生成式人工智能对著作人身权的结构性冲击与规范困境

 

一、问题的提出

  保护作者与其作品之间的联系，一直是世界各国著作权法特别是作者权体系国家的立法关注的问题。著作人格权的存在无疑是这种联系最强烈的法律体现[1]。我国《著作权法》第十条规定的人身权包括发表权、署名权、修改权与保护作品完整权四项，其中除发表权外，其余三项的保护期不受限制，归作者永远享有，不能转让、不能继承。这一制度安排预设了一个稳定的作者与作品对应关系，即作品是作者人格的延伸，作者对作品的控制是其人格自主的表达。然而，生成式人工智能的兴起从根本上动摇了这一预设。以“作品体现人格”为前提假定的著作人格权与创作机制及市场规则存在冲突[2]，数字化生产使创作越来越受到市场需求、平台机制和受众反馈的影响，其改变的不只是作品的传播方式，更改变了作品被利用和重新生成的基本机制。作品与作者人格之间的联系趋于复杂。

  具体而言，在输入端，人工智能训练将作品作为数据而非表达加以利用，作品的署名信息在预处理中被剥离，作者身份在模型参数中消解。作者实际上不可能确定其作品是否在训练中被使用、以何种方式被使用，或对模型输出产生了何种影响[3]。在输出端，由此生成的作品可能类似、呼应、转述或重组训练数据中的作品元素，而无需传统版权意义上的直接复制，但却可能直接损害作者的身份利益和表达完整性。例如，模型对作品进行失真概括，即使未复制具体文字，也可能改变公众对作者原意的理解。因此，生成式人工智能所引发的著作人身权问题并不能完全被复制权、改编权等经济权利规则吸收[4]。对此，去人格化使用与去作者化产出的双重过程，使著作人身权的保护逻辑面临结构性挑战。这种挑战并非简单的侵权形态变化，而是涉及著作人身权规范基础本身的重新审视。当作品在训练中被转化为统计模式、在生成中被重组为新的表达时，作者与作品之间的人格联系究竟应当如何界定，成为亟待回答的理论问题。

  司法实践中，诸如德国慕尼黑法院“GEMA诉OpenAI案”对记忆化构成复制的认定、美国“Bartz v. Anthropic案”对合理使用边界的划定，以及中国法院在“奥特曼案”、“春风送来了温柔案”中形成的裁判规则，均为著作人身权的保护提供了分析基础，也揭示了不同法域在规范立场上的深刻分歧。2026年9月7日，我国最高人民法院发布《关于依法审理涉人工智能纠纷案件的意见》（法发〔2026〕10号），首次系统回应人工智能训练中的知识产权保护问题。《意见》确立了包容审慎的总体立场，要求妥善应对人工智能技术发展带来的规则冲突、社会风险和伦理挑战。然而，《意见》对著作人身权的保护规则着墨有限。这一留白并非疏漏，而是折射出更深层的理论困境。传统著作人身权的规范逻辑与生成式人工智能的技术逻辑之间，存在尚未被充分理论化的结构性张力。

 

二、输入端训练数据使用的去人格化风险

  （一）署名权的稀释与作者身份的消解

  署名是作者身份与作品之间联系的符号表达[5]。其通过标示作品来源，使创作者身份得以识别和确认，被视为作品受著作权保护的重要前提[6]。一方面，权利人以署名的形式将智力成果置于可识别、可归属的状态，使公众能够确认权利主体与智力成果之间的联系，进而形成对作者专有权利的承认[7]；另一方面，对于音乐表演、录音等部分创作者而言，署名所带来的身份认同和声誉收益具有独立的激励价值[8]，创作者在某些情况下甚至愿意以部分经济利益换取更稳定的署名保障[9]。由此，署名权不能简单还原为作品利用过程中的形式性标注，而是连接作品、作者身份与创作激励的重要机制。然而，生成式人工智能训练的背景下，作者与作品之间的身份联系在技术处理过程中逐渐弱化。训练数据在投入使用前，通常需要经过清洗、集成、标注、转换等预处理。这一过程不仅可能涉及作品复制，也可能删除作者姓名或对作品内容作出调整[10]。预处理的数据进入模型训练后，大语言模型通过拆解作品表达，计算和分析其中的语言规律[11]。其中，模型训练主要关注的是数据中的统计特征和关联关系，而非作品与作者之间的身份对应，署名信息也因此可能在训练流程中被逐渐剥离或边缘化。

