作者简介：彭学龙，中南财经政法大学知识产权研究中心主任、博士生导师
库存义，中南财经政法大学知识产权研究中心博士研究生
AI 训练数据引发的争议早已超出单一著作权范畴，呈现出多重法律关系交织、多部门法交叉适用的复杂样态①。出版业作为原创内容生产与传播的核心阵地，其积累的海量图书、期刊、报纸等内容既是生成式 AI 开展模型训练的优质语料，亦使得出版行业成为 AI 训练数据侵权纠纷的高发领域。唯有厘清 AI 训练数据的法益边界与规制规则，才能兼顾 AI 产业发展与出版业权益保护，并促成二者的融合发展。但是，现有研究却多从单一部门法切入，缺乏统合技术创新激励与私权保障的系统性方案[1]。本文以数据客体权利归属状态与流转路径差异为基础，尝试构建“权利主体重合”与“权利主体分离”的类型化分析框架，梳理《中华人民共和国著作权法》《中华人民共和国个人信息保护法》（以下分别简称《著作权法》与《个保法》）在 AI 训练场景中的适用分歧，借鉴欧盟 AI 数据训练全流程治理规则矩阵[2]，探索适配本土实际的规制方案，为我国人工智能法立法提供参考。
一、AI 训练数据法益保护冲突的逻辑拆解
生成式 AI 训练数据的合规困境，表面上是技术突破对法律规则的冲击，实则是多重法益在单一数据客体上的竞合，进而导致法益边界与保护位阶的模糊不清。在本文语境中，“数据法益”并非单一、排他性质的绝对权，而是凝结了原始创作者著作权、用户个人信息权益和数据处理者财产性利益的复合型法益束。在此情形下，首要任务是厘清著作权、个人信息权益与数据财产法益的规范性质，结合产业实践对冲突形态进行类型化区分。
（一）三重法益在 AI 训练场景下的适用困境大模型训练不可避免地涉及对海量作品的数字化复制，从物理表象看，该行为确实落入了我国《著作权法》中“制作一份或者多份”复制行为的文义范畴。理论与实务界普遍倾向于通过合理使用化解这一争议，但我国《著作权法》第二十四条采用法定主义体例，虽设有兜底条款，却未将 AI 训练纳入列举范围。同时，AI 训练的使用目的、方式与市场影响均显著区别于传统合理使用情形，难以通过扩张解释直接获得合法性依据。1. 著作权：合理使用的解释困境近年来，国内外司法实践虽尝试以“分析性使用”“极高转化性使用”等理由[3]，为AI训练创设合理使用的空间，但相关裁判仍局限于个案，无法回应大规模商业化训练的普遍需求。特别是在出版领域，机构投入巨额成本打造的原创内容，在遭到大规模抓取并用作 AI 训练素材的同时，却没有任何合理补偿。需要明确的是，AI 训练旨在提取作品的统计学特征与参数规律、构建语言逻辑规则，并非以再现或向公众提供独创性表达为目的，这与传统复制权“控制作品传播”的规制逻辑存在根本分歧[4]。在缺乏明确立法豁免、司法共识尚未形成之前，单纯依赖合理使用条款的扩张解释，既无法契合 AI 训练“非表达性使用”的技术本质[5]，亦难以从根本上消除商业化模型训练的著作权侵权风险，亟须跳出单一权利限制的思维定式，寻求更高维度的制度支撑。2. 个人信息权益：“匿名化”的合规困境个人信息权益是兼具人格尊严与衍生财产价值的复合型权利束[6]。在 AI 训练数据合规审查中，首要任务是纠正产业界将“去标识化”简单等同于合规避风港的错误认知。原因在于，去标识化并未在物理与逻辑层面彻底切断与特定自然人的关联，仍属于《个保法》的规制范畴；唯有数据满足“匿名化”标准时，方可脱离其监管[7]。但在多模态大模型的预训练阶段，彻底的匿名化处理必然会破坏数据的语义关联与上下文逻辑，直接削弱甚至让数据丧失训练价值。此外，《个保法》第二十七条虽允许在合理范围内处理已公开个人信息，却难以覆盖 AI 训练对亿级数据的规模化使用，且该使用方式明显超出用户公开信息时的合理预期。如何在“保留训练数据语义价值”与“恪守目的限制原则”之间实现平衡，构建有效的退出机制，为 AI 训练奠定合法性基础，是横亘于该维度的法理难题。3. 