JOURNAL OF LAW AND ECONOMICS · AI & COPYRIGHT

Copyright Policy Options for Generative Artificial Intelligence

生成式人工智能的版权政策选择

Joshua S. Gans ｜ Journal of Law and Economics 69, 2026, 1–19

K11 经济学分类 →O31 经济学分类 →O34 经济学分类 →L86 经济学分类 →D82 经济学分类 →
生成式人工智能 →版权政策 →合理使用 →创作激励 →交易成本 →责任规则 →商业泄漏 →模型训练 →知识产权 →机制设计 →
Generative Artificial Intelligence →Copyright Policy →Fair Use →Ex Post Fair Use →Property Rules →Liability Rules →Transaction Costs →Commercial Leakage →Regurgitation →Foundation Models →

VIDEO EXPLAINER · 中文视频讲解

生成式人工智能的版权政策选择

9 分 42 秒 · 854×480 压缩视频

AUDIO EXPLAINER · 中文音频讲解

AI 版权该不该事后补票

16 分 49 秒 · 压缩音频

【论文作者】 Joshua S. Gans（University of Toronto，多伦多大学罗特曼管理学院）
【发表期刊】 Journal of Law and Economics, vol. 69, February 2026, pp. 1–19
【JEL 分类号】 K11（Property Law • Intellectual Property Law / 财产法与知识产权法）；
O31（Innovation and Invention: Processes and Incentives / 创新与发明：过程与激励）；
O34（Intellectual Property and Intellectual Capital / 知识产权与智力资本）；
L86（Information and Internet Services • Computer Software / 信息与互联网服务•计算机软件）；
D82（Asymmetric and Private Information • Mechanism Design / 非对称信息与机制设计）

一、 全文核心主旨与重大理论贡献

随着以 ChatGPT、Claude、DALL-E 和 Midjourney 为代表的生成式人工智能（Generative AI）技术的爆发式发展，AI 基础大模型（Foundation Models）的预训练过程引发了全球范围内空前激烈的版权法律争议。大语言模型和多模态模型通常依赖于包含数十万甚至数百万受版权保护作品（如书籍、新闻、学术论文、代码和艺术图片）的海量数据集进行训练。以《纽约时报》诉 OpenAI 和微软侵权案（2023）为代表的司法诉讼将这一矛盾推向了风口浪尖：内容创作者主张 AI 公司未经许可使用其受保护作品构成了大规模侵权，并要求巨额法定损害赔偿或禁令；AI 开发商则主张其训练行为属于版权法上的 “合理使用” （Fair Use），且强行要求事前许可将因极其高昂的交易成本导致大模型研发彻底瘫痪。

针对这一现实困境，Joshua S. Gans 在发表于《法与经济学杂志》（Journal of Law and Economics）的开创性论文中，构建了一个严密的微观经济学博弈模型，从法律与经济学（Law and Economics）的视角全面剖析了不同版权政策方案对原创内容创作者质量投资激励、AI 开发商模型训练质量以及全社会期望福利的深远影响。该论文的核心贡献主要体现在以下四个维度：

1. 首创生成式 AI 训练与版权博弈的微观经济理论模型

此前法学界对生成式 AI 版权问题的讨论多局限于教义学解释，缺乏严谨的形式化经济学分析。Joshua S. Gans 首次将大模型训练的核心特征——海量数据投入、训练成本次模性（训练数据降低模型优化边际成本）、模型记忆与反刍效应（Memorization / Regurgitation）以及下游市场商业泄漏（Leakage）——抽象为严谨的双边投资与定价博弈模型，填补了生成式 AI 产业组织与法经济学交叉领域的理论空白。

2. 揭示海量数据场景下 “事前交易成本阻断（Prohibitive Transaction Costs）” 的经济本质

文章深刻指出，大模型训练面临三大无法克服的事前交易成本：（1）海量内容规模（如 Books3 数据集包含数十万图书，逐一谈判完全不可能）；（2）单一作品对模型最终性能贡献的 “溯源与归因不可度量性” ；（3）严重的非对称信息与议价摩擦。因此，传统的科斯谈判（事前自愿许可协议）在此类大模型场景下必然失灵。文章明确指出，版权政策的评价基准必须建立在 “事前不可谈判” 这一现实硬约束之上。

3. 突破传统产权规制二元对立，创造性提出“事后合理使用责任规则机制（Ex Post Fair Use Regime）”

