AI生成代码的版权:五个误区逐一验证
AI生成的代码属于公有领域吗?会继承开源许可证吗?我们测试了五个版权误区,并给出当下就能落地的代码溯源指南。

我以前团队的一位开发者曾半开玩笑地问,Copilot 刚替他写的 400 行代码到底算不算公司的。没人能给出好答案,我们最后找的法务给了最糟糕的回答:“不好说。” 这个问题现在被 Hacker News 首页的一个观点重新挑起——所有 AI 生成的代码都应该开源——而底下的讨论串也暴露出,我们大家对版权、训练数据和作者身份的直觉,和法律实际的规定差得有多远。我既训练过模型,也用这些模型写过代码并上线,所以我想挑出我看到被反复、非常笃定地重复的五个说法,逐一对照我们现在真正掌握的证据来检验。
误区一:“AI 生成的代码就是公有领域,没有例外”
这是背后法律依据最多的一条误区,但它也只对了一半。美国版权局的立场一直很一致:版权保护的是人类的创作,纯机器生成的内容无法登记。这一立场的依据之一是“猴子自拍照”案(Naruto v. Slater),第九巡回法院认定一只猕猴不能拥有它拍下的照片;之后在 Thaler v. Perlmutter 案中,这一立场又经受住了直接挑战,法院拒绝登记一幅将 AI 列为唯一作者的艺术作品。到这里为止,都还很清楚。
但几乎没人会发布纯粹由 AI 生成的软件。版权局自己的指导意见划出了实践中真正重要的界线:把 AI 当作辅助工具,并不会让整个作品失去版权;而人类对 AI 输出的选择、编排和修改本身,就可能构成受保护的表达。你的 5 万行应用里,如果大部分函数是 agent 写的,但系统架构、边界划分、输出的审查和修改都是人做的,那么这个代码库作为一个整体几乎肯定可以获得版权,即便其中任何一个单独拿出来看的生成函数可能不受保护。“全都是公有领域”这一说法,只要人类做的事不止于粘贴一段提示词然后提交结果,就站不住了。
而且美国并不代表全世界。英国《版权、外观设计和专利法》明确对计算机生成的作品提供保护,并将作者归于“为作品创作作出必要安排的人”,保护期为五十年。其他一些司法管辖区也有类似规定。所以同一个文件,在旧金山可能不受保护,在伦敦却可以享有版权。“全都是公有领域”并不是一个法律立场,它只是一句口号,恰好指向某一个国家在某一个狭窄场景下的规定。
误区二:“用开源代码训练,输出就继承许可证”
这是“全部开源化”论点的道德动力:模型吞下了几十年来的 GPL、MIT 和知识共享作品——比如 Stack Overflow 的回答采用 CC BY-SA 协议,法律上要求署名并以相同方式共享——因此把这些内容转化为闭源代码,就是一种“许可证洗白”。我对这种感受很有共鸣,我自己的 AGPL 代码也在那些训练集里。但作为一个法律主张,它已经被检验过,而且基本败诉了。
在 Copilot 的集体诉讼 Doe v. GitHub 中,法院推翻了核心理论,即模型输出会自动承担其训练数据的义务。DMCA 关于版权管理信息的主张大多被驳回,开源许可证相关的主张也大多因原告资格问题而失败——原告无法证明他们的代码出现在了输出中。法院的推理对你的风险模型很重要:许可证附着于副本。如果模型从未输出你的代码,就不存在副本,也不存在衍生,许可证也就无处附着。统计上的影响不等于复制,就像一个程序员读过 Linux 内核源码,并不因此要为他之后写的所有东西向内核承担许可证义务一样。
有一点很多人会忽略:例外确实存在,而且正是最值得你睡不着觉去担心的那一点。当模型确实近乎逐字地复述训练数据时——早期模型就曾这样处理可识别的开源文件,有时还会去掉版权声明头——你完全可能在不知情的情况下,发布了某人 GPL 或 AGPL 代码的衍生品。讨论串里一位评论者是一些广泛使用的 AGPL 系统的作者,他描述了一个具体情形:某公司去掉了他的声明,被发现后,又让 LLM “克隆”了他的系统——虽然更多 bug,但设计上一眼就能认出是他的。那个克隆是否构成衍生作品,目前确实尚无定论,而这类问题往往要通过法庭、逐案解决,代价高昂。因此“输出继承训练数据许可证”这一一刀切的规则是错的;而“近似逐字复制是现实的法律风险”这一狭义规则是对的。聪明的团队会针对后者做规划。

误区三:“是我写的提示词,所以代码归我所有”
把第一条误区反过来,就是这一条,只是持相反立场的人同样笃定。美国版权局在其关于可版权性的报告中直接谈到了这一点:仅凭提示词,通常不足以让人类对输出的表达性要素实施足够的控制,因此不能使提示者成为作者。提示词是一条指令,表达性的选择是由模型做出的。法院在图像生成领域已经应用了相同的逻辑相当一段时间了,代码在性质上并没有什么不同。