数据财产法益：内外张力下的行权困境我国现行法律尚未确立绝对权性质的数据财产权。本文所称的数据财产法益，系以《中华人民共和国民法典》（以下简称《民法典》）第一百二十七条的概括保护规则为基础，结合“数据二十条”确立的“三权分置”框架而形成的财产性法益。在 AI 训练数据的法益保护冲突中，由于平台往往是海量数据的实际控制者与集中处理者，数据财产法益的行权困境在平台这一主体上的表现极为典型。具体而言，该法益呈现出对内对外两层张力。对内，其主要表现为平台数据财产法益与在先权利的顺位冲突。平台所享有的财产法益，源于其对海量数据的收集与处理所付出的实质性劳动与资本投入，而非在先权利人的授权。然而，相较于具有优先属性的在先权利，平台基于劳动产生的数据法益在价值位阶上居于次位。基于这种法益位阶差异，为保障价值位阶更高的在先权利完整实现，平台对在先权利的正当行使负有法定容忍义务——这种义务既包括不得通过格式服务协议单方扩张自身数据权限、限制在先权利的消极不作为义务，也包括配合在先权利人主张权利的相关义务[8]。例如，用户若明确拒绝将其发布在平台上的原创图文用于人工智能训练，平台即不得通过服务协议单方授权第三方使用。对外，数据垄断风险日益凸显。部分平台通过设置限制性爬虫协议或部署反爬虫技术，将本应属于公共领域信息及用户数据据为己有，导致数据财产法益既难以保障用户的信息自决权，又异化为阻碍大模型语料流通、制约 AI 产业创新的数据垄断工具。
（二）回归产业实践：法益保护冲突的类型化区分依据权利主体的归属状态与数据流转路径的差异，AI 训练数据引发的法益保护冲突呈现出两种截然不同的样态。一是权利主体重合型冲突。该样态是当前产业实践中最普遍、却在理论研究中长期被忽视的场景。例如，海量用户在社交平台发布原创图文，用户构成内容的著作权人、个人信息主体与原始数据提供者，形成权利主体“三位一体”的结构。此类冲突的核心并非外部主体间的侵权博弈，而是平台与用户之间内部授权链条的断裂。实践中，平台提供的概括性服务协议，既无法等同于著作权法意义上针对复制权及 AI 训练的明确授权，更无法替代《个保法》就敏感信息处理与用途变更所要求的单独同意①。这种授权机制的内在矛盾，正是当前大量通用大模型陷入系统性“带病训练”的根源所在[9]。二是权利主体分离型冲突。在此场景下，同一数据客体承载着作者、个人信息主体、数据平台等多方主体的不同法益，权利归属呈现分离状态[10]。AI 企业为满足个人信息保护要求对语料进行脱敏、修改或去标识化处理，极易破坏作品的完整性，进而侵犯著作人身权；而其为获取高质量训练语料实施的抓取行为，一旦实质性规避目标网站的爬虫协议，又会触发运营方基于反不正当竞争法提起的诉讼。质言之，对单一部门法的合规安排，往往会引发另一部门法的违法风险，使 AI 企业陷入动辄得咎的多重合规困境。
二、多重法益保护冲突的规制路径检视：以欧盟规则为镜鉴
在全球人工智能治理格局中，针对由 AI 训练数据引发的法益保护冲突，各主要法域正加速推进制度重构。欧盟模式以其强监管的底色构建了具有示范效应的规制框架，但我国在引介域外经验时须警惕简单的“拿来主义”，应当以我国数据法益面临的现实冲突为导向，立足于我国司法生态与产业发展现状展开批判性检视。
（一）著作权规制路径的域外探索与本土局限为应对大模型训练引发的著作权侵权风险，欧盟并未采取美国弹性解释“合理使用”的司法路径[11]，而是确立了“法定豁免”与“事前监管”相结合的规制模式。1. 制度构成：TDM 例外与 AI 透明度义务的协同欧盟《单一数字市场版权指令》第四条设置了文本与数据挖掘（TDM） 的版权例外条款，允许在合法获取作品的前提下对受保护的作品进行复制和提取，但同时赋予权利人声明保留的权利。具体来说，只要权利人未对机器可读等方式明确禁止，AI 企业即可合法抓取并使用相关作品。在此基础上，《人工智能法案》第五十三条进一步完善该规则，针对通用人工智能模型提供者增设专项版权合规要求：一是需制定并落实相关制度，严格遵守欧盟版权相关指令，有效识别并尊重权利人依据 TDM 例外条款享有的声明保留权利；二是施加强制性透明义务，公开用于模型训练的内容摘要。