Claude Monet：Springtime
美国关于合理使用的利益声明
案号：25-md-3143 (SHS) (OTW)
美国政府的利益声明
美国依据《美国法典》第 28 编第 517 条[1]出庭，就本院审理的本次诉讼中美国所持利益向法院作此说明。
I. 美国的利益
美国在持续发展一个强大且具有竞争力的人工智能产业，并以此引领全球人工智能应用实践与标准方面，拥有重大利益[2]。正如总统在 2025 年 1 月 23 日发布的《消除美国人工智能领导力障碍》行政命令中所指出的，“美国的政策是维持并增强美国在全球人工智能领域的主导地位，以促进人类繁荣、经济竞争力和国家安全”[3]。因此，美国必须“保持在全球人工智能领域的领导地位”至关重要[4]。最近，在 2026 年 6 月 2 日的行政命令中，总统重申了美国“鼓励人工智能创新，并加速在政府和行业中以负责任的方式采用人工智能”的承诺[5]。因此，对于在受版权保护的文字作品上训练人工智能模型是否构成版权法下的“合理使用”这一问题，美国持有强烈的立场。
首先，人工智能的有效整合对美国国家安全能力至关重要。数年前，美国政府问责局曾警告称，“未能采纳并有效整合人工智能技术可能阻碍国家安全”，因为人工智能可用于诸如“分析情报信息”、“增强武器系统（如无人机和机器人舰船）”以及“在战场上提供建议（如导弹打击目标定位）”等任务[6]。随着时间的推移，这一点变得更加明显：“先进的人工智能能力使我们的国家更强大，但也带来了新的国家安全考量”，要求“将最佳和最安全的技术迅速部署，以应对我国面临的所有威胁”[7]。当然，外国对手也有类似的目标。若法律规则致使在美国发展强大的人工智能产业变得异常困难，则可能威胁国家安全，并使不受此类限制的外国对手获得竞争优势。
美国在联邦法律的正确解释和适用方面也拥有主权利益，这些法律包括《美国宪法》第一条第 8 款第 8 项（知识产权条款）和 1976 年《版权法》（《美国法典》第 17 编第 101 条及以下条款）。正如总统的《国家人工智能政策框架》所解释的，“美国的创作者、出版商和创新者应受到保护，免受侵犯其受保护内容的人工智能生成输出的影响，同时不应破坏合法的创新和言论自由”[8]。在寻求这种平衡时，总统鼓励国会考虑建立许可框架或集体权利体系（同时建议此类立法不应涉及何时或是否需要此类许可），建立一个联邦框架以保护个人免受未经授权分发或商业使用其可识别属性的人工智能生成数字复制品的影响，并监测版权法的发展，以评估是否需要额外立法[9]。但是，与促进创新和言论自由的国家利益相一致，“在受版权保护的材料上训练人工智能模型”本身“并不违反版权法”[10]。
在本次诉讼中，《纽约时报》试图缩小合理使用原则的范围，以将 OpenAI 的大型语言模型的训练排除在外[11]。这样的结果将与基本的版权法原则相悖，并严重阻碍“科学和实用技艺的进步”（美国宪法第一条第 8 款第 8 项）。如下所述，包括独立媒体和新兴媒体以及《纽约时报》本身在内的出版物，正在将大型语言模型用于新闻及其他目的。而超出本案主题范围，大型语言模型已经在帮助各领域的研究人员取得重大突破[12]。如果基于对合理使用原则的误解来限制大型语言模型的发展，将会阻碍此类创造性和科学的进步，同时妨碍美国的繁荣和经济流动性。
这还将造成其他损害。错误的合理使用裁决将阻碍大型语言模型市场的竞争，因为只有最大的科技公司才可能拥有支付许可费所需的资本。并且，此类许可费将因其书面出版物数量庞大而不成比例地惠及传统大型媒体。相反，如果不受对版权法牵强解释的阻碍，大型语言模型有潜力并且应当帮助在主流媒体和独立出版商之间创造公平的竞争环境，原因有几点。资源有限的作者可以使用大型语言模型进行竞争（例如，使用大型语言模型为文章生成配图，否则可能需要聘请摄影师或购买许可）。而且，大型语言模型可以将用户引导至提供相反信息或观点的不同来源。由于许可准入壁垒主要充当对旧有主流媒体公司的大额补贴，让最大的科技公司形成大型语言模型训练的寡头垄断，这并不符合公众利益[13]。