真正有意思的是迭代式、agent 式的工作。讨论中有好几位从业者描述过这样的循环:agent 写二十分钟代码,而背后是数小时乃至数天的人工测试、真实环境反馈、重新设计和反复提示。这种模式在法律上很重要,因为 AI 辅助工作最有力的版权论点,不是对单独某几行代码的作者身份,而是人类在整个作品中的创造性贡献:选择、协调、编排和修改。一个经过数百轮定向修订才塑造成型的系统,更像是人类编著的汇编作品,而不像那只猴子的自拍。但注意这意味着什么:你对所有权的主张,依赖的是过程;而一个你无法记录的过程,也就是你无法主张的过程。如果公司将来需要在这个代码库上行使版权——无论是对付前员工、收购方的尽职调查团队,还是竞争对手——“相信我,有人参与过”都不能作为证据。这也是下面这一节务实内容存在的原因。
还有一个不太常被提及的细节:其实员工和承包商协议才是大部分实际工作。雇佣作品原则会把版权——无论存在的是什么版权——归属于雇主。所以在公司内部,实际的所有权问题通常是由合同解决的,不论作者身份的形而上学如何。真正令人不安的问题在于:如果交付物的某些部分最终无人能够拥有,那么合同究竟在主张什么?
误区四:“强制 AI 代码开源,就能解决公平问题”
认真对待这个提议,只要稍微接触现实就会土崩瓦解,原因有三。第一,作为法律机制,它自相矛盾:开源许可证本身就是版权许可。它们存在的意义,是让权利人就其拥有的东西授予许可。如果 AI 生成的代码不受版权保护,那就没有可以授权的对象——MIT、GPL,全都因缺乏客体而无效。这个提议唯一讲得通的版本,是类似 CC0 的公有领域声明,而一个无法执行的声明,不是强制规定,而是一个愿望。
第二,范围根本无法落地。开源不是一种状态,而是一种行为——总得有人去清理密钥、剥离业务逻辑、写 README、选择仓库。全世界绝大多数代码都是专有的,极度依赖某家公司的内部流程,而且如今大多数都有 AI 参与。那么非自愿地公开所有这些代码,究竟意味着什么?谁来支付那道清理工序,确保你的客户数据不会混进导出的内容里?提出这个主张的人没有一个能回答,因为根本没有答案。我们在另一篇文章中讨论过类似的失败模式:AI 生成的应用上线时缺少行级安全——这些工具生成的代码就算能跑,也会悄悄泄露数据;现在再想象一下强制要求公开这类代码。
第三,它甚至无法实现它声称的目标。不满在于模型厂商圈占了公共资源。强迫模型的用户公开其输出,并不能让厂商回馈任何东西——它只是剥夺了链条中权力最小的那一方的保护。如果你认为训练数据的交易不公平,那么把补救措施对准那些被抓取代码的写作者,就是瞄错了靶子。我真正认同的、最强有力的版本是道德层面的,而不是法律层面的:我们这些从公共资源训练出来的工具中获益良多的人,有义务把价值回馈给公共资源。发布库,资助维护者,把你的修复上游合并。但这是一种应当践行的伦理,而不是一部在立法机构面前经得起考验的法律。
误区五:“我们的许可证扫描工具已经能处理这个问题”
要是真能这样就好了。许可证合规工具——比如 FOSSA 和 Black Duck 这类——是建立在一个溯源假设之上的,而 AI 悄悄打破了这个假设。这些工具回答的问题是“你引入了什么?”,它们通过把你的依赖项和内嵌文件与已知包进行匹配来工作。它们之所以有效,是因为人写的代码是通过带有元数据的渠道进入项目的:包注册中心、保留了文件头的复制粘贴代码、保留了 LICENSE 文本的 vendor 目录。而 AI 生成的代码进入项目的渠道完全没有元数据。模型可以输出三十行几乎就是某个 AGPL 工具函数改写版的代码,没有文件头,没有署名,也没有可供匹配的包,而你的扫描器看到的就是“原创代码”。风险不在你的依赖树里,而在你的源文件里,而那正是这些工具几乎不去查看的地方。
这和我们在别处遇到的盲点是同一类问题:正如LiteLLM 供应链事件所示,问题不在于人们审查过的代码,而在于他们无条件信任的渠道。两种情况的解决办法都是:不再信任这条渠道,开始记录流经它的一切。这就是溯源追踪,无论法院如何裁决,你的团队本季度就应该去做——因为每一种可能的法律未来(AI 代码不受保护、若有人类主导则受保护、逐字复制构成侵权)都会奖励那些能拿出过程证据的团队,而惩罚那些拿不出来的团队。

具体该怎么做:一份溯源与卫生检查手册