长期以来，政策争论陷入了 “完全版权保护（赋予创作者排他禁令权）” 与 “完全不保护（AI 厂商免费任意使用）” 的两极分化。Joshua S. Gans 创造性地设计了一种基于损害门槛 Γ\Gamma 的 “事后合理使用机制” 。该机制允许 AI 开发商在预训练阶段自由使用全量数据，但在下游商业化阶段，若特定原创作者遭受的实际事事事事后合理使用机制” 。过门槛 Γ\Gamma，则触发看涨期权式的足额利润损失赔偿。文章严格证明：该机制兼具完全不保护下的 “海量数据全量利用效率” 与完全版权保护下的 “创作者投资激励” ，在满足 AI 厂商财务可行性约该该该该该机制兼具完全不保护下的 “福利，是卡拉布雷西-梅拉梅德（Calabresi & Melamed, 1972）责任规则在大模型时代的重大制度创新。

4. 从经济学底层逻辑统一解释“人类学习”与“AI 训练”的法理同构性

针对业界关于“人类看书学习不侵权，为何 AI 训练需侵权”的激烈争论，文章通过“剧透（Spoilers）”、“商业书精要（TL;DR / Book Summaries）”与“课堂教学（Teaching）”三个同构情景展开剖析。文章证明，人类学习之所以在版权法下普遍免责，并非因为生理学特权，而是因为人类学习对单部作品版权方的预期商业替代损害（E[ρ]E\lbrack\rho\rbrack）极其微小。这一发现从法经济学上为评判 AI 版权政策确立了科学、统一的客观标准——核心在于“对原作品下游市场的商业替代危害程度”，而非主观上的技术身份标签。

二、 核心概念、法经济学定义与模型符号体系

1. 核心概念与法经济学定义

（1）生成式人工智能与基础大模型（Generative AI & Foundation Models）：指基于 Transformer 等深度神经网络架构、利用海量文本、图像或多模态数据进行自监督预训练的机器学习模型。用户通过自然语言提示词（Prompts）触发模型生成连贯文本、代码或图像。

（2）事前交易成本（Ex Ante Transaction Costs）：指在模型预训练开展之前，AI 开发者与数以百万计的潜在版权所有者之间达成自愿许可协议所面临的交易阻碍。包括海量版权主体的搜寻与协商成本、单一数据源边际贡献难以分解测度的计量成本，以及各方对模型商业前景的非对称信息摩擦。

（3）反刍/记忆效应 vs. 纯粹复制（Regurgitation / Memorization vs. Pure Copying）：纯粹复制指有意对特定数字文件进行直接拷贝；而反刍（Regurgitation）或记忆化（Memorization）是指大模型在统计学习规律的过程中，当某些文本或数据在公共互联网上重复出现多次，或者通过对抗性/特定提示词引导时，模型高概率地逐字（verbatim）重构并输出训练数据中的原始段落。

（4）商业泄漏与市场蚕食（Commercial Leakage & Cannibalization）：由于 AI 模型存在反刍现象，购买了 AI 产品的终端用户无需再直接向原作者付费，即可在一定概率下获得原版受保护内容。这种由 AI 附带产生的模仿品替代效应被称为商业泄漏，它会直接分流原创作者的读者群体并削弱其下游市场定价能力。

（5）财产权规则 vs. 责任规则（Property Rules vs. Liability Rules）：遵循 Calabresi & Melamed (1972) 的法经济学分类。财产权规则（Property Rule）赋予版权方绝对的排他权与禁令救济，非经事前自愿协商不可使用，侵权面临惩罚性法定赔偿（如完全版权制度 CP）；责任规则（Liability Rule）允许使用者无需事前征得同意即可使用，但事后必须按照法定或客观评估标准支付损害赔偿（如事后合理使用机制 FU）。

2. 动态博弈时间序列（Timeline）

模型的决策流程分为五个连续阶段，严格刻画了事前投资与事后定价的序贯博弈关系：

• 阶段 1（制度选择，Rights Regime Chosen）：社会计划者确定版权法律制度 rr，可选方案包括无版权保护（NC）、完全版权保护（CP）以及事后合理使用机制（FU）。

• 阶段 2（双边质量投资决策，Investments）：在法律制度约束下，每个独立原创作者 ii 选择其内容质量投资 xix_{i}，AI 厂商选择其大模型训练质量投资 yy。

• 阶段 3（不确定性揭晓，Uncertainty Resolved）：AI 模型训练完成并上线。全量使用内容时的潜在商业损害程度 ρ(1)\rho(1)（或作者个体所承受的实际泄露率 ρi(1)\rho_{i}(1)）向全市场各方完全公开。

