寿步 | 从非确定性软件视角看AIGC的可版权性

摘要：关于“为什么中国首例AI文生图案应当再审”这个话题，笔者从2024年11月到2025年3月已经发表七篇文章。本文将从一个新的视角——非确定性软件的视角继续讨论AIGC的可版权性问题。

一、确定性与非确定性软件的技术分野

要理解AIGC带来的法律挑战，首先必须清晰地界定其底层技术即软件的基本属性。在计算机科学中，软件系统根据其行为的可预测性，可划分为确定性软件和非确定性软件两大类。

1. 定义与核心特征

确定性软件（deterministic software）的核心定义在于，对于任何给定的相同输入，它总是产生完全相同的输出，并遵循完全相同的执行路径。其关键特征包括：

（1）可预测性与可重复性：行为是完全可预测和可复现的。这就使得测试、调试和验证过程相对简单直接。

（2）因果明确：系统的每一个状态和输出都完全由其初始状态和输入序列决定，不涉及随机性或外部不可控因素。

（3）可靠性：由于其行为稳定一致，确定性系统通常被认为是更简单、更可靠的。

非确定性软件（non-deterministic software）的核心定义在于，对于给定的相同输入，它可能产生不同的输出或表现出不同的行为。其关键特征包括：

（1）不可预测性：系统的行为路径和最终结果存在多种可能性，使其难以预测。

（2）多因性：非确定性的来源多样，可能源于内在的随机算法、并发处理中的时序问题、与不可预测的外部环境（如网络延迟、用户行为）的交互，或复杂的学习算法本身。

（3）复杂性：这类系统通常更难测试和调试，因为错误可能无法稳定复现。

2. 应用场景与功能差异

确定性与非确定性软件的应用场景泾渭分明，反映了它们各自的优势与局限。

确定性软件的应用主要集中在对安全性和可靠性要求极高的关键领域。例如，空中交通管制系统、火箭发射控制程序、核反应堆安全监控软件等“硬实时系统”必须是确定性的，以确保在任何情况下都能做出唯一且正确的响应。传统的计算器、编译器以及大多数遵循“契约式设计”的软件功能（如一个给定城市返回天气预报的函数）也都追求确定性，以保证结果的一致性和可靠性。

非确定性软件的应用场景更为广泛，尤其是在需要模拟现实世界复杂性或处理不可预知输入的领域。例如，分布式系统、并发编程、网络通信协议等本质上就具有非确定性。而作为AI前沿的AIGC则是非确定性软件最典型和最深刻的应用。

3. AIGC的技术本质：一种典型的非确定性软件应用

AIGC模型，如大型语言模型（LLM）或文生图模型，其核心正是构建在非确定性原理之上。用户输入相同的提示词（prompt），模型却可能生成截然不同的文本、图像或代码。这种非确定性并非缺陷，而是其“创造力”的源泉。它主要来自以下几个方面：

（1）概率性模型：AIGC模型本质上是概率分布模型。它并非“理解”输入，而是在海量的参数空间中，根据输入计算出一系列可能输出的概率，并从中进行采样。

（2）随机性参数：模型中常包含如温度（temperature）或混沌度（chaos）等参数，用户或开发者可以通过调整这些参数来控制生成结果的随机性程度。更高的温度意味着更多样化、更不可预测的输出。

（3）巨大的解空间：模型的复杂性使其对输入的微小变化极其敏感，导致输出结果的巨大差异。

因此，从技术根源上看，AIGC是一种高度非确定性的软件系统。正是这种不可预测性，使其能够摆脱机械重复，生成看似具有“灵感”和“创意”的内容，但也正是这一特性，使其与传统版权法中对“作者控制权”的默示要求产生了剧烈冲突。

二、软件确定性与否两种视角下的AIGC

版权法的设立旨在保护和激励人类的智力创造。然而，AIGC的非确定性特征，使得创意/表达两分法的适用出现根本性的困难。

1. 确定性视角下的AIGC：AI作为“高级工具”