  生成式人工智能训练的行为性质本身仍存在争议。尤其当训练被理解为对作品信息、语言规律或统计关系的提取时，署名利益便容易被排除在训练行为的评价范围之外。司法实践已经显现出这一倾向。在“Bartz v. Anthropic案”中，William Alsup法官将模型训练理解为从作品中学习文本之间的关系并形成新的生成能力，据此认定训练具有高度转换性。在这一判断框架下，法院关注的是作品在训练中的功能及其新用途，作者身份并未成为合理使用分析的重要因素。我国“奥特曼LoRA模型案”进一步暴露了这一问题。用户上传作品进行模型训练后，原有署名信息并未随作品进入模型参数，但法院主要审查输出内容与权利作品是否构成实质性相似，对训练阶段署名信息的保留并未作出回应。

  同时，署名保护进一步受到数据可追溯能力的制约。署名之所以成为生成式人工智能法律讨论的焦点，主要在于创作者要求其对相关成果形成所作的贡献得到承认。这种承认以识别训练数据来源为前提，要求人工智能企业对其进行披露[12]。但现有大语言模型具有较强的黑箱性，开发者不能完全掌握数据在模型中的具体作用，也难以预见模型后续的全部应用结果[13]。若要求开发者对训练数据及其后续影响承担完全、持续的识别义务，可能导致技术开发者承担过重责任，不仅缺乏现实可执行性，也会显著增加其合规负担[14]。因此，训练阶段署名权保护的关键，在于如何在训练数据透明与现有技术能力之间确定适当的义务边界。

  （二）保护作品完整权的潜在侵蚀

  保护作品完整权旨在防止作品遭受歪曲、篡改或者其他有损作者精神和人格利益的改动[15]。作品进入人工智能训练流程后，原有的结构、语境和表达关系可能随之发生变化。此类改变并非为了形成新的作品版本，而是模型训练中的技术性处理。同时，作品在反复分割、转换和重组的过程中，其与复制品之间的界限也随之趋于模糊，呈现出所谓“流动的边界”[16]。保护作品完整权难以完全适应作品不断被修改、重组和再利用的数字环境[17]。尤其对于文学、音乐等高度依赖整体结构和语境形成表达效果的作品，碎片化处理可能使原有的叙事关系、情感脉络和表达结构被拆解。以文学作品为例，一部长篇小说在训练数据集中可能被分割为数千个独立的段落，段落之间的叙事逻辑、人物关系、情感线索在碎片化处理中被消解。这种处理是否构成对作品表达的歪曲，取决于碎片化是否改变了作品的核心表达。如果作品的核心表达在于其整体的结构和语境，而碎片化破坏了这一结构和语境，则可能构成对表达完整性的侵害。

  “GEMA诉OpenAI案”从训练端进一步说明，作品经过参数化处理后，其表达并不当然失去可识别性。慕尼黑第一地区法院区分了对作品中抽象语言规律的提取与对作品内容的“记忆化”。所谓“记忆化”，可以理解为模型在训练后仍能够再现训练数据中的具体表达。相关实证研究表明，大语言模型的输出中可能出现训练数据中已经存在的文本内容，且这种现象在不同模型中具有较高发生率。据此，模型训练并不当然意味着作品的具体表达完全被抽象为一般语言规律，部分训练内容仍可能以可再现的形式被保留下来[18]。法院在判决中指出，即使作品被拆解并转化为模型参数，只要其表达仍以可再现的形式存在，就不能仅以技术处理为由否认作品本身的持续存在。由此，人工智能训练中的碎片化和参数化并未当然消解作品的完整性问题，关键仍在于技术处理后作品原有表达是否继续保持可识别和可还原的状态。

