荐读生成式人工智能的知识产权法律因应与制度创新

荐读|生成式人工智能的知识产权法律因应与制度创新

作者简介

吴汉东(1951—),江西东乡人,中南财经政法大学,教授,博士,研究方向:知识产权法;

刘鑫(1991—),山东蓬莱人,中南财经政法大学,副教授,博士,研究方向:知识产权法。

摘要

关键词

生成式人工智能;知识产权;算法;数据

一、生成式人工智能知识产权法律问题的基本由来

早在20世纪末,美国科学家泰勒和科扎便分别以人工神经网络技术和基因编程技术为基础,开发出能够主动创新的人工智能机器人CreativityMachine和InventionMachine[4]。如今,美国OpenAI人工智能实验室更是凭借海量文本深度挖掘的机器学习系统开发出具备人机互动能力,并能够模仿人类对话者进行程序、音乐、诗歌等多种内容创作与编辑的ChatGPT[5]。伴随着生成式人工智能在技术构架上日趋完善、在产品类型上日渐丰富,日益凸显的知识产权法律问题却也与之相伴而生,一方面,生成式人工智能由多项技术成果组成的复合产品结构会带来知识产权保护客体的重叠性难题;另一方面,生成式人工智能脱离人类干预与控制的自主运转功能则会引发知识产权保护标准的颠覆性挑战。由此,有必要从生成式人工智能的复合产品结构和自主运转功能两个维度予以分别展开,明确生成式人工智能的知识产权法律问题缘何而来,以便进行生成式人工智能的知识产权法律问题应对路径的选择与探索。

(一)生成式人工智能复合产品结构所带来的法律难题

(二)生成式人工智能自主运转功能所诱发的法律挑战

////

二、生成式人工智能核心要素的知识产权保护难题

(一)生成式人工智能基础算法知识产权保护的法律难题

(二)生成式人工智能关键数据知识产权保护的法律难题

生成式人工智能的关键数据是技术运转与功能呈现的重要保证。在缺少关键数据供给与支撑的情况下,无论人工智能具备多么强大的机器学习能力,其所生成的衍生内容也无法达到应用的效果。因而在讨论生成式人工智能核心要素知识产权问题过程中,数据无疑是除算法之外的另一个重要的保护对象,并须以适当的法律规范对其予以有效调整。但是,对于生成式人工智能关键数据而言,如若不展开必要的制度创新,现行知识产权制度则往往并不能对其进行全面的法律保护,相应的数据知识产权保护法律难题也由此触发。

三、生成式人工智能衍生内容的知识产权规制挑战

(二)生成式人工智能衍生内容知识产权确权的法律挑战

与之相反的是,一旦论及生成式人工智能衍生内容知识产权侵权的责任问题,在算法设计者、数据提供者、投资者、使用者等贡献者之间则会形成与权利争夺相类似的责任推诿,只是各方会将争辩的内容由谁的贡献更大转变为谁对侵权内容的影响最小罢了。虽说从权责一致的法律原则着手,可以确定生成式人工智能衍生内容知识产权的掌控者,即为对应侵权责任的承担者,但问题似乎依旧停留在原点,仍需进一步明确算法设计者、数据提供者、投资者、使用者等众多贡献者之间的权利配置与责任分担。

四、生成式人工智能知识产权法律变革的路径选择

唯有如此,在全面解析生成式人工智能的知识产权法律问题的前提下,才能就生成式人工智能知识产权法律变革作出科学合理的路径选择,从而实现对生成式人工智能知识产权充分保护及有效规制的目标与宗旨。

(一)形成生成式人工智能核心要素的专门性知识产权保护机制

1.生成式人工智能基础算法的知识产权保护制

2.生成式人工智能关键数据的知识产权保护机制

(二)构建生成式人工智能衍生内容的系统性知识产权保护规则

2.生成式人工智能衍生内容的知识产权确权规则

五、结语

参考文献

[1]吴汉东.人工智能时代的制度安排与法律规制[J].法律科学(西北政法大学学报),2017(5):130-133.

[2]刘艳红.生成式人工智能的三大安全风险及法律规制——以ChatGPT为例[J].东方法学,2023(4):29-43.

[3]刘鑫.新业态知识产权保护法律问题的阐释与疏解[J].中国市场监管研究,2021(10):31-35.

[4]ABBOTTR.Ithink,thereforeIinvent:creativecomputersandthefutureofpatentlaw[J].BostonCollegeLawReview,2016,57(4):1085.

[5]张夏恒.ChatGPT的逻辑解构、影响研判及政策建议[J].新疆师范大学学报(哲学社会科学版),2023(5):113-123.

