當 OpenAI 的 GPT、Google 的 Gemini、Anthropic 的 Claude 等大型語言模型展現出驚人能力時，一個根本性的法律與經濟問題浮出水面：這些模型是否侵犯了訓練資料來源的著作權？《紐約時報》控告 OpenAI、Getty Images 控告 Stability AI、作家集體訴訟案此起彼落。然而，從經濟學的角度審視，過度保護著作權不僅無法達成其原始政策目標，更可能使一個國家在 AI 時代喪失競爭力。本文將從智慧財產權的經濟本質出發，重新思考 AI 時代下著作權保護的最適程度。

一、智慧財產權的經濟學本質

著作權是手段，不是目的

智慧財產權制度的存在，並非基於「創作者天然擁有其作品」的道德直覺，而是基於明確的政策目標：鼓勵創新與創作。美國憲法第一條第八款明確指出，國會有權「保障作者與發明者對其著作與發明之專有權利，以促進科學與實用藝術之進步」（To promote the Progress of Science and useful Arts）。這段文字清楚表明，專有權利（exclusive rights）是「手段」，促進科學與藝術進步才是「目的」。[1]

這種功利主義（utilitarian）的智慧財產權觀點，與歐陸傳統的自然權利（natural rights）觀點形成對比。在自然權利論下，創作者對作品的權利是天賦的、不可剝奪的；在功利主義框架下，著作權只在「促進社會整體福利」的範圍內才有正當性。當著作權保護的成本超過其效益時，保護程度就應該調整。[2]

諾貝爾經濟學獎得主羅納德・寇斯（Ronald Coase）的交易成本理論，為理解智慧財產權提供了深刻的框架。寇斯指出，財產權的劃定應該使交易成本最小化，從而促進資源的有效配置。當智慧財產權的劃定使得後續創新者必須與無數權利持有者談判授權時，交易成本可能高到令人卻步，反而阻礙創新。[3]

最適保護程度：經濟學的權衡

經濟學家威廉・蘭德斯（William Landes）和理查・波斯納（Richard Posner）在其經典著作《智慧財產權的經濟結構》中，分析了著作權保護的成本與效益。保護帶來的效益是激勵創作——如果創作者無法從作品中獲得回報，創作的誘因就會減少。保護帶來的成本則包括：限制作品的傳播與使用、增加後續創作的成本、以及創造壟斷租金。[4]

最適保護程度是在邊際效益等於邊際成本的點上。問題在於，現行的著作權制度遠遠超過了這個最適點。在美國，著作權保護期限為作者終身加70年；在歐盟同樣是終身加70年；這意味著一位30歲創作者的作品，可能在其創作後超過120年仍受保護。沒有任何經濟分析支持如此長期的保護對創新有正面影響。[5]

經濟學家 Rufus Pollock 的研究估計，從社會福利最大化的角度，著作權的最適保護期限約為15年——遠短於現行的終身加70年。超過這個期限的保護，其邊際成本（限制使用與後續創作）超過邊際效益（激勵創作），造成社會福利淨損失。[6]

二、「反公共財悲劇」：過度保護的代價

從公共財悲劇到反公共財悲劇

每個經濟學學生都學過「公共財悲劇」（tragedy of the commons）：當資源沒有明確的產權時，會被過度使用。然而，經濟學家麥可・乃乎勒（Michael Heller）提出了一個同樣重要但較少被討論的概念：「反公共財悲劇」（tragedy of the anticommons）——當產權被過度分割時，資源反而會被「低度使用」。[7]

想像一條河流有100個閘門，每個閘門由不同的人控制。任何船隻要通過這條河，必須與100個閘門主人逐一談判。即使每個閘門主人的要價都很合理，談判的交易成本也會使航行變得不可行。這就是反公共財悲劇的本質：太多的權利持有者，每個人都有否決權，結果是資源無法被有效利用。

智慧財產權領域正面臨反公共財悲劇。一個大型語言模型的訓練資料可能來自數十億個網頁、數百萬本書籍、無數的論文與文章。如果每一筆資料都需要取得授權，交易成本將是天文數字。即使技術上可以追蹤每筆資料的來源並支付微額授權費，與數百萬個權利人談判的成本也會使 AI 開發變得不可行。[8]