由此，欧盟形成了 TDM 例外与 AI 专项监管相衔接、权利保留与透明披露并重的规制体系。2. 本土检视：欧盟规则的适配缺陷欧盟模式虽提供了较为清晰的版权合规指引，但直接移植至我国仍存在明显局限。其一，声明保留机制存在极高的技术门槛。从功能主义与贡献论出发，著作权制度应以保护人类创作者为核心，平台不得借助技术优势与形式规则转嫁权利行使成本、损害个体创作者的合法权益[12]。但在实践中，要求普通个人创作者用“机器可读”格式为自身作品设置权利保留条款几乎难以实现。更进一步说，该做法还会将权利识别与风险防范的成本不合理地转移给创作者。其二，欧盟模式无法解决权利主体重合场景下的授权瑕疵问题。TDM 例外本质上是为外部数据抓取行为设立的法定豁免，其制度逻辑建立在权利人可通过声明保留自主排除数据挖掘的基础之上。但平台兼具数据控制者与大模型训练者双重身份，其往往利用不平等的服务协议直接攫取用户数据，导致用户在不知情或非自愿同意的情况下，丧失作出声明保留的现实可能。在此情形下，TDM 例外本应赋予用户的权利保留通道被平台的不平等缔约行为提前阻断，使其反而成为平台绕开正当授权流程、规避版权合规义务的工具。除欧盟模式外，日本对 AI 训练数据的著作权规制呈现出截然相反的路径。依据日本《著作权法》第三十条之四，只要 AI 训练不以享受作品或情感为目的，而是为了机器学习，原则上就不构成侵权。日本模式虽有利于 AI 产业发展，但有过度向资本与技术倾斜、架空创作者权益之嫌[13]。对我国而言，既不能盲从欧盟的“规制过度”，也不得效仿日本的“规制真空”，亟须探索保护与利用并重的中间道路。
（二）个人信息保护路径的刚性约束与弹性突围AI 训练对海量数据的依赖，使其在数据获取与使用中不可避免地与个人信息权益保护产生冲突。《通用数据保护条例》（GDPR） 作为全球个人信息保护领域的标杆性规制体系，其预设的监管逻辑在 AI 训练语境下暴露出明显的制度性适配问题。1.“正当利益”与“目的限制”的内在冲突AI 训练的规模化特性，决定了企业难以逐一获取用户的“单独同意”，因而实务中普遍援引 GDPR 第六条（1）（f） 项下的“正当利益”作为合法性基础，但其适用存在限制，尚需通过目的测试、必要性测试与平衡测试逐一评估[14]，这体现出欧盟监管机构对 AI 数据使用的审慎态度。与此同时，GDPR 第五条（1）（b）确立的“目的限制原则”成为另一大核心障碍。根据该原则，个人信息的收集与使用需与用户最初授权的目的一致，不得超出授权范围造成实质性用途变更。实践中，用户最初在公开平台发布个人信息的目的往往是社交分享或信息展示，而 AI 企业将其用于构建底层参数和商业化模型，通常构成实质性目的变更。即便采取“去标识化”技术，在 GDPR 框架下通常也难以构成其使用的正当性。需要说明的是，这一僵局在 2025 年德国科隆高等法院对 Meta 案的裁判中得到缓解[15]。该案中，法院并未机械否定目的扩张的合理性，而是结合 AI 训练的产业特性、用户合理期待与Meta 采取的合规措施，最终认可“正当利益”可作为 AI 训练使用公开个人数据的合法性基础，为目的限制原则在 AI 场景的弹性适用提供了关键指引。2.GDPR“匿名化”豁免逻辑的局限性在 GDPR 体系中，彻底的匿名化被视为摆脱监管的避风港，但这一预设在多模态大模型时代已经失效。诚如上述，多模态大模型的核心优势在于捕捉数据中的语义关联、上下文逻辑，而彻底的匿名化需要对训练数据进行全面的语义清洗与身份信息剥离，这会直接破坏数据的关联性，导致模型训练效果大幅下降，甚至无法完成训练任务。倘若我国完全照搬这种非黑即白的豁免逻辑，将使 AI 企业陷入两难困境：要么彻底销毁含个人信息的训练数据，导致模型无法正常训练，阻碍产业创新；要么继续使用数据，面临 GDPR 式的高额罚单与合规风险。相较之下，我国未来立法应当突破域外依赖“单独同意”或“匿名化”的僵化路径，探索更具弹性的风险分级评估机制。
