TDM Opt-Out in the EU - Five Problems, One Solution, Kluwer Copyright Blog (Apr. 22, 2025), https://legalblogs.wolterskluwer.com/copyright-blog/the-tdm-opt-out-in-the-eu-five-problems-one-solution/, 2026年2月1日访问。
[42] 参见张平：《开放创新的知识产权应用机制》，载《知识产权》2024年第6期，第4页。
[43] 参见吴汉东、高婧：《试论开放式创新视角下开源软件的版权治理》，载《浙江大学学报（人文社会科学版）》2025年第7期，第5页。
[44] 参见叶英杰、李川：《从闭源到开源：技术跃迁下大模型风险演化与治理范式转型》，载《科技进步与对策》2026年第7期，第3页。
[45] See NASSCOM, Advancing Open Source AI in India: Recommendations for Govt and Tech Developers (2025), p.45-46.
[46] 参见杨光：《开源大模型 Llama 会失去技术优势吗？》，载《中国信息化周报》2024年8月5日。
[47] 参见张韬略：《使用开源代码训练大模型的著作权法评价——以全球首例机器学习诉讼为研究样本》，载《知识产权》2025年第3期，第56页。
[48] 参见朱其罡、张国锋、竺彩华等：《开源的中国机会》，载《中国科学院院刊》2025年第3期，第443页。
[49] 参见朱庆、李慧腾：《论开源社区合规与知识产权保护》，载《电子知识产权》2022年第8期，第18页。
[50] 参见芯智讯：《 RISC-V 人工智能芯片公司 Esperanto 破产》，载知乎官网2025年11月21日， https://zhuanlan.zhihu.com/p/1975123644809249634，2025年12月11日访问。
[51] 参见王玉卿：《从“保留所有权利”到“保留部分权利”——解析“知识共享组织”及“ CC”协议》，载《图书情报工作》2006年第10期，第121页。
[52] 参见戴昕：《重新发现社会规范：中国网络法的经济社会学视角》，载《学术月刊》2019年第2期，第110-118页。
[53] 参见《OceanBase 发布首款 AI 数据库 seekdb，探索数据库 AI 范式的跃迁》，载新华网2025年11月18日，https://www.news.cn/tech/20251118/7660a1d17b3e4f1c9a021862422ae222/c.html，2025年12月21日访问。
[54] See Laith Alzubaidi, et al., A Survey on Deep Learning Tools Dealing with Data Scarcity: Definitions, Challenges, Solutions, Tips, and Applications, Journal of Big Data 10:46 (2023).
[55] See Hammoudeh, Zayd, and Daniel Lowd, Training Data Influence Analysis and Estimation: A Survey, 113 Machine Learning 2351, 2351–2356 (2024).
[56] See David Zeitlyn, Gift Economies in the Development of Open Source Software: Anthropological Reflections, 32 Research Policy 1287, 1287–1289 (2003); [法] 马塞尔·莫斯：《礼物—古式社会中交换的形式与理由》，汲喆译，上海人民出版社 2005 年版，第 5 页、第 22 页、第 40 页、第 81 页。
[57] 参见王哲、薛澜：《大模型开源创新公地：历史演进、价值逻辑与中国叙事》，载《探索与争鸣》2025年第7期，第131-132页。
[58] 参见刘烨：《数据利他主义助力开源人工智能发展的内在逻辑与实践路径》，载《科技管理研究》2025年第10期，第239页。
[59] 参见高婧：《开源软件的著作权法规制路径探析》，载《中国出版》2023年第14期，第69-70页。
[60] 例如，在开源项目遭遇侵权时，权利人获得的损害赔偿金可以作为社区共同利益进行合理分配。参见同前注[43]，吴汉东、高婧文，第8页。
[61]“末日循环”（Doom Loop）指随着人们倾向于使用 AI 而非传统的在线知识库，能够用于 AI 训练的公共数据的数量将不断下降，进而阻碍 AI 技术的发展，See Joshua S. Gans, Will User-Contributed AI Training Data Eat its Own Tail?, Economics Letters, Vol.242: 111868 (2024).