• 阶段 4（定价子博弈，Pricing Subgame）：各原创作者与 AI 厂商同时独立制定其产品价格 pOCp_{OC} 与 pAIp_{AI}。

• 阶段 5（市场出清与收益实现，Purchases & Payoffs）：消费者根据效用最大化原则做出购买决策，企业与作者获得相应利润，若触发事后法律责任则执行赔偿。

3. 模型符号体系与参数定义对照表（全原生公式排版）

模型符号 经济学含义与数学定义 详细说明与参数取值
N,iN,i 原创内容创作者集合与索引 测度为 1 的连续统，i∈[0,1]i \in \lbrack 0,1\rbrack，代表海量独立细分领域的原创作者。
xix_{i} (或 xx) 原创内容质量水平 由创作者 ii 在阶段 2 自主决策，质量越高，消费者效用越大。
cOC(x)c_{OC}(x) 创作者质量投资成本函数 严格递增凸函数，特定形式取 cOC(x)=12x2c_{OC}(x) = \frac{1}{2}x^{2}，满足 c(0)=0c(0) = 0。
θ\theta 消费者支付意愿类型参数 每个独立市场包含测度为 1 的消费者，θ∼U[0,1]\theta\sim U\lbrack 0,1\rbrack 独立同分布于均匀分布，为私有信息。
xθx\theta 消费者直接消费原创内容的效用 消费者对内容质量的边际效用与其个人偏好类型 θ\theta 成正比。
yy 通用生成式 AI 产品的质量水平 由 AI 厂商在阶段 2 自主决策，代表大模型的推理、语言与通用能力。
u(y)u(y) 消费者对 AI 产品的内在支付意愿 消费者对 AI 通用生产力工具的内在效用，与原创内容独立，特定形式取 u(y)=yu(y) = y。
s∈[0,1]s \in \lbrack 0,1\rbrack AI 训练采样的原创内容比例 s=1s = 1 表示全网数据全量预训练；s=0s = 0 表示完全不使用受版权保护作品。
cAI(y,sx)c_{AI}(y,sx) AI 开发商的模型训练成本函数 关于 yy 递增凸，关于 sxsx 递增，满足次模性（∂2cAI∂y∂(sx)≤0\frac{\partial^{2}c_{AI}}{\partial y\partial(sx)} \leq 0）；特定形式取 [12(1+γsx)]y2\left\lbrack \frac{1}{2}(1 + \gamma sx) \right\rbrack y^{2}。
γ\gamma 内容降低 AI 训练成本的效率因子 衡量人类原创知识对提升大模型训练效率的正向外部性，γ\gamma 越大，高质量训练数据越关键。
ρ(s)\rho(s) AI 产品的商业泄漏/反刍概率 买 AI 产品的消费者无需向原作者付费即可复现内容的概率，ρ(0)=0,ρ(1)<1\rho(0) = 0,\ \rho(1) < 1。特定形式：s≤s¯s \leq \overline{s} 时为 ss，否则为 s¯\overline{s}。
ρi(1)\rho_{i}(1) (或 ρ\rho) 全量训练下创作者 i 的潜在损害程度 服从分布函数 F(⋅)F( \cdot ) 与密度函数 f(⋅)f( \cdot )，定义域 [0,1]\lbrack 0,1\rbrack，在阶段 3 正式揭晓。
pOC,pAIp_{OC},p_{AI} 原创内容与 AI 产品的市场售价 在阶段 4 的定价子博弈中由双方同时独立制定。
NC,CPNC,\ CP 无版权制度与完全版权制度 NC 下 AI 免费全量训练（s=1s = 1）；CP 下创作者凭借法定高额赔偿 DD 阻止 AI 使用（s=0s = 0）。
FU,ΓFU,\ \Gamma 事后合理使用机制与免责损害门槛 若 ρi(1)<Γ\rho_{i}(1) < \Gamma，AI 免责；若 ρi(1)≥Γ\rho_{i}(1) \geq \Gamma，AI 厂商向作者赔偿全额利润损失 D(ρi(1))D\left( \rho_{i}(1) \right)。
E[ρ(1)|Γ]E\left\lbrack \rho(1)|\Gamma \right\rbrack 门槛以内的截断条件期望 定义为 ∫0Γρi(1)dF(ρi(1))\int_{0}^{\Gamma}{\rho_{i}(1)dF\left( \rho_{i}(1) \right)}，代表免责区间内的平均漏损水平。

4. 消费者效用函数与市场需求结构

在终端市场上，消费者的购买选择包含四种情形，其净效用分别刻画如下：

（1）同时购买原创内容与 AI 产品：此时消费者既能享受 AI 的通用生产力，又直接阅读了正版内容，净效用为：Uboth=xθ−pOC+u(y)−pAIU_{both} = x\theta - p_{OC} + u(y) - p_{AI}