（三）跨部门法衔接的规制盲区与人工智能法的制度回应以欧盟《人工智能法案》为代表的域外规制经验，尽管在著作权、个人信息保护等单行法层面针对 AI 训练数据问题进行了有益探索，但整体仍呈现出部门法分割规制的碎片化特征，缺乏跨部门法的规范互操作性①，难以有效回应AI 训练数据引发的法益保护冲突。一方面，未能有效统筹著作权、个人信息权益与数据财产法益的顺位及其边界划分。实践中，若个人依据 GDPR 行使删除权，要求大模型从已训练完毕的海量参数中去除特定权重，不仅在技术上难以实现，还可能破坏模型结构完整性并影响其正常运行；而权利人依据版权规则主张声明保留时，又与数据隐私保护的技术现状不相适配。尤为关键的是，当受版权保护的作品中包含个人信息时，欧盟 GDPR 与版权规则之间缺乏明确的统筹协调机制，条款表述自相矛盾、权利顺位模糊，直接导致规则适用混乱[16]。另一方面，相关制度缺乏对“数据垄断”与“开放共享”的协调。欧盟虽通过GDPR 赋予了用户数据可携带权，但由于法规未强制规定互操作性要求，使得该项权利难以打破超级平台的数据壁垒，为此，欧盟又出台《数字市场法》，试图通过事前管制推动数据的互操作与开放[17]。这一跨部门法衔接的困境，同样是我国当前法律体系面临的痛点。面对 AI 训练数据的法益重叠，我国《著作权法》《个保法》与《民法典》均受限于各自的调整对象与规范目的。欧盟实践证明，试图通过单一部门法的内部修法或扩张解释来解决跨界冲突，往往会陷入“按下葫芦浮起瓢”的窘境。换言之，仅靠同级部门法的内部缝补无法从根本上消除多重法益的竞合矛盾。正因如此，制定我国人工智能法具备了不可替代的立法正当性。人工智能法不应仅仅定位于一部防范技术风险的行业监管法，更应成为统筹多元法益保护的衔接性法律。它至少需从两个层面弥补现有部门法的局限：其一，通过创设超越传统绝对权框架的特定数据使用豁免与利益补偿机制，为解决法益保护冲突提供跨部门的统一标准；其二，通过确立特定场景下的法益优先顺位，从顶层设计上弥合单行法之间的裂隙。未来的制度建构应以促进数据要素合法、高效、有序流转为导向，在精准识别并拆解不同法益属性的基础上，建立一套兼顾创作者权益补偿、个人信息风险阻断与打破平台数据孤岛的综合性制度体系，实现权利保障、产业创新与数据流通的多元平衡。
三、生成式 AI 训练数据法益保护冲突的规制路径
基于前文对“权利主体重合”与“权利主体分离”场景的法理剖析，我国的制度构建路径应遵循“分场景精准施策”“分法益补全规则”的逻辑，从内部授权重构与外部审查顺位两个维度，探索契合本土产业发展的规制路径。
（一）破解“权利主体重合”的内部困境：重塑授权链条与收益分配机制在用户、创作者与原始数据提供者“三位一体”的复杂场景中，问题根源在于平台利用服务协议所构筑的数据垄断。为有效规制社交平台利用格式条款进行“一揽子”授权，从而概括性攫取用户著作权、个人信息权益与数据财产法益的行为，亟须推动《著作权法》《个保法》与《民法典》的协同适用。在制度设计上，应当构建以约定许可为原则、法定许可为补充的复合型许可机制。一方面，应在立法与司法解释层面系统性完善数据授权规则；另一方面，需辅以制度化的收益分配机制，实现对用户权益的实质性保障。1. 确立动态授权的法律规制平台将用户数据用于自身研发或转交第三方开展大模型训练，既涉及《著作权法》项下复制权的商业性使用，也因超出用户接受平台基础服务的合理预期，构成《个保法》意义上对处理目的的实质性变更，同时还侵害《民法典》所保护的个人信息权益与数据利益。依据《个保法》，数据处理目的实质性变更须重新取得用户有效同意；结合《民法典》关于格式条款的规制要求，平台通过格式条款将基础服务授权与 AI 训练授权捆绑，属于不合理免除自身责任、排除用户主要权利的情形，应依法认定该部分格式条款对用户不具有法律约束力[18]。