「專利叢林」的前車之鑑

反公共財悲劇在專利領域已有慘痛教訓。生物科技的「專利叢林」（patent thicket）現象就是一例。當基因序列、蛋白質結構、研究工具等基礎發現都被專利保護時，後續的藥物開發必須穿越由無數專利構成的「叢林」，每一步都可能觸犯某個專利，需要談判授權。這大幅增加了藥物開發的成本與不確定性。[9]

經濟學家海乃・馬乃（Heller & Eisenberg）的研究指出，過度的智慧財產權保護可能減緩而非加速生物醫學的創新。類似的邏輯適用於 AI 領域。如果每一筆訓練資料都被視為需要授權的著作權材料，AI 開發將陷入無盡的法律糾紛與授權談判。[10]

三、AI 訓練與著作權：經濟分析

機器學習的本質：學習還是複製？

理解 AI 訓練的技術本質，對於法律與經濟分析至關重要。大型語言模型的訓練過程，是讓模型「閱讀」大量文本，從中學習語言的統計模式——詞彙的共現、句法結構、語義關係等。訓練完成後，模型並不「儲存」原始文本，而是將學到的模式編碼在數十億個參數中。[11]

這個過程更接近「學習」而非「複製」。當一個人類作家閱讀大量文學作品後發展出自己的寫作風格，我們不會說他「侵犯」了所讀作品的著作權。AI 的訓練過程在本質上是類似的——它從大量文本中萃取出抽象的模式，而非記憶具體的內容。[12]

當然，AI 訓練與人類學習也有差異。AI 可以處理的資料量遠超過人類；AI 的「閱讀」涉及對原始文本的技術性複製（即使是暫時的）；在某些情況下，AI 可能「記住」並輸出與訓練資料高度相似的內容。這些差異需要在法律上仔細處理，但不應該被用來全面禁止 AI 訓練使用受著作權保護的材料。

公平使用原則的經濟邏輯

美國著作權法的「公平使用」（fair use）原則，是處理著作權邊界問題的重要機制。公平使用允許在特定情況下，未經授權使用受著作權保護的材料，包括：評論、批評、新聞報導、教學、學術研究等。公平使用的判斷考量四個因素：使用目的、作品性質、使用比例、對市場的影響。[13]

從經濟學的角度，公平使用原則體現了一種「最適例外」的設計。它認識到，著作權的完全保護會阻礙許多有價值的衍生使用，因此在邊際社會效益超過邊際成本的情況下，允許未經授權的使用。評論、批評、教學等使用類型之所以被納入公平使用，正是因為這些使用創造的社會價值通常超過對原著作權人的損害。[14]

AI 訓練應該被視為公平使用嗎？從經濟分析的角度，答案傾向於是。AI 訓練的目的是「轉化性」的（transformative）——它不是要替代原作品，而是要從中萃取抽象知識。AI 訓練對原作品市場的影響是間接的——沒有人會因為 GPT 存在而停止購買《紐約時報》（如果有，那是因為 GPT 的輸出更符合需求，這正是技術進步的本質）。[15]

「輸出」vs「訓練」的區分

一個重要的法律與經濟區分是：AI 的「訓練過程」與 AI 的「輸出內容」應該分開處理。訓練過程涉及對大量資料的統計學習，這個過程本身不應該被視為著作權侵害，就像人類閱讀不構成侵權一樣。然而，如果 AI 的輸出與某個受保護的作品「實質相似」（substantially similar），那麼這個特定輸出可能構成侵權。[16]

這種區分是合理的。它允許 AI 開發者使用廣泛的訓練資料，同時仍然保護原創作者免受直接的「複製貼上」式侵權。它也將責任放在更合理的位置：AI 開發者有責任設計系統，使其不會輸出與訓練資料過度相似的內容；而使用者如果故意誘導 AI 輸出受保護的內容，也應該承擔相應責任。

四、國際比較：不同的政策選擇

日本：積極擁抱 AI 的著作權改革

在主要經濟體中，日本採取了最積極擁抱 AI 的著作權立場。2018年，日本修訂著作權法，明確規定「不以享受作品思想或情感為目的」的使用，包括機器學習訓練，不構成著作權侵害。這一修訂使日本成為全球對 AI 訓練最友善的法域之一。[17]