  （三）发表权的边界与未发表作品的保护

  发表权是决定作品是否公之于众的权利。在生成式人工智能训练场景中，其风险主要发生于尚未发表的作品未经作者决定即进入训练或模型改进流程。例如，2026年数学家Tristan Buckmaster公开质疑，其与合作者在Codex中处理的未公开数学研究可能被用于OpenAI的模型改进[19]。此后，德国数学家Andreas Thom亦提出类似疑问，其曾在与ChatGPT的私人交互中讨论的数学研究是否被OpenAI获取，要求OpenAI说明相关对话是否进入训练数据[20]。尽管目前均缺乏证据证明这些未发表内容事实上被用于训练，但相关争议已经表明，作者将草稿、研究成果等内容输入人工智能服务，并不当然意味着其同意这些内容进入后续训练或模型改进流程。值得注意的是，此类争议的关键并不只是作品是否被平台保存或用于训练，而在于这种处理是否进一步使作品处于“不特定的人可以获得”的状态。2026年修正的《最高人民法院关于审理著作权民事纠纷案件适用法律若干问题的解释》指出，“公之于众”是指将作品向不特定的人公开，并不以公众已经实际知晓为必要条件。据此判断，上述争议场景至少存在两类值得关注的情形：其一，平台工作人员获取用户私人聊天中承载的未发表作品，将其另行公开或提供给不特定主体，此时可能直接触及发表权；其二，相关内容虽未被人为公开，但被纳入训练或模型改进后，又能够被其他用户通过模型重新提取，使原本处于私人交互中的作品转化为不特定用户可以获得的内容。后一种情形虽然仍需结合模型可提取程度、实际开放范围等因素具体判断，但已经可能使内部数据处理转化为发表权意义上的公开利用。

  “GEMA诉OpenAI案”为这种判断提供了进一步参照。慕尼黑第一地区法院发现，涉案歌词经过模型训练后，仍可通过“歌词是什么”“副歌是什么”等非常简单的提示词被明显再现，并据此认定相关作品已被模型“记忆化”。虽然该案涉及的是已经发表的歌词，法院处理的也主要是复制权问题，但若将同一技术事实置于未发表作品场景中，其意义便会发生变化。当原本仅存在于私人交互中的作品能够经由模型向普通用户重新显现时，极可能触及发表权所要求的“公之于众”。进一步说明，训练阶段发表权保护不仅取决于作品是否进入训练，还取决于作品能否被追溯以及训练后是否具有被重新提取的可能。对此，最高人民法院2026年《关于依法审理涉人工智能纠纷案件的意见》要求开发者在提出不侵权抗辩时提供训练数据来源、训练过程记录和模型运行模式等材料，也为查明未发表作品是否进入训练及其后续利用状态提供了制度上的透明度支撑。

 

三、输出端人工智能生成内容的作者身份危机

  （一）署名权归属的裁判分歧

  生成式人工智能使署名风险由传统的“不署名”进一步扩展至“错误署名”。已有研究指出，人工智能不仅可能影响作者获得适当署名的权利，还可能将其未参与创作的生成内容强行与其姓名相联系，由此产生与署名权相对应的“否认署名”利益[21]。大多数生成式AI产品在回应用户提示时不提供引文。事实上，当用户特别要求引文时，它们通常会以虚假引文回应[22]。由此，输出端的署名问题已经不只是作者身份被遗漏，而是作者身份可能被错误建构。此类虚假署名可能导致的声誉损害是直接的，且在多数情况下不可逆。不仅如此，大量低成本生成内容若进一步冒用真实作者姓名进入市场，还可能挤压其正常的作品利用和获利空间，削弱署名所具有的声誉积累与经济激励功能[23]。

