版权、许可与伦理:商用前的必修课

一句话定义

AI 生成内容涉及三层法律与伦理问题:模型许可(底模能不能商用)、生成物版权(AI 图有没有著作权、侵权边界在哪)、内容合规(平台标注、肖像权、不良内容)——本页给出商用前的检查清单与判例现状。

为什么重要

从爱好到商用(案例研究:电商商品图生产管线),许可与合规是"翻车即归零"的风险项;而这些规则仍在快速演进(诉讼、法规、平台政策),需要的是检查框架,不是死记条文。

前置知识

模型资源获取与社区(模型来源与许可标签)。

核心概念

第一层 · 模型许可(决定"你能不能用"):

• OpenRAIL 系(SD 系多数):可商用,但附带使用限制条款(禁用于违法/伤害用途);
• Flux.1 dev:非商用许可;schnell:Apache-2.0 可商用——同一家族不同变体差之千里;
• Civitai 社区模型:作者自定许可(页面标注),常要求署名/禁商用;
• 训练用的数据合法性是另一层(模型本身的争议),使用者通常看许可条款即可。

第二层 · 生成物版权(决定"产出归谁、会不会侵权"):

• 美国:版权局立场是"纯 AI 生成、无人类创造性参与"的内容不受版权保护;有人类创作性参与可讨论登记;
• 中国:2023 年末北京互联网法院判决(AI 生成图片案)认可体现人类独创性智力投入的 AI 图片可获得著作权;
• 侵权风险侧:生成物与现有作品/商标/人物实质性相似,可能构成侵权——与"有没有版权"是两回事。

第三层 · 内容合规(决定"能不能发布"):

• 肖像权:真人脸 LoRA/换脸需本人授权;
• 平台规则:主流电商/社媒逐步要求 AI 生成内容标注,部分品类限制;
• 商标与品牌元素:他人 logo 不可生成使用(案例研究:电商商品图生产管线);
• 不良内容:各国 NSFW 法律红线不同,工具默认策略各异。

原理与机制

三层的共同底层是"人类参与度"与"可识别性"两个变量:

人类参与度越高(精修、构图决策、多轮迭代) → 版权主张越稳
生成物可识别性越高(像某人/某品牌/某作品) → 侵权风险越大
商用安全区 = 模型许可允许 × 低可识别性 × 高人类参与 × 平台合规

时效声明:本页为 2026 年时点的框架性综述,具体案件与法规以当地最新为准;商用重大决策请咨询专业法律意见。

直观类比

模型许可是食材的进货单(能不能用这批料),版权是成品的归属与配方相似度(这道菜算谁的、像不像别家招牌菜),合规是餐厅的营业规范(能不能上架卖、要不要贴"AI 料理"标签)——三层各查各的,都不能跳过。

实例与案例

• 商用商品图(案例研究:电商商品图生产管线)检查单:底模/LoRA 许可含商用 → 生成图不含真人肖像与第三方商标 → 平台 AI 标注按要求开启 → 保留工作流与参数记录(可追溯创作过程)。
• 同人/风格争议:模仿画风目前多属灰色地带(版权通常不保护风格本身),但模仿具体角色形象侵权风险高;商业项目避开可识别 IP。
• 真人类模特图:换装/换景用自家签约模特授权照;用网图跑 FaceID(IPAdapter 与参考图控制:让图像自己当提示词)肖像风险极高。

常见误区

• "开源=随便商用":开源许可各不相同,Flux dev 就是反例(Flux 架构与工作流:cfg=1 的新物种);逐模型查许可。
• "AI 生成无版权=随便抄":无版权意味着你未必拥有它,不代表你可以拿它侵权(他人元素仍受保护)。
• "加了人工修图就有版权":创造性参与的程度是争议焦点,简单调色未必足够;关键决策(构图/主题/取舍)记录在案有助主张。
• "平台没说不许就不标注":合规要求动态收紧,主动标注是低成本风险管理。
• 把本页当法律意见:框架用于自查与对话,重大商用决策咨询专业人士。

自测题

1. Flux dev 与 schnell 的许可差异及后果?
2. 生成物"有版权"与"会侵权"为什么是两个独立问题?
3. 商用前的四项检查清单?
4. 哪些生成场景几乎必然踩肖像权?

与其他知识点的关系

• 模型资源获取与社区 的下载四步检查中"许可"一步在本页展开。
• 案例研究:电商商品图生产管线 的电商案例是本页清单的直接应用方。
• 安全:不可信工作流与 pickle 风险 的"内容风险"与本页互为两面(代码安全 vs 内容合规)。

延伸阅读

• 各模型 model card 的 License 区块(HF)
• 北京互联网法院 AI 生成图片著作权案(2023)公开报道
• 使用平台最新的 AI 内容政策页