（2）仅购买 AI 产品：消费者享受 AI 工具效用，并以概率 ρ(s)\rho(s) 免费反刍获得原创内容，期望净效用为：UAI=u(y)+ρ(s)xθ−pAIU_{AI} = u(y) + \rho(s)x\theta - p_{AI}

（3）仅购买原创内容：净效用为 xθ−pOCx\theta - p_{OC}；（4）两者皆不购买：效用归一化为 0。

对比上述效用可知，当消费者已经购买了 AI 产品后，其为原创内容额外支付的边际意愿下降为：ΔUOC=[1−ρ(s)]xθ\Delta U_{OC} = \left\lbrack 1 - \rho(s) \right\rbrack x\theta这清晰地从微观机理上展示了商业泄漏如何直接削弱原创作者的市场定价权。

三、 基准模型、各命题与推论的通俗例解

【说明】本章严格依据论文结论，全面展示基准社会最优状态及命题 1、命题 4、命题 2、命题 3 的核心经济学结论。遵循要求，正文完全省略复杂的数学推导与证明细节，重点通过生动、鲜活的现实商业案例与情景例解，透彻阐明每个命题背后的经济学直觉。

1. 基准社会最优配置（Social Benchmark）

在不受版权交易阻碍与市场摩擦的理想状态下，社会计划者的目标是最大化全社会总福利（消费者剩余、创作者利润与 AI 厂商利润的总和）：maxx,y,s∫01θxdθ−cOC(x)+u(y)−cAI(y,sx)\max_{x,y,s}\int_{0}^{1}{\theta xd\theta} - c_{OC}(x) + u(y) - c_{AI}(y,sx)

社会最优的一阶条件为：12−s*∂cAI∂x≤∂cOC∂x,∂u∂y≤∂cAI∂y,x*∂cAI∂s≥0\frac{1}{2} - s^{*}\frac{\partial c_{AI}}{\partial x} \leq \frac{\partial c_{OC}}{\partial x}\ ,\ \ \frac{\partial u}{\partial y} \leq \frac{\partial c_{AI}}{\partial y}\ ,\ \ x^{*}\frac{\partial c_{AI}}{\partial s} \geq 0

由此可直接导出全社会最优规则：s*=1,x*=2+γ4,y*=4+γ(2+γ)8s^{*} = 1\ ,\ \ x^{*} = \frac{2 + \gamma}{4}\ ,\ \ y^{*} = \frac{4 + \gamma(2 + \gamma)}{8}

【通俗例解：公共数字图书馆与全能科研超级智脑】
设想国家正在建立一个全知全能的超级科研 AI 智脑。从全社会效益最大化的角度看，最好的做法绝不是把各大科研机构、大学出版社的数据锁起来，而是应该把人类已有的全部高水平论文和书籍无保留地开放给 AI 智脑训练（即 s*=1s^{*} = 1）。
原因在于人类优质知识具有“双重红利”：第一重红利是读者直接阅读论文获得的新知识（直接消费效用）；第二重红利是这些优质数据大幅降低了训练出更高智能 AI 的研发成本与算力消耗（参数 γ\gamma 的正外部性）。如果为了防止 AI“读到”某些论文而把数据墙筑起，全社会不仅要花费海量成本去给数据分类，还会错失一个更聪明、更能造福人类的超级工具。

2. 命题 1 与 命题 4：定价子博弈的双重纳什均衡与市场细分

在阶段 4 的定价子博弈中，当原创质量 xx 和 AI 质量 yy 已经给定后，原创作者与 AI 厂商根据潜在替代关系展开博弈。命题 1 与命题 4 完整刻画了市场的两种均衡状态：

【命题 1（高内在价值下的均衡）：】当 AI 产品的内在通用效用相对于原创内容足够高，即满足：u(y)x≥12(3−22)[1−ρ(s)]ρ(s)≡Θ1\frac{u(y)}{x} \geq \frac{1}{2}\left( 3 - 2\sqrt{2} \right)\left\lbrack 1 - \rho(s) \right\rbrack\rho(s) \equiv \Theta_{1}定价子博弈存在纳什均衡：p̂OC=12[1−ρ(s)]x,p̂AI=u(y){\widehat{p}}_{OC} = \frac{1}{2}\left\lbrack 1 - \rho(s) \right\rbrack x\ ,\ \ {\widehat{p}}_{AI} = u(y)若进一步满足 u(y)x≥12[1−ρ(s)]ρ(s)≡Θ2\frac{u(y)}{x} \geq \frac{1}{2}\left\lbrack 1 - \rho(s) \right\rbrack\rho(s) \equiv \Theta_{2}，则该均衡是唯一的。此时各方获得的均衡利润为：πOC=14[1−ρ(s)]x−cOC(x),πAI=u(y)−cAI(y,sx)\pi_{OC} = \frac{1}{4}\left\lbrack 1 - \rho(s) \right\rbrack x - c{}_{OC}(x)\ ,\ \ \pi_{AI} = u(y) - c{}_{AI}(y,sx)