  具体而言，可以区分为“歪曲”与“伪造”两种情形[24]。“歪曲”是指以既有作品为基础，模型通过错误引用、不准确概括、去语境化等方式改变原作，并仍将相关内容归于原作者的场景。“Getty Images v. Stability AI案”即反映了类似风险。Getty指出，其作品来源信息在训练过程中可能被弱化，而生成结果中却出现失真、扭曲的Getty水印，真实来源与模型重新生成的来源标识发生错位，模型在输出中重新制造并不准确的身份或来源标识。作者身份由此不是单纯消失，而是在训练与生成之间经历了从去识别到错误再识别的变化。值得注意的是，与一般生成模型主要依赖统计重组不同，RAG能够直接调用特定来源内容，因此其输出更容易保留原作表达，也更容易引发复制、来源识别和署名错置问题。相较训练阶段，这类问题在输出端通常更为直接，也更容易被识别和判断[25]。“伪造”则指模型生成作者从未创作的引文、文章或观点，却将其归属于真实作者。不过，此时并不存在一部属于该作者而被歪曲的原作品，因而难以直接适用传统意义上的保护作品完整权。其所侵害的实际上是作者拒绝与非本人创作内容发生身份联系的利益，即署名权的“镜像”[26]。

  （二）保护作品完整权面临的新问题

  与训练阶段主要讨论作品在数据处理过程中是否因分割、转换而丧失完整性不同，输出端已经形成可以直接识别和评价的生成内容，问题转向该内容是否改变了原作品的表达，并损害作者与作品之间的完整联系。生成式人工智能带来的争议主要表现为两种情形：一是对特定作者创作风格的高度模仿，二是对既有作品内容的歪曲、错引或去语境化。

  第一，风格仿写正在冲击保护作品完整权的传统边界。从思想与表达二分法出发，创作风格通常属于抽象的创作特征，而著作权只保护具体表达而不保护抽象风格。允许后人学习、借鉴前人风格，本是文艺创作主体间性与历史继承性的应有之义，若将风格私有化，反会窒息文化的赓续创新[27]。然而，在图书蒸馏泛滥的背景下，对知名作者尤其是文学性作品的创作者而言，模型的风格仿写能力会直接挤压其创作的市场空间。一名创作者花费几十年时间通过不断学习、练习和积累才能形成独特的创作风格，更需要花费几个月甚至几年才能创作出具有鲜明个性的作品。而AI学习该作者的作品后，也许只需要几分钟时间就能生成风格相似度极高的作品[28]。大量仿写内容的集中出现，可能逐渐模糊特定风格与原作者之间长期形成的身份联系，使原本能够体现作者个性、审美选择和创作习惯的表达特征被不断稀释。此时受到影响的已不仅是作品的经济价值，更是作者借由持续创作所形成的人格识别及其与作品之间的精神联系。因此，单纯的风格模仿尚难直接纳入保护作品完整权，但当输出已经吸收特定作品的可识别表达，或者借助作者姓名使公众误认为生成内容与该作者存在关联时，问题便可能由抽象风格模仿转向具体作品利用乃至人格利益保护。

  第二，对既有作品的歪曲则直接触及保护作品完整权。生成式人工智能可能错误引用、删改、重新组合或者脱离原有语境呈现作品，甚至将作者从未表达过的观点嵌入其作品之中[29]。例如，在研究和教育语境中使用大语言模型时，就有可能缺乏对来源作者的引用、生成缺乏归属或虚假归属内容。这不仅改变原作含义，也可能使作者被关联于其并不认同的学术观点或价值判断，从而损害科学诚信和作者声誉[30]。类似风险已经进入司法争议。在“ANI Media Pvt. Ltd. v. OpenAI案”中，ANI即主张ChatGPT生成了不准确的信息，却将ANI标示为信息来源，使公众可能将AI生成的错误内容误认为来自ANI。该案虽然尚未就此作出最终侵权认定，但已经反映出生成式人工智能可能通过错误转述和来源归属，使原有作品或表达与权利人的真实立场发生偏离。除模型运行中非故意产生的错误外，生成式人工智能还可能被有意用于改写、歪曲甚至贬损特定作者的作品，如通过提示词要求模型将原作改造成带有侮辱、歧视或其他明显违背作者原意的内容。训练AI的目的越不正当，作者精神权利越可能成为反对依据[31]。相较于一般性的技术误差，此类利用更直接割裂作者与作品原有表达之间的联系。