日本政府的政策文件明確指出，這一改革是為了強化日本在 AI 領域的國際競爭力。日本認識到，如果其他國家允許 AI 訓練使用受保護的材料，而日本禁止，日本的 AI 產業將處於競爭劣勢。這是一種明確的「競爭力導向」的智慧財產權政策。

日本的做法體現了務實主義。它沒有糾結於「訓練是否構成複製」的教條式法律論證，而是直接從政策目標出發：什麼樣的規則能最大化日本的社會福利與國際競爭力？這種政策思維值得其他國家借鑑。

歐盟：文本與資料探勘例外

歐盟在2019年的《數位單一市場著作權指令》中，創設了「文本與資料探勘」（text and data mining, TDM）的著作權例外。根據這一例外，學術研究機構可以對其合法取得的材料進行文本與資料探勘，包括機器學習訓練，而不構成著作權侵害。此外，商業組織也可以進行 TDM，除非著作權人明確選擇退出（opt-out）。[18]

歐盟的「選擇退出」機制試圖在創作者權益與 AI 發展之間取得平衡。理論上，如果某個著作權人不希望其作品被用於 AI 訓練，可以透過技術或法律手段表達這一意願，AI 開發者就必須尊重。然而，這一機制在實務上面臨挑戰：如何證明 AI 開發者「知道」某個作品已選擇退出？如何在數十億筆資料中追蹤每一筆的授權狀態？[19]

美國：訴訟中的不確定性

美國的立場目前最不明確，正在透過司法程序逐步釐清。《紐約時報》訴 OpenAI、作家集體訴訟、Getty Images 訴 Stability AI 等案件，將由法院決定 AI 訓練是否構成公平使用。[20]

這種「透過訴訟釐清」的做法有優點也有缺點。優點是法院可以針對具體案例進行細緻的判斷，而非一刀切的立法；缺點是在判決確定之前，法律的不確定性會抑制投資與創新。一些 AI 開發者可能因為法律風險而減少在美國的投資，轉向法律環境更明確的日本或其他地區。

從國際競爭的角度，美國的法律不確定性可能使其在 AI 競賽中處於劣勢。如果最終法院判定 AI 訓練普遍構成侵權，美國的 AI 產業可能面臨大規模的法律訴訟與授權成本，而其他國家的競爭者則不受此限制。

五、國家競爭力的關鍵考量

AI 時代的生產力革命

AI 被普遍認為是繼蒸汽機、電力、網際網路之後的又一次通用技術（general purpose technology）革命。通用技術的特徵是：它不僅改變特定產業，而是改變整個經濟的運作方式。蒸汽機改變了製造業、交通、農業；電力改變了工廠、家庭、城市；網際網路改變了通訊、商業、娛樂；AI 將改變一切涉及認知勞動的領域。[21]

歷史經驗表明，在通用技術革命中，率先採用新技術的國家獲得顯著的競爭優勢。英國因為率先採用蒸汽機而主導19世紀；美國因為率先電氣化和網際網路化而主導20世紀。在 AI 時代，能夠有效開發與部署 AI 技術的國家，將在21世紀的經濟競爭中佔據優勢。[22]

智慧財產權制度是影響 AI 發展的關鍵因素。如果一個國家的著作權制度使得 AI 訓練變得困難或昂貴，該國的 AI 產業將落後於其他國家。這不僅是 AI 產業本身的損失，而是整個經濟生產力提升的延遲。

固守舊思維的代價

傳統的著作權框架設計於印刷術與大眾媒體的時代，其核心假設是：複製是稀缺的、可控的、可追蹤的。在這個框架下，「複製」本身被視為核心的受控行為。然而，在數位時代，複製變得無處不在——瀏覽網頁涉及複製、使用電腦涉及複製、機器學習涉及複製。如果著作權法仍然將「複製」作為核心概念，它將與現代技術格格不入。[23]

更根本的問題是，傳統著作權框架假設創作是個人的、離散的、可歸屬的。一本書有一個作者，一首歌有一個作曲家，著作權可以清楚地歸屬於個人。然而，AI 的訓練打破了這個假設——AI 的能力來自數十億個來源的「集體貢獻」，沒有任何單一來源可以主張對 AI 能力的「所有權」。[24]

試圖將傳統的著作權框架硬套在 AI 訓練上，就像試圖用馬車的法規來管理汽車。它不僅會阻礙技術發展，還會產生荒謬的結果——例如，要求 AI 開發者向數十億個「權利人」支付微額授權費，實際上使 AI 開發變得不可行。