基于上述所有原因，美国强烈主张本法院驳回任何认为在受版权保护的文本上训练大型语言模型违反版权法的论点。
II. 陈述
A. 关于人工智能大型语言模型训练的相关背景
如本法院所述，被告（包括 OpenAI）开发大型语言模型——这种模型“可以接收文本提示作为输入，并生成自然语言响应作为输出，这是基于大型语言模型在数十亿书面作品上进行训练后，对输入文本串之后最可能出现的文本串进行预测的结果”（《纽约时报》诉微软公司案，案号 1:23-cv-11195-SHS-OTW，ECF 第 514 号文件第 6 页（纽约南区联邦地区法院，2025 年 4 月 4 日））。大型语言模型的开发分为几个阶段（同上，第 7-8 页）。开发者在“获取”（或称“收集”或“预训练”）阶段“首先收集数据，包括原告的作品”（同上，第 8 页）。这“涉及收集和存储大量内容”（同上）。接着，开发者将“通过一个将数据输入模型的过程，在这些数据上‘训练’他们的模型”（同上）。训练涉及复制构成训练数据的作品，然后将这些数据转换为一组能够表示词语众多不同含义及其相互关系的数字，大型语言模型利用这些数字来学习语言模式并进行预测（同上）。在“输出阶段”，“大型语言模型根据其训练以及开发者设置的任何防护措施或过滤器来响应用户查询”（同上）。
每个阶段都可能提出不同的版权法问题。美国的关注点在于训练阶段使用受版权保护作品——即通过复制作品将数据作为学习材料输入模型——是否构成合理使用。
B. 合理使用的法律框架
知识产权条款指示国会“通过为作者和发明者对其各自的著作和发现提供有限期限的专有权利，以促进科学和实用技艺的进步”（《美国宪法》第一条第 8 款第 8 项）。如该文本所示，“版权的主要目标不是奖励作者的劳动，而是‘促进科学和实用技艺的进步’”（Feist Publications, Inc. v. Rural Telephone Service Co., Inc.，499 U.S. 340, 349 (1991)）。尽管“我们版权法的直接效果是为作者的创造性劳动确保公平的回报”，但版权法的“唯一利益”和“首要目标……在于公众从作者的劳动中获得的普遍利益”（Twentieth Century Music Corp. v. Aiken，422 U.S. 151, 156 (1975)（引用内部引号））。当“技术变革使其字面条款变得模糊时，《版权法》必须根据这一基本目的进行解释”（同上）。
为实现知识产权条款的宪法目标，《版权法》“在奖励作者创作的同时，也允许他人在此作品上进行建构，从而取得平衡”（Kirtsaeng v. John Wiley & Sons, Inc.，579 U.S. 197, 204 (2016)）。尽管作者必须有“经济激励去创作具有信息性和智力启发性的作品供公众消费”，但法院早已认识到，“自 1710 年英国版权诞生后不久”， “赋予作者对其作品所有复制行为的绝对控制权，在某些情况下可能会限制而非扩展公众知识”（Authors Guild v. Google, Inc.，804 F.3d 202, 212 (2d Cir. 2015) (Leval, J.)（引用 Cary v. Kearsley，170 Eng. Rep. 679, 681 (1802)（“不能给科学戴上枷锁”）））。赋予作者专有权利[14]鼓励了表达性作品的创作和传播；限制这些权利则确保了二次使用者享有合理的喘息空间和自由度，以促进进一步的表达（参见 Campbell v. Acuff-Rose Music, Inc.，510 U.S. 569, 575 (1994)（承认“在保护受版权保护的材料与允许他人在其基础上进行建构之间需要同时兼顾的内在张力”））。
