生成式人工智能的爆发式发展引发了数据训练与著作权保护之间的深层张力。面对现行著作权制度在应对海量数据训练时的适用困境，我国应该摒弃全有或全无的二元对立思维，转向一种融合性、分层化的规制范式。
　　一、困境检视：现行制度与技术逻辑的结构性错位
　　生成式人工智能的数据训练分为输入、训练、输出三个技术阶段。虽然学界对于训练阶段是否构成侵权存在“作品性使用”和“非作品性使用”的争议，但是不可否认的是，现行的《著作权法》对规制此类行为已经显示出明显的滞后性。
　　我国合理使用制度的封闭性导致其适用受阻。我国《著作权法》第24条采取相对封闭的列举模式，没有与美国相似的“四要素测试法”的开放性兜底条款。生成式人工智能数据训练属于大规模的、商业化的、非特定性的行为，不能被归入到“个人学习”或者“科学研究”这些传统的豁免范围之中。强行扩张解释不但会破坏法律的稳定性，而且不能涵盖通用人工智能发展的正外部性。
　　同时法定许可制度存在着结构性的缺失。法定许可制度本应成为降低交易成本的理想工具，但是我国现行法律只对教科书编写、报刊转载等特定场景适用，没有涵盖人工智能数据训练。由于训练数据量巨大、权利归属不清，缺少统一的集体管理机制以及报酬标准，“逐个谈判”的交易成本太高，法定许可制度供给严重不足。
　　二、路径重构：多元协同的规制体系
　　面对以上困境，我国不能简单地照搬域外模式，而应构建起一种以类型化立法、目的性限缩和透明度义务为特征的复合型规制路径。
　　（一）完善合理使用制度：引入“转换性”标准
　　司法上可以采用指导性案例引入“转换性使用”标准。若训练行为是为了培养通用语言能力，而不是模仿某部作品，且没有对原作品市场造成实质性替代，应当认定其具有正当性。同时为了平衡权利人的利益，可以设置“选择退出”机制，即权利人可以通过机器可读的方式声明禁止其作品用于训练，在制度效率和意思自治之间寻求平衡。
　　（二）强化法定许可制度：构建分层分类的获酬机制
　　就商业化大模型训练而言，应当探索建立法定许可制度，承认训练行为受控但简化授权流程。
　　就具体制度的建立而言，首先要确定法定许可的适用范围，即限定在合法公开获取的数据范围内，排除盗版资源等，从而确立数据使用的合法性基础。由于人工智能训练数据具有海量碎片化、不可追溯的技术特点，传统的按件计费模式已经不能适应，需要重新构建价值激励机制，以模型参数规模、商业化营收能力等宏观指标为基础，制定科学合理的阶梯式收费标准。与此同时，为了疏通利益分配的堵点，应该积极推动著作权集体管理组织的数字化转型，搭建专门的人工智能数据许可平台；针对权利人覆盖不全造成的分配难题，可以设立专项著作权补偿基金，将难以分配的许可费用定向投入原创生态建设，从而在制度上有效缓解分配失灵，实现技术红利与创作者权益的良性循环。
　　（三）确立“非作品性使用”解释路径：厘清权利边界
　　从法理层面，应确立“非作品性使用”的解释路径。按照“思想/表达二分法”，生成式人工智能数据训练处理的是作品中的统计规律、句法结构等非表达性要素，原始作品在训练中已经被拆解成高维向量，不再具有可感知的表达形式。因此，此类功能性使用不应落入复制权、改编权的控制射程。该解释路径符合技术逻辑，可以最大程度地给技术创新留出制度空间，但是要注意在模型输出和训练样本构成实质性相似时的侵权风险。
　　生成式人工智能数据训练规制不能只停留在静态的侵权定性上，而应该致力于创建动态的利益平衡机制。完善合理使用制度，强化法定许可制度并确立非作品性使用解释路径，我国可以在保障著作权人合法权益的同时，给人工智能产业提供清晰的合规预期，最终实现技术创新与文化繁荣的良性共生。
　　（作者单位：中南财经政法大学知识产权研究中心）