  （三）标识机制与技术过滤的实践探索

  生成式人工智能输出端的人身权风险，可以通过生成过滤与来源标识两类技术措施加以控制。前者通过关键词过滤、相似性检测等方式阻断侵权内容的反复生成，后者则通过显式标识、水印和元数据保留内容来源。欧盟《人工智能法案》第50条第2款已经要求生成文本、图像、音频和视频的人工智能系统提供者，以机器可读方式标记输出，并确保其在技术可行范围内具有有效性、互操作性、稳健性和可靠性。我国《人工智能生成合成内容标识办法》自2025年9月1日起施行，同样建立了显式标识与隐式标识并行的制度。前者直接提示公众内容具有人工智能生成属性，后者则在元数据中记录生成属性、服务提供者和内容编号，并鼓励采用数字水印。对著作人身权而言，这类标识虽然不能直接确定作品作者，却能够区分人工智能生成内容与自然人作品，降低生成内容被错误归属于特定作者的风险，为后续追溯内容来源和判断作品是否遭到篡改提供依据。

  这一规范要求已经逐步转化为生成式人工智能企业的技术实践。2026年8月，Anthropic宣布在Claude生成文本中引入统计型水印，通过微调模型生成过程中不同词元的选择概率，在文本内部形成肉眼不可见但可以检测的统计信号；本质上，该措施是为履行欧盟《人工智能法案》的透明度义务。此外，Google的SynthID则已经覆盖文本、图像、音频和视频，并在Gemini生成文本中直接嵌入不可见水印。这类技术的意义并不在于用水印直接证明作品的版权归属，而在于留下人工智能参与生成的来源痕迹。当某一生成内容被冠以真实作者姓名或者被误认为作者本人作品时，可以首先判断其是否经过模型生成或处理。然而，统计型水印在大幅改写、翻译等情况下仍可能失效，且只能证明特定模型的参与，无法识别训练数据中的原作者。因此，较为可行的路径仍是将显式提示、机器可读水印、来源元数据和检测工具结合起来，形成多层次的内容溯源机制。

  同时，输出控制可以成为平台注意义务的具体实现方式。在广州互联网法院审理的“奥特曼生成式人工智能案”中，法院发现平台虽已采取部分关键词过滤措施，但输入“迪迦”等相关提示词仍能生成与权利作品实质性相似的图片。因此，要求平台进一步采取关键词过滤等技术措施，使用户在正常使用相关提示词时不能继续生成侵权图片。北京互联网法院审理的“AI陪伴案”则进一步表明，平台若通过产品设计和算法应用实质性组织、推动侵权内容生成，便不能仅以技术中立为由免责。对此，2026年最高人民法院《关于依法审理涉人工智能纠纷案件的意见》也明确将开发者、提供者采取的风险预防措施及其技术上的可能性列为判断过错的重要因素。由此，面对生成内容对作品署名、完整性及作者人格利益可能造成的风险，与其要求平台进行无法实现的全面事前审查，更现实的路径是依据其实际技术控制能力，通过关键词阻断、相似性检测、来源标识和投诉后的定向过滤等措施减少侵权内容的持续生成和传播。

 