这些都不需要新的法律或新的供应商。它是四个习惯,成本都很低,并且在任何一种摆在台面上的法律未来下都站得住脚。
- 在提交元数据中标注 AI 辅助。Git trailer 正是为此设计的。一个
Assisted-By:trailer 不花任何成本,却能建立一份可审计的记录,说明哪些代码有机器参与——这对尽职调查、许可证审查都有用,也能证明支撑你版权主张的人类创作过程。 - 让人工环节保持可见。写着“agent 生成,我重写了重试逻辑和边界条件”的 PR 描述,实际上就是伪装成良好习惯的法律证据。审查步骤也是你在问题上线前发现逐字复制的地方——我们在 AI 代码理解检查与测试对比中也提出过类似观点:人必须真正去理解输出,而不是橡皮图章式地放行。
- 扫描代码,而不只是依赖。能够针对开源语料库进行代码片段级匹配的工具(这与 SCA 依赖扫描不同),能抓住那些真正制造 copyleft 风险的近似逐字复制情况。对 AI 占比高的提交运行这类扫描,并把你所用 AI 工具内置的重复过滤功能——比如 Copilot 的“阻止与公开代码匹配的建议”设置——调到严格一侧。
- 把 copyleft 当作边界。宽松许可证(MIT、BSD、Apache)即使在最坏的逐字复制情况下,风险也很小。GPL,尤其是 AGPL,才是意外产生衍生作品后代价高昂的地方。如果扫描发现与 copyleft 代码匹配,就从规格说明重新实现,而不是基于那段代码片段改写。
commit trailer 约定是杠杆效应最高的一环,而且设置只需五分钟。一个 prepare-commit-msg 钩子可以提示填写它,而 CI 可以在 PR 被标记为 AI 辅助时强制要求存在该 trailer:
#!/bin/bash
# scripts/check-provenance.sh — run in CI on pull requests
# Fails if a PR labeled "ai-assisted" has commits without an Assisted-By trailer.
set -euo pipefail
BASE="${1:-origin/main}"
missing=$(git log --format='%H %(trailers:key=Assisted-By,valueonly)' "${BASE}..HEAD" \
| awk '{ if ($2 == "") print $1 }')
if [ -n "$missing" ]; then
echo "These commits lack an 'Assisted-By:' trailer:" >&2
echo "$missing" >&2
echo "Add e.g.: git commit --trailer 'Assisted-By: claude-code (reviewed)'" >&2
exit 1
fi
echo "Provenance trailers present on all commits."
trailer 应当记录所用的工具,更关键的是记录人类已审查过输出——Assisted-By: copilot (reviewed) 向未来的审计人员讲述的,和单独一个 Assisted-By: copilot 完全是两回事。再配合在工程手册中加一小节,定义你们团队里什么才算有意义的人类贡献:架构决策、测试设计、非平凡的修改。你这么做,不是因为法院要求,而是因为无论法律最终怎么落地,“我们有追踪”总比“我们完全不知道”要强。
结论
在法律没有最终确定 AI 代码能否被拥有之前,你就应该行动:每一种可能的结果都会奖励那些记录了过程的团队,而惩罚那些没有记录的团队。
所以,对照现有证据来看:AI 生成的代码并非一律属于公有领域,因为人类对作品整体的创作依然算数,而且各司法管辖区的看法也并不一致。用开源代码训练并不会让输出变成开源——法院在很大程度上已经否定了这一理论——但逐字复制确实是一个真实的、却被低估的风险。提示词不会让你成为作者,但持续且有记录的人类指导很可能会。强制开源的制度作为法律是不自洽的,作为政策也没用。而你的许可证扫描器,对恰恰是如今产出大部分代码的那条渠道视而不见。AI 代码“应不应该”免费,是一个值得在酒桌上好好辩论的话题。但工程上的答案不必等待:追踪溯源,让人在流程中保持可见,在代码片段层面进行扫描,并把 copyleft 当作绊线。这在今天是成立的,无论法院最终如何裁决,它都会继续成立。