尤为关键的是，对于用户的非公开个人信息、未发表作品，以及涉及人脸、医疗健康等敏感个人信息的内容，必须严格适用动态授权取得个人单独同意，完全排除法定许可的适用空间。就此而言，应当在配套的司法解释或未来的人工智能法中，将平台的动态授权机制上升为法定义务。AI 训练数据的合法性须建立在用户单独、明确、自愿的授权之上。在规则构建层面，应强制要求平台在服务协议中将基础服务必要授权与 AI 训练专项授权予以解绑，不得捆绑授权。对于用户公开发布的图文内容，平台应设置清晰的授权选项，并在首次触发 AI 相关协议时，以独立弹窗、显著标识等非默认勾选方式获取授权。此外，还应在立法层面明确用户撤回授权的效力边界。鉴于大模型训练的技术局限性，用户撤回后，虽不能要求平台删除已训练成型的模型参数，但平台负有法定的停止使用义务，应立即切断该数据的后续使用链条。平台拒不履行以上义务的，不仅违反《个保法》，亦构成对用户个人信息权益与著作权的侵害，依法承担相应的侵权责任。2. 构建法定许可与市场化相结合的授权机制在 AI 训练数据利用场景中，普通个体创作者缺乏与大型 AI 企业直接议价的能力，而平台作为数据处理主体往往独占数据使用收益，进一步加剧创作者权益虚化。保障数量庞大且高度分散的个体创作者共享 AI 发展红利，需要对现行《著作权法》进行适用性拓展。唯有以平台为中介，引入市场化、专业化的第三方机构搭建合规流转桥梁，才能让分散创作者真正参与数据要素价值分配，维系内容生产的长期激励[19]。在立法建构层面，应探索将部分不涉及核心人格利益的普通图文语料纳入《著作权法》的法定许可或集体管理范畴。其中，法定许可作为核心制度支撑，应明确其适用规则。具体来说，针对已公开发表、无法实现精准授权的普通图文语料，豁免 AI 企业事前逐一取得权利人许可的义务，但不得侵害权利人核心权利，且需事后支付合理报酬。在此前提下，一方面，依托法定许可规则，由版权集体管理组织统筹负责报酬的收取与转付，鼓励版权集体管理组织或数据信托机构作为中介，对分散的个人原创图文、语料进行全面确权、合规审查与去标识化处理，在形成标准化的数据产品后于数据交易所挂牌交易。同时，应鼓励出版机构作为重要的权利方，深度参与版权集体管理与数据交易体系建设，将其拥有的正版内容资源转化为可交易的数据产品，通过市场化机制实现版权价值的二次变现，为出版业数字化转型开拓新的盈利增长点。另一方面，可依托区块链与智能合约技术，在数据交易系统内嵌入收益分配协议。当包含特定用户原创内容的作品数据集被 AI 企业购买并用于商业化大模型研发、运营并产生收益时，智能合约系统可依据数据沙普利值①、内容影响力、实际使用量等量化指标[20]，自动将部分交易收益按比例结算至创作者账户。通过上述法律制度的完善与技术手段的结合，在法律框架内实现“技术搭便车”向“数据红利共享”的规范转变。
（二）弥合“权利主体分离”的外部互斥：构建跨部门法的协调与豁免规则针对多重法益并存引发的单行法适用冲突，应在司法裁判体系中建立跨部门法的规范互操作机制，明晰不同法益的保护顺位与边界，实现私权保护与 AI 产业发展的动态平衡。1. 确立多重法益竞合的司法审查顺位当同一数据载体同时承载多项法益时，跨部门法协调的核心任务是改变碎片化的审查模式，依据利益位阶划定法益审查顺位，结合比例原则明确其边界。其一，核心人格利益具有绝对优先保护位阶。若 AI 企业抓取的训练语料中包含未经脱敏处理的敏感个人信息，无论相关内容是否构成作品、平台是否主张数据财产法益，AI 企业不得主张适用《著作权法》合理使用规则进行抗辩，必须严格依照《个保法》立即停止抓取和训练行为，并删除有关信息，坚守人格权益保护的底线。其二，财产性权益适用比例原则。对于不涉及核心隐私的公开图文数据，应在著作权所倡导的知识传播、平台数据财产权益与 AI 产业合理数据需求之间权衡尺度。