【通俗例解 1：高通用效用 AI 的市场格局——以 ChatGPT Plus 与金融专栏为例】
用户订阅 ChatGPT Plus（每月 20 美元），核心目的绝不是为了“盗印”某位分析师撰写的一篇特定投研周报，而是为了利用大模型强大的通用能力来编写代码、翻译外文邮件、整理会议纪要、撰写商业策划（即 u(y)u(y) 极其强大）。
在这种情况下，OpenAI 将服务定价为自身工具的独立内在价值（p̂AI=u(y){\widehat{p}}_{AI} = u(y)），从而吸引全市场用户普遍购买。虽然用户偶尔会让 ChatGPT 回答一些金融问题，产生一点“内容泄露”（ρ(s)\rho(s)），但金融分析师并不会被逼入绝境。原作者只需将报告价格适度打折（折价率为 [1−ρ(s)]\left\lbrack 1 - \rho(s) \right\rbrack），即可精准筛选出那些高度看重原创深度的高端用户（支付意愿最高的前 50% 用户）。市场各司其职，相安无事。

【命题 4（低内在价值下的第二类均衡）：】当 AI 自身的独立效用很低，满足 u(y)x<Θ2\frac{u(y)}{x} < \Theta_{2} 时，存在第二种纯策略纳什均衡：AI 厂商放弃做通用工具，转而通过反刍原创内容谋利，制定高价 p̂AI>u(y){\widehat{p}}_{AI} > u(y)：p̂OC=2[1−ρ(s)]x−u(y)4−ρ(s),p̂AI=[2−ρ(s)]u(y)+[1−ρ(s)]ρ(s)x4−ρ(s){\widehat{p}}_{OC} = \frac{2\left\lbrack 1 - \rho(s) \right\rbrack x - u(y)}{4 - \rho(s)}\ ,\ \ {\widehat{p}}_{AI} = \frac{\left\lbrack 2 - \rho(s) \right\rbrack u(y) + \left\lbrack 1 - \rho(s) \right\rbrack\rho(s)x}{4 - \rho(s)}在中间重叠区间 [Θ1,Θ2]\left\lbrack \Theta_{1},\Theta_{2} \right\rbrack 内，两类均衡共同存在。

【通俗例解 2：低通用效用 AI 的套壳盗版均衡——以“付费考研押题库破解助手”为例】
设想某家小作坊开发了一个粗糙的聊天小程序，其自身的自然语言能力极差（u(y)u(y) 几乎为 0，不能写代码也不能画图）。但开发者将某名师售价 5000 元的独家绝密考研题库全文喂进了模型。此时，用户花钱买这个小程序的唯一动机就是为了“白嫖套取原作者的题库”。
在这个第二类均衡中，AI 小作坊绝不会便宜卖，而是会制定高于自身价值的高价（例如卖 2000 元），直接从想看独家题库的学生群体中截留客户；而原作者为了自保，被迫大幅降价至 2500 元迎战。此时 AI 与原作者陷入了正面的同质化撕咬，市场演变为一场零和博弈。

3. 命题 2：传统权利制度对比（无版权保护 NC vs. 完全版权保护 CP）

在传统的财产权模式下，社会仅有两个极端选择：要么完全不保护版权（NC），AI 可免费合法使用所有数据；要么实行完全版权保护（CP），作者凭借禁令救济与巨额法定赔偿彻底封锁 AI 使用（使得 s=0s = 0）。命题 2 揭示了两者的投资与福利差异：

两种制度下一阶条件决定了各方的均衡投资水平满足：x̂i,CP≥x̂i,NC,ŷCP≤ŷNC{\widehat{x}}_{i,CP} \geq {\widehat{x}}_{i,NC}\ ,\ \ {\widehat{y}}_{CP} \leq {\widehat{y}}_{NC}在特定函数形式下，无版权制度（NC）的期望社会福利严格大于完全版权制度（CP）的充要条件为：γ>E[ρi(1)]22(1−E[ρi(1)])\gamma > \frac{{E\left\lbrack \rho_{i}(1) \right\rbrack}^{2}}{2(1 - E\left\lbrack \rho_{i}(1) \right\rbrack)}