当施加侵权责任会“扼杀版权法旨在促进的创造力本身”时，对受版权保护作品的使用是允许的（同上，第 577 页（引用省略））。
因此，版权所有人的专有权利受到各种例外和限制。例如，“版权确保作者对其原创表达的权利，但鼓励他人自由地利用作品所传达的思想和信息”（Feist，499 U.S. at 349-50）。“这一原则，即思想/表达或事实/表达的二分法，适用于所有作者作品”（同上，第 350 页）。
与此相关且与本案最相关的是，“合理使用”原则规定对受版权保护作品的某些二次使用“不构成侵权”（17 U.S.C. § 107）。尽管合理使用起源于“法官造法”，但后来被国会编纂成法（Campbell，510 U.S. at 576）。该法规延续了普通法传统，该传统承认为了促进知识产权条款的目标，必须进行一定数量和类型的复制（参见同上，第 575 页（引用 U.S. CONST. art. I, § 8, cl.8））。合理使用是一种“衡平法上的理性规则，允许法院在版权法规有时会扼杀该法律旨在促进的创造力时，避免僵化地适用该法规”（Google LLC v. Oracle Am., Inc.，593 U.S. 1, 18 (2021)）。
第 107 条的序言特别列举了六种很可能被认定为合理使用的用途：“批评、评论、新闻报道、教学……学术或研究”。但确定“合理使用”“不能简化为硬性规则，因为该法规及其所承认的原则一样，要求进行个案分析”（Campbell，510 U.S. at 576-77）。因此，该法定列表并非详尽无遗（参见 17 U.S.C. § 107（将目的认定为“诸如”所列出的那些））。该法规的立法史也证实了这一点（参见 Harper & Row Publishers v. Nation Enters.，471 U.S. 539, 562 (1985)；Pac. & S. Co., Inc. v. Duncan，744 F.2d 1490, 1496 (11th Cir. 1984)；Cambridge Univ. Press v. Becker，863 F. Supp. 2d 1190, 1225 (N.D. Ga. 2012)）。众议院关于第 107 条的报告表明，国会意图建立一个能够适应新技术和情形的灵活调查方式：
[立法者]无意将该原则冻结在法规中，尤其是在技术迅速变化的时期。除了对什么是合理使用以及其适用的一些标准进行非常广泛的法定解释外，法院必须能够根据具体情况，逐案地将该原则应用于特定情形。
(H.R. Rep. No. 94-1476, 94th Cong., 2d Sess. 66 (1976)；另见同上，第 65 页（“由于该原则是一项衡平法上的理性规则，不可能有普遍适用的定义，每个提出该问题的案件都必须根据其自身事实来决定。”）)
然而，国会和法院已经确立了一些指导合理使用分析的基本原则。第 107 条确定了一个非排他性的因素列表，在确定对受版权保护作品的特定使用是否“合理”时“应考虑”这些因素（17 U.S.C. § 107）。所列因素包括：(1) “使用的目的和性质，包括该使用是商业性质还是出于非营利教育目的”；(2) “受版权保护作品的性质”；(3) “与受版权保护作品整体相比，所使用部分的数量和实质性”；以及 (4) “该使用对受版权保护作品的潜在市场或价值的影响”（同上）。在评估第四因素时，也可以“考虑复制可能产生的公共利益”（Google，593 U.S. at 35）。