創作者的真正利益

主張嚴格保護著作權的論點往往訴諸「保護創作者」的修辭。然而，從經濟學的角度，我們需要問：過度保護真的符合創作者的利益嗎？

首先，大多數創作者從著作權制度中獲得的報酬微乎其微。在音樂產業，頂尖1%的藝人賺取了絕大多數的收入；在出版業，暢銷作家與普通作家的收入差距可達數千倍。著作權制度的主要受益者是少數超級巨星與大型版權持有企業（如迪士尼、環球音樂），而非普通創作者。[25]

其次，AI 工具本身可以幫助創作者提高生產力。許多作家、藝術家、音樂家已經在使用 AI 輔助創作。如果著作權制度阻礙 AI 的發展，受害的不僅是 AI 公司，也包括依賴 AI 工具的創作者。

第三，過度的著作權保護可能傷害創作者的「讀者群」。如果 AI 工具因為授權成本而變得昂貴，使用這些工具的企業和個人將減少；這些企業和個人正是創作者的潛在市場。一個繁榮的 AI 生態系統可能為創作者創造更多機會，而非更少。

六、政策建議：面向未來的著作權改革

建議一：明確 AI 訓練的公平使用地位

各國應該透過立法或司法判決，明確 AI 訓練——作為一種學習行為而非複製行為——屬於著作權的合理例外。這不是要廢除著作權，而是要將著作權的邊界調整到符合技術現實與社會需求的位置。日本2018年的著作權法修訂提供了一個可參考的模式。[26]

建議二：區分「訓練」與「輸出」

法律應該區分 AI 的訓練過程與 AI 的輸出內容。訓練過程應該普遍允許，因為它是一種轉化性的學習行為。然而，如果 AI 的特定輸出與受保護的作品實質相似，該輸出仍然可能構成侵權。這種區分在技術上是可行的，也符合著作權保護「表達」而非「思想」的基本原則。

建議三：建立集體授權與補償機制

對於仍然擔心創作者權益的人，可以考慮建立集體授權與補償機制。類似於音樂產業的 ASCAP、BMI 等組織，可以設立專門的機構來代表著作權人與 AI 開發者談判，並將所獲報酬分配給創作者。這種機制可以在不阻礙 AI 發展的情況下，為創作者提供某種形式的補償。[27]

然而，必須謹慎設計這種機制，避免它成為另一種形式的「反公共財悲劇」。授權費用應該合理，談判過程應該簡化，否則交易成本仍然會阻礙 AI 發展。

建議四：縮短著作權保護期限

更根本的改革是重新審視著作權的保護期限。終身加70年的保護期限沒有任何經濟學依據，純粹是版權產業遊說的結果（尤其是迪士尼為了保護米老鼠的多次遊說）。將保護期限縮短到15至25年，可以大幅增加進入公有領域的素材，為 AI 訓練與人類創作提供更豐富的公共資源。[28]

結語：在創新與保護之間尋求平衡

智慧財產權制度的本質是一種社會契約：社會賦予創作者暫時的壟斷權利，以換取創作者的持續創新與最終的公共領域貢獻。這個契約的條款應該隨著技術與社會的變遷而調整。在 AI 時代，固守為印刷術設計的著作權框架，就像在汽車時代堅持馬車的交通規則——不僅不合時宜，而且有害。

過度保護著作權的代價是 AI 發展的停滯、國家競爭力的喪失、以及創新的減緩。這些代價最終由整個社會承擔——包括那些被聲稱要「保護」的創作者。一個無法有效發展 AI 的國家，將在21世紀的經濟競爭中落後；而落後的經濟無法為創作者提供繁榮的市場。

真正的智慧不在於僵硬地保護既有權利，而在於設計能夠促進整體社會福利的制度。這需要放下對「著作權天然神聖」的迷思，從功利主義的角度重新審視：什麼樣的智慧財產權制度，能夠在 AI 時代最大化創新、競爭力與社會福利？這個問題的答案，將決定一個國家在未來數十年的發展軌跡。

陳弘益教授，日本名古屋大學法學博士。歷任英國劍橋大學研究員暨亞太地區代表、浙江大學國際聯合商學院 MBA 主任暨高管教育主任，為世界銀行、聯合國等國際機構主持跨國政策研究。現帶領超智諮詢，結合商學專業與前沿科技，提供 AI 及量子運算等領域的軟體開發及策略制定服務。策劃全球思想領袖論壇邀集逾 50 位國際領袖、累計觀眾逾 30 萬人次。