【通俗例解 3：无版权保护（NC）胜出的情境——开源技术代码库与维基百科】
当 AI 训练使用的数据是 GitHub 上的开源代码或维基百科的知识条目时，这些内容对训练顶尖代码大模型或常识问答系统的效率提升巨大（参数 γ\gamma 极大）。与此同时，开源程序员和维基百科编辑本来就是公益贡献者，他们的主要收入并不依赖于售卖每一行代码，AI 的学习反刍几乎不会导致其现实商业收入受损（E[ρi(1)]≈0E\left\lbrack \rho_{i}(1) \right\rbrack \approx 0）。
此时不等式显然成立，无版权保护（NC）是全社会最优的：AI 获得了飞跃发展，全社会的程序员都能用上 AI 编程助手提高 10 倍效率，而开源社区的创作意愿丝毫未减。这在经济学上完美解释了为什么人类阅读万千开源代码学习编程完全不需要缴费。

【通俗例解 4：完全版权保护（CP）胜出的情境——网络连载玄幻小说与付费调查新闻】
相反，设想一个完全靠付费订阅为生的小说作者或独立调查记者。单部小说或调查报告对训练几千亿参数的通用大模型而言，对模型智力的边际增益微乎其微（γ\gamma 极小）；然而，由于小说文字具有高度的情节连贯性，大模型一旦记住并反刍出全文，所有读者都会直接在 ChatGPT 上看连载，导致原作者的付费订阅直接断崖式归零（商业替代率 E[ρi(1)]E\left\lbrack \rho_{i}(1) \right\rbrack 极高）。
在无版权（NC）制度下，这些作者因无法变现而纷纷选择断更转行，导致人类未来不再有新的优秀原创小说和调查报道问世，AI 最终也失去了后续学习的养分。此时上述不等式被反向打破，完全版权保护（CP）反而能够守护最基本的创作底线。

4. 命题 3：事后合理使用机制（Ex Post Fair Use Regime）

传统两极制度各有致命缺陷：CP 扼杀了 AI 训练的数据养分，NC 伤害了原创者的饭碗。Joshua S. Gans 提出的“事后合理使用机制（FU）”打破了这一死结：

【机制规则：】在预训练阶段，AI 厂商可合法全量抓取所有数据进行训练（s=1s = 1）。在模型上线后，设定法定损害门槛 Γ\Gamma：

（1）若作者个体实际面临的商业泄露程度低于门槛，即 ρi(1)<Γ\rho_{i}(1) < \Gamma，AI 厂商享受完全免责（合理使用），无需支付任何赔偿；

（2）若作者实际遭受的商业泄露达到或超过门槛，即 ρi(1)≥Γ\rho_{i}(1) \geq \Gamma，AI 厂商必须依法向作者支付全额利润损失赔偿：D(ρi(1))=14ρi(1)x̂FUD(\rho_{i}(1)) = \frac{1}{4}\rho_{i}(1){\widehat{x}}_{FU}该赔偿金使得遭受严重商业替代的作者最终获得的净收益恰好恢复到未受侵害时的水平（14x̂FU\frac{1}{4}{\widehat{x}}_{FU}）。

在此机制下，创作者的质量投资一阶条件转化为：F(Γ)14[1−E[ρ(1)|Γ]](1−F(Γ))14=∂cOC∂xF(\Gamma)\frac{1}{4}\left\lbrack 1 - E\left\lbrack \rho(1)|\Gamma \right\rbrack \right\rbrack\left( 1 - F(\Gamma) \right)\frac{1}{4} = \frac{\partial c_{OC}}{\partial x}其中 E[ρ(1)|Γ]=∫0Γρi(1)dF(ρi(1))E\left\lbrack \rho(1)|\Gamma \right\rbrack = \int_{0}^{\Gamma}{\rho_{i}(1)dF(\rho_{i}(1))} 为门槛以内的截断条件期望。