一般而言，第 107 条的因素不能“孤立地看待”（Campbell，510 U.S. at 578）。相反，“所有因素都应予以探讨，并根据版权的目的将结果综合权衡”（同上；另见 Google，593 U.S. at 19）。尽管如此，“最高法院已明确表示，法规中列出的四个因素中，有些比其他因素更重要”（Authors Guild，804 F.3d at 213-14）。曾几何时，最高法院将第四因素描述为“毫无疑问是最重要的一个”（Harper & Row，471 U.S. at 566）。但最近，“在 Campbell 案中，法院也强调了第一因素的重要性”（Authors Guild，804 F.3d at 214（引用 Campbell，510 U.S. at 591））。“使用者越是出于新的、转换性的目的使用所复制的材料，就越有利于版权丰富公共知识的目标，并且该使用越不可能替代原作或其合理的衍生作品，从而缩小受版权保护作品的市场机会”（同上）。
重要的是，因为“相同的复制行为，用于一种目的可能是合理的，但用于另一种目的则不然”，所以“合理使用条款……要求对声称构成‘侵权’的受版权保护作品的特定‘使用’进行分析”（Andy Warhol Found. for the Visual Arts, Inc. v. Goldsmith，598 U.S. 508, 533 (2023)（引用 17 U.S.C. § 107））。例如，在 Sony Corp. of America v. Universal City Studios, Inc.，464 U.S. 417 (1984) 中，法院将录制电视节目供私人使用归类为合理使用，但强调将相同的录制内容用于其他目的——如转售、公开展示或商业目的——可能会产生不同的结果（同上，第 446, 451 页）。同样，在 Campbell 案中，法院解释说，“将受版权保护的作品用于广告产品，即使是戏仿作品，在合理使用调查的第一因素下，也比出售仅供其自身欣赏的戏仿作品（更不用说由学生在学校一次性表演的戏仿作品）获得更少的宽容”（510 U.S. at 585）。而在 Google 案中，法院认为，鉴于 Google 将现有代码用于创建新产品和平台的特定用途“与版权本身的基本宪法目标——创造性进步——相一致”，精确复制现有代码属于合理使用（593 U.S. at 30）。
同样的逐案分析方法也可以在诉讼中适用。例如，在 Authors Guild 案中，Google 制作了书籍的数字副本，扫描了这些副本，并建立了一个公开可用的搜索功能，以确定一本书是否包含某个单词或短语（参见 804 F.3d at 207）。用户还可以“查看包含搜索词文本的‘片段’”（同上）。参与该计划的图书馆可以下载并保留他们提交给该计划的书籍的数字副本（同上）。第二巡回法院在其分析中仔细区分了搜索、片段和图书馆下载三种使用方式（同时认定这三种方式均为合理使用）（参见同上，第 216-18, 221-223, 228-230 页）。
C. 在受版权保护的文字作品上训练大型语言模型具有高度的转换性
第一个法定的合理使用因素，即“使用的目的和性质”，要求考虑“新作品是否仅仅‘取代了原作创作的目的’（‘取代’原作），还是增加了新的东西，具有进一步的目的或不同的性质，用新的表达、含义或信息改变了原作”（Campbell，510 U.S. at 578-79（引用 Folsom v. Marsh，9 F. Cas. 342, 348 (C.C.D. Mass. 1841) (No. 4,4901) (Story, J.) 和 Harper & Row，471 U.S. at 562））。最高法院将后一种类型的使用描述为“转换性的”（同上）。“转换性使用倾向于支持合理使用的认定，因为转换性使用传达的是与原作不同或有别于原作的新内容，或扩展了其效用，从而服务于版权促进公共知识的总体目标”（Authors Guild，804 F.3d at 214）。