例如，当平台以数据安全或数据财产权益为由，设置过度严苛的反爬取技术壁垒，这实际上阻碍了公共领域信息或已获授权作品的流通。鉴于爬虫技术本身具有中立性，若爬取行为未造成“实质性替代”后果，也未对平台运行造成“实质性妨碍”，则不应认定为不正当竞争[21]，而应优先保障 AI 产业的合理数据获取权与知识传播利益。2. 确立“技术与法律双重避风港”的免责规则无论是利益驱动还是技术限制，训练过程中都难以完全避免偶发性侵权或合规瑕疵。因而法律有必要基于技术中立与产业发展的价值平衡，容忍 AI 训练环节一定程度的技术误差，避免 AI企业承担过于严苛的法律责任[22]。为避免现行《著作权法》与《民法典》的严苛侵权责任阻碍技术创新，建议在司法裁判规则中引入“技术与法律双重避风港”的特别豁免机制。针对 AI 企业，其主张豁免需满足三项客观要件：一是数据来源合法性验证，坚决排除非法窃取等违法来源的数据；二是部署事前侵权阻断技术，采用哈希值比对、数字指纹匹配等行业技术，在数据入库前对已知侵权作品及敏感个人信息进行过滤剔除[23]；三是建立事后权利救济机制，设置畅通的“通知—阻断”通道，及时响应权利人的侵权异议与合规诉求。一旦 AI 企业完成上述举证，司法裁判即可免除其可能承担的惩罚性赔偿、高额法定赔偿等严苛民事责任，并考虑以支付合理的数据使用补偿金替代“停止侵权”判决，在法律实施层面减少对 AI 产业发展的影响。
（三）统筹与超越：人工智能法的立法进路上述跨部门协调与豁免规则虽能在司法个案中缓解冲突，但受限于三大单行法各自的调整对象与规范目的，实则难以提供全局性、全周期的规范供给。当下，人工智能法的立法构想与制度设计是学界聚焦的核心话题。在立法定位上，人工智能法不应仅仅定位于防范风险的“监管法”，更应成为统筹多元法益保护与数据要素流通的综合性特别立法。其一，确立促进数据要素高效、安全、有序流通的立法基调。人工智能法宜在总则中明确，人工智能产业创新与高质量发展，以高质量数据要素市场化优化配置、跨平台安全有序流通为核心支撑与关键保障。针对超大型平台滥用爬虫协议、以技术手段将公共领域语料封闭为私有资源进而形成数据垄断的行为，立法应设置强制数据开放义务与公共利益导向的数据互操作规则[24]。对通用大模型训练等具有公共创新价值的场景，在满足安全审查与隐私保护要求的前提下，允许其在合理范围内突破平台设置的不当技术壁垒，防止数据财产权异化为阻碍创新的垄断工具。其二，构建跨部门法统筹协调机制。人工智能法应为现行法律在人工智能场景中的适用提供清晰的适用指引。在行为定性层面，明确AI 训练在数据来源合法的前提下属于“非表达性使用”，构成对著作权排他性权能的法定限制；在个人信息保护层面，针对模型参数不可逆的技术现实，应通过对输出端的技术阻断来防止个人信息泄露，并以此作为满足删除义务的有效替代方案；在财产法益保护层面，衔接《民法典》第一百二十七条，明确数据控制者、原始用户与 AI 开发者的权利边界及数据红利分配规则。此外，建立国家统一、分级分类的训练语料披露标准与备案平台，替代目前多部门重叠，甚至冲突的审查要求，以降低企业合规成本。
四、结语
生成式 AI训练数据所引发的法益保护冲突，实际上是数字时代数据要素利益分配重构诉求的集中反映。法律不应歧视人工智能，更不能阻碍技术创新。未来，我国人工智能法应超越单一的防风险监管定位，担起跨部门法统筹的重任。唯有在顶层设计中破除数据垄断、统一合规标准，才能在私权保障与产业创新之间寻求动态平衡，为全球 AI 治理贡献兼具产业活力与人文关怀的“中国方案”。
（限于篇幅，参考文献从略。若有需要，请参阅《出版传媒研究》2026年第2期）
引用格式参考
GB/T 7714-2025 彭学龙，库存义.生成式人工智能训练数据法益保护冲突与类型化规制[J].出版传媒研究，2026(2)：159-167.
CY/T 121-2015 彭学龙、库存义:《生成式人工智能训练数据法益保护冲突与类型化规制》，《出版传媒研究》2026年第2期，第159—167页。