[6]J.M.穆勒.专利法[M].3版.沈超,等译.北京:知识产权出版社,2013:25.

[7]LIUX.BasicArchitectureandpatentabilityanalysisofartificialintelligencetechnology[J].科技与法律(中英文),2022(1):118-126.

[8]FRASERE.Computersasinventors-legalandpolicymplicationsofartificialintelligenceonpatentlaw[J].SCRIPTed:AJournalofLaw,TechnologyandSociety,2016,13(3):319.

[9]付丽霞,刘鑫.人工智能时代新闻出版领域著作权问题的类型化分析[J].科技与出版,2021(6):110-117.

[10]SCHERERM.Regulatingartificialintelligencesystems:risks,challenges,competencies,andstrategies[J].Harv.J.L.&Tech.2016,29(2):363-374.

[11]吴汉东.人工智能生成作品的著作权法之问[J].中外法学,2020(3):653-656.

[12]王迁.论人工智能生成的内容在著作权法中的定性[J].法律科学(西北政法大学学报),2017(5):148-155.

[13]易继明.人工智能创作物是作品吗[J].法律科学(西北政法大学学报),2017(5):137-147.

[14]吴汉东.人工智能生成发明的专利法之问[J].当代法学,2019(4):24-38.

[15]朱雪忠,张广伟.人工智能产生的技术成果可专利性及其权利归属研究[J].情报杂志,2018(2):69-75.

[16]杨利华.人工智能生成技术方案的可专利性及其制度因应[J].中外法学,2023(2):346-364.

[17]SHAPIROC.Navigatingthepatentthicket:crosslicensing,patentpoolandstandardsetting[J].ChapterinNBERbookInnovationPolicyandtheEconomy,2001,1(1):119-150.

[18]LEMLEYM.Themythofthesoleinventor[J].MichiganLawReview,2012,110(5):749.

[19]VERTINSKYL,RICET.Thinkingaboutthinkingmachines:implicationsofmachineinventorsforpatentlaw[J].B.U.J.Sci.&Tech.L.,2002,8(2):590.

[20]LIUX.Onpolicychoiceandethicalresponseofpatentprotectionofgeneeditingachievements[J].科技与法律(中英文),2023(1):140-148.

[21]付丽霞.美国专利客体制度发展历程的回顾与梳理[J].中国发明与专利,2019(1):20-25.

[22]张吉豫.智能时代算法专利适格性的理论证成[J].当代法学,2021(3):89-100.

[23]关儒,黄玉烨.人工智能算法的专利适格性问题研究——基于算法特征的讨论[J].科技与法律(中英文),2023(2):88-96.

[25]姚叶.人工智能算法专利的技术、理论、问题与中国之应对[J].科技进步与对策,2022(16):134-141.

[26]吴桂德.商业数据作为知识产权客体的考察与保护[J].知识产权,2022(7):91-109.

[27]田小楚,高山行.论大数据在著作权法保护中的冲突与协调[J].重庆大学学报(社会科学版),2021(1):141-151.

[28]刘鑫.大数据时代数据知识产权立法的理据与进路[J].知识产权,2023(11):41-58.

[29]于是.《反不正当竞争法》一般条款适用的泛化困局与绕行破解——以重构“二维指征下的三元目标叠加”标准为进路[J].中国应用法学,2020(1):112-132.

[30]李爱君.数据权利属性与法律特征[J].东方法学,2018(3):64-74.

[31]DAVIESCR.Anevolutionstepinintellectualpropertyrights—artificialintelligenceandintellectualproperty[J].ComputerLaw&SecurityReview,2011,27(1):601-619.

[32]梁志文.论人工智能创造物的法律保护[J].法律科学(西北政法大学学报),2017(5):156-165.

[34]熊琦.人工智能生成内容的著作权认定[J].知识产权,2017(3):3-8.

[35]刘鑫.人工智能创造物知识产权保护的正当性释疑——黑格尔“财产权人格学说”下的理论证成与制度调适[J].科技与法律,2020(6):41-47.

[36]BOYDENB.Emergentworks[J].ColumbiaJournalofLaw&theArts,2016,39(3):377-394.

[38]刘强,周奕澄.人工智能发明专利审查标准研究[J].净月学刊,2018(3):76-85.

[39]刘鑫.人工智能生成技术方案的专利法规制——理论争议、实践难题与法律对策[J].法律科学(西北政法大学学报),2019(5):82-92.

[40]孙正樑.人工智能生成内容的著作权问题探析[J].清华法学,2019(6):190-204.