复制受保护的文本文章作为训练大型语言模型的一部分，是一种不同类型或性质的使用，具有“转换性——而且是显著的转换性”（Bartz v. Anthropic PBC，787 F. Supp. 3d 1007, 1021 (N.D. Cal. 2025)）。《纽约时报》指控 OpenAI 的训练导致了一个模型，该模型能够“根据用于训练 OpenAI 大型语言模型的潜在数十亿个示例，预测给定文本串之后可能出现的词语”，从而使得该大型语言模型随后能够对广泛的用户输入生成原创性响应（Microsoft Corp.，No. 1:23-cv-11195-SHS-OTW，ECF 1677 ¶ 75 (Aug. 21, 2026)）。因此，OpenAI 的大型语言模型使用受版权保护的作品，并非为了复制作品的表达内容，而是作为学习和处理书面文本中统计模式（包括词汇、句法和知识）过程的一部分。复制（用于构建智能交互式模型）的目的在性质上不同于被复制作品的目的（使用语言来直接娱乐或教育读者）。这种将基于文本的作品用于创建大型语言模型引擎，从而提供“创新工具”，能够“编辑电子邮件……将一段文字翻译成或翻译自外语，根据假设情景编写短剧，或执行任何数量的其他任务”，无疑是“高度转换性的”（Kadrey v. Meta Platforms, Inc.，788 F. Supp. 3d 1026, 1044 (N.D. Cal. 2025)）。
最高法院在 Google 案中的意见具有指导意义。法院解释说，Google（二次作者）编写了“新的实现代码……旨在新的智能手机环境中运行”，并且尽管 Google “精确地”复制了现有的代码，但它是出于与原作不同的目的——“以便学习了现有系统的程序员能够在一个新系统中运用他们的基本技能”（593 U.S. at 31）。在法院看来，这种复制是合理的，因为它促进了程序员的新表达，并且禁止复制会不适当地阻碍 Google 利用其自身创造性表达（它编写的实现代码）的能力（参见同上，第 30-31 页）。如果那种使用是转换性的，那么开发者作为教导大型语言模型识别数据之间关系并适应新信息过程的一部分，创建受保护作品的副本也同样是转换性的。
诚然，在输出阶段（而非训练阶段），如果大型语言模型重构并传播了原始受版权保护的作品，某些使用可能不具有转换性（参见 Authors Guild，804 F.3d at 222（强调 Google 通过仅显示少量“受版权保护文本的‘数量’”，以“一种实质上防止其成为有效竞争替代品的方式构建了片段功能”））。但是，由于需要逐案分析，开发一个能够理解模式并根据用户输入做出预测的复杂工具，必须与该工具可能被假设性或异常性地用于生成某些输出的方式区分开来（Bartz，787 F. Supp. 3d at 1021（区分了仅“挑战输入而非这些大型语言模型输出”的论点））。《纽约时报》指控 OpenAI 的大型语言模型可用于生成其作品的部分内容（Microsoft Corp.，No. 1:23-cv-11195-SHS-OTW，ECF 1677 ¶¶ 80, 99, 100 (Aug. 21, 2026)）。但是，无论某些输出使用可能引发何种法律问题，都不应影响训练使用的转换性（或任何其他方面）[15]。
总之，使用副本训练大型语言模型具有极高的转换性。OpenAI 将其大型语言模型用于商业目的并不会改变这一点。“§ 107 序言段落中列出的几乎所有说明性用途……通常都是以营利为目的进行的”（Campbell，510 U.S. at 584）。而且，“[二次]作品的转换性越强，其他因素（如商业性）的重要性就越低”（Authors Guild，804 F.3d at 219（引用 Campbell，510 U.S. at 579））[16]。
D. 训练人工智能模型不会在相关意义上损害受版权保护作品的潜在市场或价值