【命题 3（FU 机制的最优性）：】若 AI 厂商的商业利润足以承担赔偿支出（财务可行），则有：
（1）质量激励排序：创作者质量投资满足 x̂i,CP≥x̂i,FU≥x̂i,NC{\widehat{x}}_{i,CP} \geq {\widehat{x}}_{i,FU} \geq {\widehat{x}}_{i,NC}；AI 训练质量达到历史最高水平，满足 ŷFU≥ŷNC≥ŷCP{\widehat{y}}_{FU} \geq {\widehat{y}}_{NC} \geq {\widehat{y}}_{CP}。
（2）福利优越性：只要满足更宽松的条件：γ>E[ρ(1)|Γ]2E[ρ(1)|Γ]−E[ρ](1−E[ρ(1)|Γ])4(1−E[ρ(1)|Γ])\gamma > \frac{{E\left\lbrack \rho(1)|\Gamma \right\rbrack}^{2}E\left\lbrack \rho(1)|\Gamma \right\rbrack - E\lbrack\rho\rbrack\left( 1 - E\left\lbrack \rho(1)|\Gamma \right\rbrack \right)}{4(1 - E\left\lbrack \rho(1)|\Gamma \right\rbrack)}FU 机制的期望社会福利将严格压倒完全版权制度（CP）。
（3）极限优化（庇古税效应）：随着法定门槛 Γ→0\Gamma \rightarrow 0，只要 AI 厂商满足偿付能力，原创作者的质量投资将趋近于完全版权时的最高水平（x̂FU→x̂CP=14{\widehat{x}}_{FU} \rightarrow {\widehat{x}}_{CP} = \frac{1}{4}），而 AI 模型因利用了全量数据获得了更高的训练收益（ŷFU→1+γ4{\widehat{y}}_{FU} \rightarrow 1 + \frac{\gamma}{4}），从而实现制度设计的全局最优！

【通俗例解 5：事后合理使用机制的现实运作——《纽约时报》诉 OpenAI 案与数十亿网页博主】
在事后合理使用机制下，OpenAI 可以放心大胆地在互联网上抓取数十亿网页进行 GPT 模型预训练，完全不需要在训练前聘请成千上万名律师去给每一个网站发邮件谈授权（避免了数千亿美元的事前交易摩擦）。
大模型训练完成上线后，法庭或监管机构设立一个合理的商业损害门槛 Γ\Gamma：
• 对于 99.9% 的普通个人博主、论坛发帖者而言，AI 仅仅是学习了其语言风格，即便偶尔生成了类似句子，也根本不会对博主造成什么真实的订阅费或广告费损失（商业损害 ρi(1)<Γ\rho_{i}(1) < \Gamma），属于法律豁免的合理使用，OpenAI 不需要给他们逐一付钱，也无需担心被告倒。
• 但对于像《纽约时报》这样的专业机构媒体，如果它能向法庭举证证明：用户在 ChatGPT 输入特定 Prompt 后，模型逐字逐句反刍输出了其独家深度付费调查报道，且这种反刍导致其大量付费订户流失，造成的实际利润损失超过了法定门槛（ρi(1)≥Γ\rho_{i}(1) \geq \Gamma），那么法庭不发出‘销毁模型’的禁令，而是直接判决 OpenAI 赔偿其实际损失。
这样一来，事后合理使用机制就像一份精准的‘商业损害保险’：优质专业机构有了兜底保障，继续全力创作优质新闻；AI 厂商卸下了事前侵权诉讼的死亡枷锁，获得了最佳训练数据集；全社会享受到了顶尖水平的生成式 AI 与高品质人类原创作品的双重繁荣！

四、 全文结论的经济与管理启示总结

1. 宏观法治与公共政策制定启示（立法者、司法机关与版权局）

（1）从排他性 “财产权规则（Property Rule）” 向补偿性 “责任规则（Liability Rule）” 的历史转向：在数字经济与 AI 时代，海量非结构化数据的互联互通使得传统以禁令救济为核心的绝对财产权模式陷入严重的 “反公地悲剧（Tragedy of the Anticommons）” 。司法裁判应避免动辄对大模型下达 “销毁权重” 或 “暂停服务” 的禁令救济，而应更多采用事后损害赔偿责任规则，为前沿技术的迭代保留制度空间。

（2）重塑版权法 “合理使用（Fair Use）” 的司法审判基准：法官在审理生成式 AI 侵权诉讼时，应将审查重心从前端的 “是否摄入了数据” 转移到后端的 “是否发生了实质性商业替代（Substantial Market Substitution）” 。设立损害门槛 Γ\Gamma，将轻微、转换性、泛化性的学习使用认定为免责合理使用，而将严重的记忆化反刍与竞争性替代纳入法定损害赔偿范畴。

（3）构建国家级数字版权集体管理与事后清算平台：借鉴现代音乐广播电台集体许可模式（如 ASCAP、BMI），由政府引导建立生成式 AI 版权清算中心。通过法定标准统一收集使用数据，对出现实质反刍的作品进行高效的自动化版税结算，大幅降低司法维权与计量成本。