[41]黄玉烨,司马航.孳息视角下人工智能生成作品的权利归属[J].河南师范大学学报(哲学社会科学版),2018(4):23-29.

[42]王瀚.欧美人工智能专利保护比较研究[J].华东理工大学学报(社会科学版),2018(1):100.

[43]许明月,谭玲.论人工智能创作物的邻接权保护——理论证成与制度安排[J].比较法研究,2018(6):42-54.

[44]SAMUELSONP.Allocatingownershiprightsincomputer-generatedworks[J].UniversityofPittsburghLawReview,1986,47(4):1199.

[45]吴汉东.知识产权法的制度创新本质与知识创新目标[J].法学研究,2014(3):95-108.

[46]狄晓斐.人工智能算法可专利性探析——从知识生产角度区分抽象概念与具体应用[J].知识产权,2020(6):81-96.

[47]吴汉东.计算机软件专利保护问题研究[J].当代法学,2022(3):3-16.

[49]吴汉东.数据财产赋权的立法选择[J].法律科学(西北政法大学学报),2023(4):44-57.

[50]丁晓东.论企业数据权益的法律保护——基于数据法律性质的分析[J].法律科学(西北政法大学学报),2020(2):90-99.

[51]卢纯昕.反不正当竞争法在知识产权保护中适用边界的确定[J].法学,2019(9):37-39.

[53]HATTENBACHB,GLUCOFTJ.Patentsinaneraofinfinitemonkeysandartificialintelligence[J].StanfordTechnologyLawReview,2015,19(1):32-51.

[54]袁曾.人工智能有限法律人格审视[J].东方法学,2017(5):50-57.

[55]刘鑫.人工智能自主发明的伦理挑战与治理对策[J].大连理工大学学报(社会科学版),2023(4):80-85.

[56]MERGESP.Individualcreatorsintheculturalcommons[J].CornellLaw,2010,95(4):793-806.