第四个合理使用因素，即“该使用对受版权保护作品的潜在市场或价值的影响”（17 U.S.C. § 107），支持认定 OpenAI 使用《纽约时报》文章进行模型训练属于合理使用。OpenAI 的训练使用是（不仅仅是）“高度转换性的……有利于合理使用的认定，除非其转换性目的的价值被其以提供竞争性替代品的方式提供文本所抵消”（Authors Guild，804 F.3d at 218）。作为训练过程一部分的副本，不会在相关意义上“作为原作的替代品”或“缩小受版权保护作品的受保护市场机会”——更不用说以能够压倒该使用极具转换性目的的价值的方式了（同上，第 214 页）。
要在本因素下对原作市场产生影响，使用必须“作为受版权保护作品的替代品”（Campbell，510 U.S. at 591；另见 Harper & Row，471 U.S. at 567（使用必须“实质性地损害被复制作品的可销售性”））。问题不在于使用是否可能导致“一些销售损失”（Authors Guild，804 F.3d at 224）。重要的是“重大的实质性竞争”，而非一般性的竞争（同上，第 219 页（强调为原文所有））。因为版权“仅保护作者表达的方式”，问题在于该使用是否“能为购买作者[作品]提供重要的替代品”（同上，第 224-25 页）。这取决于复制是否“以导致广泛披露原作的足够重要部分，从而提供显著竞争性替代品的方式进行”（同上，第 223 页）。毕竟，要成功提出“版权侵权主张，……[原告]通常必须证明被控侵权作品与原告自己受版权保护作品的原创元素之间存在相似性，而且是‘实质性’相似”（Goldsmith，598 U.S. at 557 (Gorsuch, J., concurring)（引用 4 Nimmer 著作）），以及任何实质性相似的复制品是否可能成为显著的竞争性替代品，是涉及不同“被质疑的使用”的不同问题（并可能涉及额外的法律问题）（Harper & Row，471 U.S. at 568）。但是，缺乏实质性相似的输出不能造成在合理使用分析中可以认定的那种市场损害。
加利福尼亚北区法院的一项判决中的反对意见错误地将版权原则应用于大型语言模型训练（参见 Kadrey，788 F. Supp. 3d at 1052-57）。在没有充分辩论的情况下，Kadrey 法院基于“使用大型语言模型创作书籍然后出售，与人类作者撰写的书籍竞争”的潜在可能性，采纳了一种“间接替代”的“市场稀释”理论（同上，第 1052, 1054 页（引用内部引号）；另见同上，第 1036 页（指出“原告几乎未提及此问题”））。该法院承认，“在更典型的案件中，是将原创作品与单一二次作品进行比较”，并且作品是否“相似”是相关的（同上，第 1054 页）。该法院似乎也承认其间接市场稀释理论“此前从未在任何一个案件中起过决定性作用”（同上，第 1055 页）。但在该法院看来，原创作品与二次使用之间的相似性在此背景下无关紧要，因为大型语言模型“初步是在受版权保护的书籍中的创造性表达上进行训练的”，且大型语言模型输出具有“以竞争作品充斥市场的潜力”（同上，第 1054-55 页）。因此，该法院表示，大型语言模型开发者“通常需要为使用其材料向版权持有人付费”，即使是为了训练，因为大型语言模型通常具有“严重损害被复制作品市场的能力，从而严重削弱人类创作的动力”（同上，第 1035-1036 页）。
暂且不论人类使用大型语言模型进行创作这一事实，Kadrey 法院对第四合理使用因素的适用存在严重缺陷。最明显的是，该法院不当地将大型语言模型训练和大型语言模型输出合并为一个连续的使用，然后适用了一个宽泛的、类型层面的“替代”理解。但大型语言模型训练本身就是一种使用。它不涉及任何替代。即使涉及到大型语言模型输出与文本文章的竞争，“所设想的销售损失类型……通常与不受版权保护的利益相关”（参见 Authors Guild，804 F.3d at 224）。换言之，Kadrey 法院宽泛的市场稀释理论忽视了版权侵权中最基本的要素——即“作品是否实质性相似”（Goldsmith，598 U.S. at 525）——将训练（需要复制整个作品，但不向公众开放）与输出（公众可能可以访问，但通常（即便不总是）缺乏实质性相似性）混为一谈[17]。