四、结论与展望

  生成式人工智能对著作权制度的冲击，不仅体现为作品是否被复制、是否造成市场替代以及是否需要支付许可费用。相较于以作品利用和利益分配为核心的著作财产权，著作人身权所维系的是作者身份、作品表达与作者人格之间的持续联系，有必要将二者分开考查。作品进入人工智能训练流程后，作者姓名、作品来源、原有语境乃至未发表状态，都可能在清洗、转换和参数化过程中逐渐失去可识别性。进入生成阶段后，模型又可能通过错误署名、内容歪曲、虚假归属等方式重新建立并不真实的作者与作品联系。由此，生成式人工智能带来的并不是传统著作人身权问题的简单延伸，而是使原本相对稳定的“作者—作品”关系进入持续拆解和重新组合的技术环境。其中，署名权、保护作品完整权和发表权在其中面对的风险也并不相同，应当根据训练与生成不同阶段分别判断，而非以统一规则处理全部人工智能利用行为。现有司法实践已经表明，法院在处理人工智能版权纠纷时，仍主要围绕复制、合理使用、实质性相似等经济权利问题展开，对训练阶段署名信息、未发表作品以及生成阶段的人格利益关注相对有限。但随着模型记忆、错误归属和作品歪曲等问题逐渐显现，著作人身权不应继续仅作为财产权保护之后的附带问题，而应成为判断人工智能利用边界的一项独立因素。

  对此，制度回应的重点不宜放在为每一种模型或者技术制定具体规则，而应建立能够适应技术持续迭代的分层保护机制。人工智能模型、训练方法和内容识别技术更新速度远快于法律修订，如果直接将特定水印、过滤算法或者模型架构写入法律，规则很容易随着技术变化而失去适用基础。因此，法律更适合确定相对稳定的保护底线，例如训练数据来源应具有必要的可追溯性，作者身份和权利管理信息不应被无正当理由删除，私人或未发表作品不得因进入人工智能系统而当然转化为公开内容，对可以识别的错误署名、严重歪曲和反复生成侵权内容应当采取合理防范措施。在此基础上，再通过技术标准、行业准则和监管指引，将这些原则转化为数据来源记录、元数据保留、内容水印、输出过滤、纠错和投诉处理等具体措施，并根据技术发展持续调整。与此同时，平台义务的强度还应与其实际控制能力相匹配，对于技术上已经能够识别和阻断的风险，应要求提供者采取合理措施。而对于现阶段仍无法稳定识别或者避免的生成结果，则不宜施加绝对的事前审查责任。由此，既避免法律追逐模型变化，也能够确保作品进入新的技术利用链条后，作者仍然保有对自身身份、表达及人格利益的基本控制。

 

[本文系国家社会科学基金项目“数智背景下版权登记的基础理论与制度创新”(24CXWO064)的阶段性研究成果。]

 

 

（作者系华东理工大学副教授）

 

 

 

 

 

 

 

 

 

【1】参见易玲：《数字时代保护作品完整权的功能更代及存废思考》，载《法学研究》2023年第5期，第42页。

【2】参见李琛：《质疑知识产权之“人格财产一体性”》，载《中国社会科学》2004年第2期，第76-78页。

【3】See Maria-Daphne Papadopoulou,Moral Rights and AI:Bridging the Regulatory Gap in European Copyright Law,Laws,Vol.15,No.5,Article 114,p.5(2026).

【4】See Christophe Geiger and Francesca Di Lazzaro,Sustainability as a Guiding Principle for Copyright Reform:Regulating the Use of Generative AI in the Field of Research and Education, Discover Sustainability,Vol.6,Article 1032,p.3(2025).

【5】参见张平：《人工智能生成内容著作权合法性的制度难题及其解决路径》，载《法律科学（西北政法大学学报）》2024年第3期，第23页。

【6】参见杨绪东：《人工智能生成“类作品”真实“署名”义务探析》，载《出版发行研究》2025年第3期，第87页。

【7】参见吴汉东：《知识产权本质的多维度解读》，载《中国法学》2006年第5期，第99页。

【8】See Derek E.Bambauer,Faulty Math:The Economics of Legalizing the Grey Album,Alabama Law Review,Vol.59:345,pp.398-399(2008).

【9】See Kelefa Sanneh,With Arrest of DJ Drama,the Law Takes Aim at Mixtapes,New York Times,Jan.18,2007,at E1.