互联网新闻信息服务许可证:34120170002;信息网络传播视听节目许可证:1208228

THE END
1.数据挖掘师在市场中的地位与未来的展望随着大数据技术的飞速发展,数据挖掘这一领域也迎来了前所未有的爆炸性增长。作为一名专业的数据分析人员,数据挖掘师不仅需要具备深厚的数学和统计学知识,还要有强大的编程能力以及对业务模式的深刻理解。在这个信息爆炸时代,能够从海量数据中提取有价值信息的人才是最宝贵的。 https://www.f3kg3td6j.cn/jun-lei-zi-xun/496259.html
2.探索数据世界的未知领域,特征生成挑战文化艺术摘要:在数据世界中,我们不断探寻未知的领域,试图解锁其中的奥秘。有时在生成特征的过程中,我们可能会遇到无法生成特定特征的挑战。这并不意味着探索的结束,反而是探索旅程中的一部分。面对未知,我们需要保持开放的心态,持续挖掘数据的潜力,以期发现新的见解和洞见。尽管面临挑战,但我们仍要勇往直前,不断突破自我,探https://m.hkstv.net/post/7768.html
3.大数据挖掘价值洞察研究大数据挖掘价值-洞察研究 下载积分: 1388 内容提示: 大数据挖掘价值 第一部分 大数据挖掘概述 2 第二部分 大数据挖掘技术 4 第三部分 大数据挖掘应用场景 https://www.doc88.com/p-69619764087796.html
4.机器学习面临的三个关键数据挑战数据质量、稀疏性和完整性直接影响最终模型的准确性,并且是当今机器学习面临的一些比较大的挑战。拥有清晰数据定义,政策并探索行业特定数据标准的组织将在短期和长期项目中受益。 如果您还没有,那么您的组织应该首先定义自己的数据收集策略,元数据格式,然后应用标准的安全技术。数据质量和稀疏性齐头并进。下一步,设置元https://www.528045.com/article/7f423917e5.html
5.科学网—人工智能赋能科学与工程前沿——知识与数据融合之径人类的认知过程是从数据、信息、知识到智慧螺旋上升的,数据驱动的人工智能在这段时间已明显发现短板,数据和物理规律、数据与模型、物理信息神经网络等等旨在知识和数据双驱动的人工智能被提上日程。 但知识与数据如何双驱动属于探索的“前沿”。在数据集、特征工程、激活函数、网络结构(比如,约束条件,网络参数)、损失函https://blog.sciencenet.cn/home.php?mod=space&uid=32670&do=blog&id=1465224
6.机器学习:开启智能未来的钥匙腾讯云开发者社区机器学习作为人工智能的核心方法,通过分析数据中的隐藏规律,让计算机从中获取新的经验和知识,不断提升和改善自身性能,从而像人一样根据所学知识做出决策。 机器学习涉及概率论、统计学、微积分、代数学、算法复杂度理论等多门学科,是一门多领域交叉学科。其应用范围极为广泛,涵盖自然语言处理、图像识别、推荐系统、金融https://cloud.tencent.com/developer/article/2478495
7.数据挖掘的挑战与机遇:大数据时代的测试在大数据时代,数据挖掘技术已经成为企业和组织中最重要的一项工具,它可以帮助企业发现隐藏在海量数据中的价值,提高业务效率,提升竞争力。然而,数据挖掘技术也面临着许多挑战,如数据质量问题、算法复杂性问题、计算资源问题等。因此,在大数据时代,数据挖掘技术的发展和应用需要不断创新和挑战。 https://blog.csdn.net/universsky2015/article/details/137296733
8.数据挖掘有什么作用与意义帆软数字化转型知识库3、数据挖掘工具:常用的数据挖掘工具包括Weka、RapidMiner、KNIME、SAS、SPSS等。这些工具提供了丰富的功能,能够帮助用户进行数据预处理、建模、评估等工作。 4、大数据技术:随着数据量的增加,传统的数据挖掘技术和工具在处理大数据时面临挑战。为此,出现了Hadoop、Spark等大数据技术,这些技术能够处理海量数据,提高数据挖掘https://www.fanruan.com/blog/article/575539/
9.数据挖掘技术方法(精选十篇)数据挖掘技术方法 篇4 关键词:大数据,审计,数据分析 0引 言 审计是保障国家经济社会健康运行的“免疫系统”,在数据信息爆炸的今天,大数据的浪潮促使着审计思维模式的变革。面对已经到来的大数据时代和由此带来的数据量、数据类型、数据处理方式的转变,意味着在大数据环境下进行审计数据分析将面临更大的技术挑战。2012年https://www.360wenmi.com/f/cnkeyg31vygx.html
10.人工智能跨领域应用探索:机遇与挑战并存机器人自然语言处理人工智随着AI技术的迅速发展,伦理和社会影响的问题也日益突出,renshangzhibo.net,。AI的应用涉及到隐私、安全和公平等多个方面。例如,在医疗和金融领域,数据隐私是一个重要问题。如何保护用户的个人信息,同时又能利用数据进行有效的AI分析,这是一个亟待解决的挑战,zhiboduniang.net,。 https://www.163.com/dy/article/JJAQ3NKH055670JB.html
11.数据挖掘与预测分析:趋势效益挑战预测分析工具的学习曲线、复杂性和成本是主要的挑战。另外,如果你正致力于部署先进的预测分析工具,你需要聘请专业的高薪人才来处理数据的准备和清理,建立和评价预测模型,并将模型和他们的结果集成到你的BI、CRM和其他应用环境中。如果你决定通过数据库内分析把预测分析倡议整合到数据仓库中,你需要将处理这些功能的人组成http://www.searchdatabase.com.cn/7-19620/