这种逻辑可能对版权法整体产生问题。举例说明，Joan Didion 在青少年时期“会打字录入”Ernest Hemingway 的“故事来学习句子如何运作”，因此她认为他是对她写作影响最大的人（参见 Linda Kuehl, Joan Didion, the Art of Fiction No. 71, The Paris Review (Issue 74, Fall-Winter 1978)）[18]。按照 Kadrey 法院的逻辑，Didion 每次发表作品时都应该对 Hemingway 承担侵权责任，因为她训练自己的过程和创作作品的过程是一个整体使用，且她的作品与 Hemingway 的作品竞争。但当然，没有人会认为 Didion 侵权。因为作者通过阅读、分析和内化先前作者的作品来学习，是创作过程的基石。允许 Kadrey 式的责任理论将会严重阻碍创造性进步（参见 Google，593 U.S. at 30（解释版权法的目标是通过鼓励“新的创造性表达”来促进“公共福祉”））。
然而，在第四因素下，还有另一个重要方面。在 Google 案中，最高法院指出，“使用者的复制行为越是具有转换性，第四因素就越不可能对合理使用的认定产生重大不利影响”（同上，第 35 页）。考虑到 OpenAI 训练使用的极具转换性的性质，第四因素对于合理使用的认定没有重大不利影响。无论如何，任何市场影响都必须与使用转换性目的的巨大公共利益相权衡（参见 Authors Guild，804 F.3d at 214）。
此外，在 Google 案中，在认识到 Google 的复制使得“可能会编写新计算机代码的程序员更容易进入市场”后，最高法院认为，“对公众造成的与创造力相关的损害风险”意味着“这第四个因素——市场影响——也支持合理使用的认定”（同上，第 40 页）。当二次使用能够带来“创造性改进、新应用和新用途”时，将版权法视为“限制……未来创造力的枷锁……将会妨碍而非促进版权的基本创造性目标”（同上，第 39 页）。这一推理在本案中甚至更适用。认定大型语言模型训练需承担版权侵权责任的裁决，将威胁“扼杀版权法旨在促进的创造力本身”（Campbell，510 U.S. at 577）。
至少，大型语言模型训练所带来的创造可能性和公共利益远远超过任何竞争性损害（即使假定此类损害是可以认定的）。人工智能模型正在迅速重塑经济和整个国家安全，其全部原因在于它们帮助人们——包括在创意领域工作的人们——创造事物和完成任务。大型语言模型可以激励或帮助某人写故事、作曲、编写电影剧本或制作任何其他类型的艺术。事实上，《纽约时报》自身的作者也在使用大型语言模型来帮助他们“构思和编辑”文章[19]。独立和新兴出版物以及普通民众也可以这样做。例如，一位独立作家利用大型语言模型和他作为物理教师的背景，就数据中心的用水问题提出了一个反向观点，并批评了《纽约时报》[20]。此类创造性的利益往往与国家安全利益重叠，因为大型语言模型可以帮助国家安全官员分析和推断（不受保护的）现实世界事实，例如《纽约时报》文章中传达的那些事实（参见 Feist，499 U.S. at 349）。
鉴于所有这些考虑，第四因素强烈支持合理使用。至少，对受版权保护作品市场的任何影响，都无法超过训练使用转换性目的所带来的巨大且改变世界的价值（参见 Authors Guild，804 F.3d at 218）。
合理使用的调查取决于每个案件的具体事实和具体使用。但是，施加广泛的版权责任，使得在没有许可的情况下通常不允许进行人工智能模型训练，这将是存在问题的，并且在法律上是错误的。大型语言模型训练“与版权本身的基本宪法目标——创造性‘进步’——相一致”（Google，593 U.S. at 30）。
敬上，
STANLEY E. WOODWARD, JR.
