当AI生成的作品在佳士得以43万美元成交时，传统艺术界开始重新审视「艺术」与「艺术家」的定义。这幅由法国艺术团体Obvious创作的《埃德蒙·贝拉米肖像》，虽然引发了广泛关注，但其版权归属至今仍悬而未决。对于现代艺术领域而言，这场争议的核心问题在于：当创作工具具备了「自主生成」能力，法律是否还应该沿用旧有的「人类中心主义」框架？

版权法的盲区：AI生成作品为何难以定性？

现行《著作权法》明确要求作品必须体现「人类的智力劳动成果」。但AI生成过程的独特性让这一标准面临挑战——以GAN（生成对抗网络）为例，其运作包含两个神经网络：生成器负责模仿训练数据中的风格，判别器则评估输出是否符合「艺术」特征。当模型在数万张现代艺术图像上训练后，输出的图像可能并未直接复制任何现有艺术品，但又在风格上高度相似。这种「非人化」的创作路径，使得法律上最核心的「独创性」判断变得困难。

现有司法实践中的三种典型判例

从全球范围看，法院对AI艺术作品的版权归属主要存在三种立场：1. 否定AI作者身份（如美国版权局2019年明确拒绝为AI作品登记）；2. 将开发者视为作者（英国法院在Naruto案中倾向认定工具提供者）；3. 承认AI为「合作作者」（澳大利亚部分判例支持人类与AI共享版权）。但有趣的是，这些判决都回避了一个技术细节——AI的「涌现行为」：当训练数据包含超10万张不同艺术家的作品时，模型生成的图像往往呈现出无法被简单归因于某个特定艺术品的「风格融合」，这种现象已超出传统「改编权」的规制范围。

技术细节如何影响权利归属？

深入技术层面，AI生成流程可拆解为三个关键环节：数据清洗（剔除带有水印或版权声明的图像）、特征提取（通过卷积神经网络识别笔触、构图、色彩等艺术要素）、生成-判别对抗（决定最终输出的美学阈值）。其中，「特征提取」阶段尤为敏感——若模型在训练时过度学习了某位艺术家的独特风格（如草间弥生的波点或杰夫·昆斯的镜面装置），生成的图像就可能构成「实质性相似」，进而触发侵权风险。目前主流解决方案是采用「风格解耦」技术，将内容特征与风格特征分离存储，但该方法仍无法完全规避法律风险。

值得注意的是，2023年欧盟《人工智能法案》草案中首次提出「AI训练数据透明度」要求，规定开发者必须公开训练数据集中受版权保护的艺术品占比。据斯坦福大学HAI研究所的统计，当前主流AI艺术模型（如Stable Diffusion、Midjourney）的训练数据中，约有12%-18%的图像来自受版权保护的现代艺术作品。这意味着，即使AI生成的图像在视觉上完全原创，其「数据基因」中仍携带了既有的版权印记。

• 数据来源层：训练集是否包含受保护的艺术品？
• 算法干预层：人类在提示词设计、参数调整中的贡献度？
• 输出独创层：生成结果是否达到「最低创造性」标准？

对比分析：传统创作vs.AI创作的版权逻辑差异

传统艺术家创作时，其「智力投入」体现在笔触、构图、色彩调和等具象操作中，这些行为在法律上容易量化为「独创性表达」。而AI创作中，人类的「智力投入」被稀释为数据选择、算法调参、输出筛选等间接行为。以艺术家使用RunwayML为例：其创作过程更像「策展人」而非「创作者」——从AI生成的50张图像中选择3张进行微调，这种「选择-决策」模式是否构成著作权法意义上的「创作」？日本文化厅2022年的指导意见给出了折中方案：若人类对AI输出进行了「实质性筛选和修改」，则该作品可被视为合作作品，但版权比例需按贡献度分配。

给艺术从业者的实操建议

面对当前法律的不确定性，建议艺术家和艺术品交易平台采取以下措施：1. 在AI工具使用协议中明确版权归属（例如要求平台提供「训练数据不含受保护作品」的承诺函）；2. 保存完整的创作日志（包含提示词版本、参数设置、筛选次数等证据链）；3. 对AI生成作品进行二次人工干预（如手动调整关键元素、叠加手绘图层），以强化「人类智力贡献」的举证能力。对于艺次元这类聚焦现代艺术的平台，可考虑引入区块链存证技术，将AI生成过程中的每个节点上链，为潜在的版权纠纷提供不可篡改的技术证据。