如果我们将AI系统简单地视为一种复杂的、但行为可被输入完全决定的“确定性工具”，那么版权归属问题似乎迎刃而解。在这种视角下，AI就像Photoshop软件或一支画笔，其本身不具备创作意图。真正的作者是使用该工具的人。用户的提示词设计、参数选择、对生成结果的筛选和修改，似乎共同构成了一个完整的“智力投入”过程。创意/表达两分法原则似乎是适用的。AI系统似乎只是忠实执行指令的媒介。

这样的“工具论”在法律界有相当大的市场，因为它能够将AIGC无缝地纳入现有版权框架。然而，这种看法本质上是因为对GenAI（生成式人工智能）技术不了解，从而忽略了应用GenAI技术所产生的AIGC的最核心的非确定性特征。

2. 非确定性视角下的AIGC：对“作者控制权”的根本性挑战

只要我们正视AIGC的非确定性时，上述“工具论”就显得捉襟见肘。非确定性意味着在用户的“输入”（创意）与AI的“输出”（表达）之间，有一个充满随机性和不可预测性的“黑箱”。这就直接挑战了“作者对其作品拥有充分控制权”这一传统版权观念中的隐含前提。

（1）控制与可预测性的缺失：版权理论认为，“控制”和“可预测性”是判断作者身份的关键因素。如果用户（似乎是创作者）无法合理预见其指令将产生何种具体表达，那么他/她是否还能被视为主导创作的“作者”？仅仅向AI系统提供一个简单的提示词，由于用户对生成结果缺乏足够的创意控制，通常不足以构成作者身份。版权意义上的可预测性是建立因果关系的标准，而在AIGC的生成过程中，这条因果链变得无法成立。

（2）创意/表达二分法的困难：版权法保护“表达”而非“创意”。如果将用户输入的提示词视为“创意”、AIGC视为“表达”。由于从输入到输出的不确定性，从同一“创意”可以衍生出无数种迥异的“表达”。这就使得将作者的“创意”与AIGC的“表达”直接关联变得极为困难。

因此，作为非确定性软件的典型应用而得到的AIGC内在的非确定性，就将技术问题转化为了法律问题：在用户（任意次的）提示语输入（创意）到AI系统输出结果AIGC（表达）的过程中，每次都具有不可预测性、不确定性、不可解释性，导致创意/表达两分法就不能成立。在此情况下，如何让用户（操作者）成为版权法意义上的作者呢？

三、结语

现在司法实践有一种趋势，就是将焦点转向“在具体的创作过程中，人类的智力贡献是否达到了构成独创性的门槛”这一看似更具操作性的问题。法院似乎是不再简单地将AI定性为“工具”或“作者”，而是通过个案审查，评估人类参与的深度和广度。

笔者认为，这种趋势的大方向还是值得商榷的。因为，如果在AIGC中没有包含可感知的、用户的有表达力（expressive）的输入，如果用户没有对已经得到的AIGC进行可感知的、创造性的修改，如果用户对AIGC没有进行可感知的、创造性的选择、协调、编排，那么，不论用户输入的提示词复杂程度如何、参数调整的精细度如何，创意/表达两分法就不能成立。在此情况下，用户（操作者）还能成为版权法意义上的作者吗？

注意这里所排除的三种“如果”情况。

中国首例AI文生图案恰恰是只涉及输入提示词修改和参数调整的。

寿步专栏文章（节选）

寿步 | 计算机软件著作权保护再思考

寿步 | 中美两份最新AI行动计划的博弈论

寿步 | 人工智能立法抑或立《人工智能法》？——中国人工智能立法进程观察之三

寿步 | 七论为什么中国首例人工智能文生图案应当再审——美国版权局关于AIGC可版权性的最新报告译评续二

寿步 | 中国有必要制定《人工智能法》吗？——中国《人工智能法》的立法进程观察之二

寿步 | 美国版权局关于AIGC可版权性的最新报告译评续——六论为什么中国首例人工智能文生图案应当再审

寿步 | 美国版权局人工智能生成内容可版权性最新报告译评 —— 五论为什么中国首例人工智能文生图案应当再审？

寿步 | DeepSeek生成内容的可版权性问题——四论为什么中国首例人工智能文生图案应当再审

寿步 | 三论为什么中国首例人工智能文生图案应当再审？——基于豆包“文生图”和“文生文”过程的视角