References

  1. U.S. Constitution, Art. I, Sec. 8, Cl. 8. 美國憲法著作權條款。[Congress.gov]
  2. Fisher, W. (2001). Theories of intellectual property. In S. Munzer (Ed.), New Essays in the Legal and Political Theory of Property. Cambridge University Press. [Harvard]
  3. Coase, R. H. (1960). The problem of social cost. Journal of Law and Economics, 3, 1-44. [DOI]
  4. Landes, W. M., & Posner, R. A. (2003). The Economic Structure of Intellectual Property Law. Harvard University Press.
  5. Lessig, L. (2004). Free Culture: How Big Media Uses Technology and the Law to Lock Down Culture and Control Creativity. Penguin Press. [Free Culture]
  6. Pollock, R. (2009). Forever minus a day? Calculating optimal copyright term. Review of Economic Research on Copyright Issues, 6(1), 35-60. [SSRN]
  7. Heller, M. A. (1998). The tragedy of the anticommons: Property in the transition from Marx to markets. Harvard Law Review, 111(3), 621-688. [DOI]
  8. Lemley, M. A. (2021). How generative AI turns copyright upside down. Stanford Law Review Online. [Stanford Law Review]
  9. Shapiro, C. (2001). Navigating the patent thicket: Cross licenses, patent pools, and standard setting. Innovation Policy and the Economy, 1, 119-150. [DOI]
  10. Heller, M. A., & Eisenberg, R. S. (1998). Can patents deter innovation? The anticommons in biomedical research. Science, 280(5364), 698-701. [DOI]
  11. Vaswani, A., et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30. [arXiv]。Transformer 架構的原始論文。
  12. Sobel, B. L. (2017). Artificial intelligence's fair use crisis. Columbia Journal of Law & the Arts, 41(1), 45-97. [DOI]
  13. 17 U.S.C. § 107. 美國著作權法公平使用條款。[Cornell Law]
  14. Samuelson, P. (2023). Generative AI meets copyright. Science, 381(6654), 158-161. [DOI]
  15. Sag, M. (2019). The new legal landscape for text mining and machine learning. Journal of the Copyright Society of the U.S.A., 66(3), 291-368. [SSRN]
  16. Grimmelmann, J. (2016). There's no such thing as a computer-authored work—and it's a good thing, too. Columbia Journal of Law & the Arts, 39(3), 403-416. [DOI]
  17. 日本著作權法第30條之4（平成30年改正）。[e-Gov 法令検索]
  18. Directive (EU) 2019/790, Articles 3-4. 歐盟數位單一市場著作權指令。[EUR-Lex]
  19. Geiger, C., & Frosio, G. (2018). Text and data mining in the proposed Copyright Reform: Making the EU fit for an age of big data? IIC - International Review of Intellectual Property and Competition Law, 49(7), 814-844. [DOI]
  20. The New York Times Co. v. Microsoft Corp. et al., Case No. 1:23-cv-11195 (S.D.N.Y. 2023). [Complaint]
  21. Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. W. W. Norton & Company.
  22. Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3-30. [DOI]
  23. Litman, J. (2001). Digital Copyright. Prometheus Books. 數位時代著作權的批判性分析。
  24. Lee, P. (2024). Derivative AI works and the training data question. Yale Law Journal, 133(4). 探討 AI 創作的著作權歸屬問題。
  25. Krueger, A. B. (2019). Rockonomics: A Backstage Tour of What the Music Industry Can Teach Us about Economics and Life. Currency. 音樂產業收入分配不均的經濟分析。
  26. Ueno, T. (2021). The flexible copyright exception for 'non-enjoyment' purposes: A user-oriented remixing of existing contents. Journal of Intellectual Property Law & Practice, 16(2), 111-122. [DOI]
  27. Ginsburg, J. C. (2018). Authors and users in copyright. Journal of the Copyright Society of the U.S.A., 45(1), 1-20.
  28. Boldrin, M., & Levine, D. K. (2008). Against Intellectual Monopoly. Cambridge University Press. [Online]。對智慧財產權制度的根本性批評。
返回洞見