12.大数据技术的道德意义与伦理挑战TheMoralMeaningandEthicalChallenges这就是在各个层次上由大数据技术开拓的数据挖掘的“文明指引”。一旦“文明指引”通过云计算被揭示出来且用于指导个体行动者的行动,道德价值和社会法则就会“具形化”于大数据技术展现的物质形式和文明形态之中。从这一意义上看,如果说数据挖掘技术带来了数据驱动型社会的降临,那么它的驱动力结构体现的文明指引功能,就http://www.sass.cn/109002/41985.aspx
13.数据挖掘VS机器学习,你了解多少?如今,获取数据比以往任何时候都更容易,但从数据中生成见解和信息正变得更具挑战性。企业经常发现自己处于一种情况,他们拥有的数据远远超过他们所知道的数据,这可能会适得其反,导致无所作为。 数据挖掘和机器学习是企业将这些庞大的数据库转化为有用信息的两种主要方法。 https://www.fromgeek.com/telecom/509859.html
14.干货▏面向大数据的时空数据挖掘面向大数据的时空数据挖掘的挑战 尽管时空数据挖掘研究在近几年引起了人们的广泛关注并得到快速发展,但与传统数据挖掘相比,时空数据挖掘研究还远未成熟。随着时空数据采集效率的不断提高,时空数据积累越来越大,时空数据挖掘也面临诸多挑战。 理论框架 相较于传统的数据挖掘技术,时空数据挖掘研究还远未成熟。对于结构复杂且https://czj.guiyang.gov.cn/new_site/zwgk_5908373/zszc_5908415/202205/t20220531_74514473.html
15.什么是数据挖掘?分析如何揭示洞察力51CTO博客数据挖掘的风险与挑战 数据挖掘伴随着风险和挑战,与任何涉及使用潜在敏感信息或个人身份信息的技术一样,安全性和隐私是最大的问题。 在基本层面上,挖掘的数据需要完整、准确、可靠;毕竟,你用它来做重大的商业决策,经常与公众、监管机构、投资者和商业伙伴进行互动。现代的数据形式也需要新的技术,例如将各种分布式计算https://blog.51cto.com/u_15127621/2766923
16.全面解析BMS电池管理系统的定义功能及其在现代科技中的关键作用然而,随着电池技术的复杂化和应用场景的多样化,如何高效、安全地管理电池成为了一个亟待解决的挑战。电池管理系统(BMS,Battery Management System)应运而生,作为电池技术发展的重要组成部分。BMS不仅提升了电池的性能和寿命,还确保了使用过程中的安全性。本文将深入探讨BMS的定义、功能及其在现代科技中的关键作用,旨在https://www.sekorm.com/news/529057385.html
17.中国大数据行业面临的五大挑战以及应对策略挑战二:数据挖掘分析模型建立 步入大数据时代,人们纷纷在谈论大数据,似乎这已经演化为新的潮流趋势。数据比以往任何时候都更加根植于我们生活中的每个角落。我们试图用数据去解决问题、改善福利,并且促成新的经济繁荣。人们纷纷流露出去大数据的高期待以及对大数据分析技术的格外看好。然而,关于大数据分析,人们鼓吹其神奇价值https://news.yaozh.com/archive/5653.html
18.每周文娱观察2017.2.17数据显示,产业整体规模已突破5000亿元,而泛娱乐内容的消费用户已达10亿人次。巨大的市场空间吸引了大批金融资本进入泛娱乐产业。去年文化产业基金新增241只,募集规模达264.5亿元。 30、支付宝关闭付款二维码转账:扫码付款限线下 支付宝宣布,2017年2月20日起,支付宝的付款码功能将只能用于线下付款,不再具备线上转账付款http://www.leshanvc.com/cygc/23764.html
19.物联网数据挖掘研究论文物联网中的数据挖掘是物联网技术中较为重要的一个环节,其价值体现在为物联网应用数据大量增长下提供强力补充。当前基于海量数据的增加,物联网数据挖掘正面临着一定的挑战,而云计算的出现为其提供了一个全新的发展方向。该文以云计算、物联网、数据挖掘技术特征与相互联系为基础,分析基于云计算平台的物联网数据https://www.unjs.com/lunwen/f/20190123020542_1865768.html
20.推进智慧医院建设助力医院高质量发展新闻动态智慧医院建设也面临着一些挑战: 1、各科室需求不一致,模块、功能选择难 智慧医院建设所需的技术创新容易,但智慧医院相关模块的建立困难。智慧医院建设所需的技术支撑是一个容易解决的问题,难点在于,各个科室或者部门提出的需求不一致,如何权衡协调各个科室、部门之间的需求,建立高效适宜的智慧化功能、模块,并协调各相关https://www.dzrmyy.cn/trend/13779.html
21.数据治理:面临的挑战与应对策略,数据挖掘,BI,商务智能,数据分析数据治理:面临的挑战与应对策略 在业务IT化的过程中,企业通过第三方厂商、自研等方式构建多种数据系统,采用多种系统中的数据化治理,是实现数据效能、数据驱动业务的关键步骤。 许多大数据公司在过去一段时间都得到了较好的发展,究其原因是因为恰逢专注于业务流的信息化建设正在向数据化转型。http://km.ciozj.com/Detail.Aspx?AI=98488
22.数据挖掘论文摘要:文章首先对数据挖掘技术及其具体功能进行简要分析,在此基础上对科研管理中数据挖掘技术的应用进行论述。期望通过本文的研究能够对科研管理水平的进一步提升有所帮助。 关键词:科研管理;数据挖掘;技术应用 1数据挖掘技术及其具体功能分析 所谓的数据挖掘具体是指通过相关的算法在大量的数据当中对隐藏的、有利用价值的https://www.ruiwen.com/lunwen/5421411.html
23.数据挖掘过程中可能遇到的挑战和难题有哪些?数据挖掘过程中可能遇到的挑战和难题包括数据质量、数据量大、数据的复杂性、模型选择、解释和应用等方面。管理者可以通过加强数据质量管理、配备更强大的硬件和软件、学习新的数据挖掘技术和方法、建立跨学科的团队、鼓励创新和实践等措施来应对这些挑战。https://www.mbalib.com/ask/question-4287fe162960fd7c73a171c2f700c56f.html