[62] See Adobe, Firefly FAQ for Adobe Stock Contributors, https://helpx.adobe.com/cn/stock/contributor/help/firefly-faq-for-adobe-stock-contributors.html, 2025年11月15日访问。
[63] See Shutterstock Data Licensing and the Contributor Fund, https://submit.shutterstock.com/help/en/articles/10594694-shutterstock-data-licensing-and-the-contributor-fund, 2025 年 11 月 15 日访问。
[64] 参见[美]迈克尔·波特：《竞争优势》，陈小悦译，华夏出版社2005年版，第1-12页。
[65] See EU AI Act Recital 20 and Article 25.
[66] Alex C. Engler & Andrea Renda, Reconciling the AI Value Chain with the EU’s Artificial Intelligence Act, CEPS, 2022, p.2.
[67] 参见李润生：《人工智能价值链的法律型塑》，载《东方法学》2025年第2期，第65页。
[68] 参见张宪：《人工智能生成内容可版权性的认定方法研究》，载《法学评论》2025年第4期，第147-148页。
[69] 参见曹钺、陈彦蓉：《开源大模型全生命周期的数据跨境风险治理：基于数据血缘分析》，载《情报理论与实践》（2026-5-17）网络首发，第3页。
[70] 参见温馨、梅亮、陈凯华等：《开源创新：理论内涵、知识框架与未来展望》，载《科学学研究》2025年第11期，第2306页。
[71] 许可证宜设计灵活的版权分层许可机制，即对不同使用场景设置差异化权利义务。例如《Llama 3.1 Community License Agreement》第2条“Additional Commercial Terms”明确规定：“If, on the Llama 3.1 version release date, the monthly active users of the products or services made available by or for Licensee, or Licensee’s affiliates, is greater than 700 million monthly active users in the preceding calendar month, you must request a license from Meta, which Meta may grant to you in its sole discretion, and you are not authorized to exercise any of the rights under this Agreement unless or until Meta otherwise expressly grants you such rights”, https://www.llama.com/llama3_1/license/,2025年11月16日访问。
[72] See Responsible AI licenses, https://www.licenses.ai/ai-licenses, 2025 年 11 月 16 日访问。
[73] 参见祝建军：《开源软件的著作权保护问题研究》，载《知识产权》2023年第3期，第38-39页。
[74] See Hugging Face, content Policy, https://huggingface.co/content-policy, 2025 年 11 月 16 日访问。
[75] See Hugging Face, Gated Models, https://huggingface.co/docs/hub/models-gated, 2025 年 11 月 16 日访问。
[76] See Parth Nobel, Alan Z. Rozenshtein & Chinmayi Sharma, Open-Access AI: Lessons from Open-Source Software, Lawfare (Oct. 25, 2024), https://www.lawfaremedia.org/article/open-access-ai--lessons-from-open-source-software, 2025年11月16日访问。
[77] See Big Science Workshop et. al., BLOOM: A 176B-Parameter Open-Access Multilingual Language Model, arxiv preprint: 2211.05100 (2022), https://doi.org/10.48550/arXiv.2211.05100, 2025 年 11 月 16 日访问。
[78] See Pierre-Carl Langlais et al., Common Corpus: The Largest Collection of Ethical Data for LLM Pre-Training, arxiv preprint: 2506.01732 (2025), https://doi.org/10.48550/arXiv.2506.01732, 2025 年 11 月 16 日访问。
[79] 参见贾开：《经济民主与开源人工智能》，载《开放时代》2025年第5期，第220页。
[80] See Ben Cotton, CLA vs. DCO: What's the Difference?, opensource.com (Mar. 13, 2018), https://opensource.com/article/18/3/cla-vs-dco-whats-difference,2025年11月16日访问。
[81] See D. G. Widder, S. M. West & M. Whittaker, Open (For Business): Big Tech, Concentrated Power, and the Political Economy of Open AI, SSRN Electronic Journal, https://doi.org/10.2139/ssrn.4543807, 2023, p.9-19.
[82] 参见[美]道格拉斯·C.诺斯：《制度、制度变迁与经济绩效》，刘守英译，上海三联书店1994年版，第3页。
[83] 参见张平：《人工智能模型开源的知识产权规则及法律风险》，载《电子知识产权》2026年第1期，第15页。