【10】参见张涛：《人工智能大模型训练的著作权困境及其调适路径》，载《现代法学》2025年第2期，第192页。

【11】参见刘晓春：《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70页。

【12】See Zeynep Ülkü Kahveci,Attribution Problem of Generative AI:A View from US Copyright Law,Journal of Intellectual Property Law & Practice,Vol.18:796,p.799(2023).

【13】参见程迈：《大语言模型开发应用中作品使用法定许可制度研究》，载《政治与法律》2026年第1期，第20页。

【14】See Edward Lee, Technological Fair Use,Southern California Law Review,Vol.83:797, pp.822-823(2010).

【15】参见管育鹰：《保护作品完整权之歪曲篡改的理解与判定》，载《知识产权》2019年第10期，第27页。

【16】See Narain D.Batra,Digital Freedom:How Much Can You Handle?,Rowman & Littlefield Publishers,2007,p.4.

【17】参见刘家瑞：《精神权利的再生》，载郑成思主编：《知识产权文丛》第4卷，中国政法大学出版社2000年版，第414页。

【18】See Adrian de Wynter,Xun Wang,Alex Sokolov,Qilong Gu and Si-Qing Chen,An Evaluation on Large Language Model Outputs:Discourse and Memorization,Natural Language Processing Journal,Vol.4, Article 100024,p.5(2023).

【19】See Carl Franzen,OpenAI Solves Longstanding Math Problem with 10,000-Agent Swarm—but Can’t Rule Out Benefitting from a Researcher’s Private Codex Data,VentureBeat,at https://venturebeat.com/technology/openai-solves-longstanding-math-problem-with-10-000-agent-swarm-but-cant-rule-out-benefitting-from-a-researchers-private-codex-data (Last visited on September 20,2026).

【20】See Isabella Ward,Mathematicians Feel Threatened by AI.They Can’t Quit It,WIRED,at https://www.wired.com/story/mathematicians-cant-quit-ai/(Last visited on September 20,2026).

【21】See Derek E.Bambauer and Robert W.Woods,AI,Artists,and Anti-Moral Rights,Georgetown Law Journal Online,Vol.113:105,p.107(2026).

【22】See Zeynep Ülkü Kahveci,Attribution Problem of Generative AI:A View from US Copyright Law,Journal of Intellectual Property Law & Practice,Vol.18:796,p.799(2023).

【23】参见杨绪东：《人工智能生成“类作品”真实“署名”义务探析》，载《出版发行研究》2025年第3期，第87页。

【24】See Amaresh Patel and Jyoti Garg,The Attribution Gap:Section 57,Fabricated Authorship, and the Limits of Moral Rights in the Age of Generative Systems,Minnesota Journal of Business Law and Entrepreneurship,Vol.2026,No.3:3155,p.3155(2026).

【25】See Maria-Daphne Papadopoulou,Moral Rights and AI:Bridging the Regulatory Gap in European Copyright Law,Laws,Vol.15,No.5,Article 114,p.9(2026).

【26】See Maria-Daphne Papadopoulou,Moral Rights and AI:Bridging the Regulatory Gap in European Copyright Law,Laws,Vol.15,No.5,Article 114,p.11(2026).

【27】代晓焜：《人工智能时代创作风格的价值重勘与著作权制度因应》，载《法学研究》2026年第1期，第221-240页。

【28】参见程迈：《大语言模型开发应用中作品使用法定许可制度研究》，载《政治与法律》2026年第1期，第18-32页。

【29】See Maria-Daphne Papadopoulou,Moral Rights and AI:Bridging the Regulatory Gap in European Copyright Law,Laws,Vol.15,No.5,Article 114,pp.12-13(2026).

【30】See Christophe Geiger and Francesca Di Lazzaro,Sustainability as a Guiding Principle for Copyright Reform:Regulating the Use of Generative AI in the Field of Research and Education,Discover Sustainability,Vol.6,Article 1032,p.5(2025).

【31】See Christophe Geiger,Elaborating a Human Rights-Friendly Copyright Framework for Generative AI,International Review of Intellectual Property and Competition Law,Vol.55:1129,p.1130(2024).