2. 生成式 AI 企业战略与技术管理启示（AI 开发商）

（1）将“反记忆（Anti-memorization）与去重（De-duplication）”作为模型对齐的首要技术指标：模型的法律风险直接取决于商业泄漏率 ρ(s)\rho(s)。AI 企业在算法预训练和后训练（Post-training）阶段，必须大力研发数据去重算法与反向遗忘技术，主动对训练集中的高频受保护段落进行泛化平滑，严控大模型“逐字反刍”现象的发生。

（2）建立细粒度的数据归因溯源架构（Data Provenance & RAG）：从纯算法黑盒转向可解释、可追溯的数据架构。对于高价值的行业专有数据，探索从预训练参数内化转向外挂检索增强生成（RAG）架构，明确调用边界，实现调用计费与法律免责的清晰分割。

（3）计提版权潜在责任风险准备金，前瞻性开展头部媒体商业合作：企业财务战略应常态化计提潜在版权诉讼赔付准备金。同时，针对极易引发高额损害赔偿的高价值版权方（如顶尖学术出版商、权威通讯社），主动探索事前战略采购与收益分成生态合作，化解潜在系统性法律风险。

3. 原创内容创作者与文化传媒机构转型启示（版权方）

（1）维权思维转型：从“机械物理封堵”转向“事后损害确证与商业变现”：在网络爬虫技术与分布式抓取普及的背景下，单纯依靠 Robots.txt 或网页防盗链很难彻底隔绝 AI 抓取。出版机构应部署不可篡改的数字水印、语义指纹与提示词对抗探测工具，建立完整的链上或本地证据链，以便在事后诉讼或仲裁中精准举证自身损失并获得足额赔偿。

（2）重塑人类内容的独特护城河，摆脱静态文本的低维竞争：大模型最容易反刍和替代的是结构化事实、通用概述和标准化程式文字。人类创作者应将精力转移到 AI 难以模仿的高维领域——包括独家实地调查、高度个性化的主观哲学思辨、前沿未公开数据，以及结合线下面对面研讨、私域社群互动和深度顾问式咨询的高附加值服务形态，实现对 AI 工具的差异化突围。

五、 参考文献（References）

Besen, Stanley M. 2023. "An Economic Analysis of the Artificial Intelligence-Copyright Nexus." TechREG Chronicle, November, pp. 2–9.

Calabresi, Guido, and A. Douglas Melamed. 1972. "Property Rules, Liability Rules, and Inalienability: One View of the Cathedral." Harvard Law Review 85 (6): 1089–1128.

Gans, Joshua S. 2015. "Remix Rights and Negotiations over the Use of Copy-Protected Works." International Journal of Industrial Organization 41: 76–83.

Gans, Joshua S. 2025. The Microeconomics of Artificial Intelligence. Cambridge, MA: MIT Press.

Gordon-Tapiero, Ayelet, and Yotam Kaplan. 2025. "Generative AI Training as Unjust Enrichment." Ohio State Law Journal 86: 285–333.

Landes, William M., and Richard A. Posner. 1989. "An Economic Analysis of Copyright Law." Journal of Legal Studies 18 (2): 325–363.

Lemley, Mark A., and Carl Shapiro. 2005. "Probabilistic Patents." Journal of Economic Perspectives 19 (2): 75–98.

Marcus, Gary, and Reid Southen. 2024. "Generative AI Has a Visual Plagiarism Problem." IEEE Spectrum, January 26.

OpenAI. 2024. "OpenAI and Journalism." Blog post, January 8. https://openai.com/index/openai-and-journalism/.

Samuelson, Pamela. 2023a. "Generative AI Meets Copyright." Science 381 (6654): 158–161.

Samuelson, Pamela. 2023b. "Legal Challenges to Generative AI, Part I." Communications of the ACM 66 (7): 20–23.

Samuelson, Pamela. 2024. "US Copyright Office's Questions about Generative AI." Communications of the ACM 67 (3): 25–28.

Samuelson, Pamela, and Tara Wheatland. 2009. "Statutory Damages in Copyright Law: A Remedy in Need of Reform." William and Mary Law Review 51 (2): 439–511.

Tänzer, Michael, Sebastian Ruder, and Marek Rei. 2022. "Memorisation versus Generalisation in Pre-Trained Language Models." In Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), edited by Smaranda Muresan, Preslav Nakov, and Aline Villavicencio, pp. 7564–7578. Stroudsburg, PA: Association for Computational Linguistics.

Yang, S. Alex, and Angela Huyue Zhang. 2024. "Generative AI and Copyright: A Dynamic Perspective." Working paper, London Business School, London.