副总检察长
BRETT SHUMATE
助理总检察长，民事部门
By: /s/ Michael Weisbuch
MICHAEL WEISBUCH
副总检察长高级顾问
美国司法部
950 Pennsylvania Ave., NW
Washington, DC 20530
(202) 322-2450
Michael.Weisbuch@usdoj.gov
美利坚合众国代理人
[1] 《美国法典》第 28 编第 517 条。
[2] 见总统 2025 年 1 月 23 日行政命令（“消除美国人工智能领导力障碍”）；总统 2026 年 6 月 2 日行政命令（“鼓励人工智能创新和加速负责任的人工智能采用”）。
[3] 同上，总统 2025 年 1 月 23 日行政命令。
[4] 同上。
[5] 总统 2026 年 6 月 2 日行政命令。
[6] 美国政府问责局，《人工智能：国防部需改进人工智能管理并确保信息技术现代化》，GAO-21-29T (2020 年 10 月)。
[7] 总统 2026 年 6 月 2 日行政命令。
[8] 总统《国家人工智能政策框架》（2025 年）。
[9] 同上。
[10] 同上。
[11] 见《纽约时报》第二修正起诉状，No. 1:25-md-03143-SHS-OTW，ECF No. 1677 (2026 年 8 月 21 日)。
[12] 例如，LLM 已用于加速药物发现、材料科学和气候建模等领域的研究。
[13] 见《纽约时报》第二修正起诉状，ECF No. 1677，关于市场影响的指控。
[14] 见《美国法典》第 17 编第 106 条（授予版权所有人复制、发行、展示等专有权利）。
[15] 在任何情况下，任何侵权救济都必须限于为给予原告充分救济所必需的范围内。参见，例如，Trump v. CASA, Inc.，606 U.S. 831, 852-54 (2025)。极少量的异常重构输出，不能支持切断或威胁对大型语言模型输出使用一般性承担巨额责任的救济措施，更不用说针对不同的大型语言模型训练使用本身了。OpenAI 表示，它已采取措施防止实质性复制其训练所依据的受保护文字作品。参见，例如，No. 1:25-md-03143-SHS-OTW，ECF No. 276 slide 48 (2025 年 6 月 27 日)。
[16] 通常情况下，第二和第三合理使用因素在分析中不太可能起主要作用。但第二因素（“受版权保护作品的性质”）可能支持合理使用的认定，因为训练使用的“转换性目的……不可避免地也涉及第二因素”（Authors Guild，804 F.3d at 220（引用内部引号））。第三因素（“与受版权保护作品整体相比，所使用部分的数量和实质性”）也可能支持合理使用的认定。尽管大型语言模型训练在早期步骤中涉及复制整个作品，但“重要的……与其说是制作副本时使用部分的数量和实质性，不如说是因此向公众提供的内容的数量和实质性，这些内容可能作为竞争性替代品”（同上，第 221-22 页）。训练大型语言模型本身并不会使任何被复制的作品向公众开放。即使在不同的输出阶段，最多也只有极小部分的输出会使这些作品的受保护方面可被获取。如前所述，特定的输出可以逐案评估。
[17] Kadrey 法院没有引用任何支持该理论的案例。但版权局局长（她目前正在对她的免职提出异议）似乎在一份报告中支持了类似的理论。参见 U.S. COPYRIGHT OFFICE, COPYRIGHT AND ARTIFICIAL INTELLIGENCE PART 3: GENERATIVE AI TRAINING 64 (2025 年 5 月), https://perma.cc/Q2TQ-Y37B。她的理解不值得遵从（Loper Bright Enters. v. Raimondo，603 U.S. 369, 412 (2024)）。并且版权局局长的草率推理忽略了所有强调逐案分析和讨论何种“影响”可予认定的判例法。同上。尽管“被告所从事的那种不受限制和广泛的行为是否会对原作潜在市场造成实质性不利影响”这个问题可能相关（U.S. COPYRIGHT OFFICE, COPYRIGHT AND ARTIFICIAL INTELLIGENCE PART 3: GENERATIVE AI TRAINING 65 n.373（引用 Campbell，510 U.S. at 590）），但这种竞争必须源于所涉特定使用，并涉及必要的替代相似性。
[18] 可查阅 https://www.theparisreview.org/interviews/3439/the-art-of-fiction-no-71-joan-didion。
[19] Maggie Harrison Dupre, New York Times Issues Stern Warning to its Freelance Writers about AI Use, FUTURISM (2026 年 5 月 12 日)，可查阅 https://perma.cc/KY58-D2HB。
[20] 参见 Andy Masley, Using ChatGPT is not bad for the environment (2025 年 1 月 13 日)，可查阅 https://perma.cc/BG4W-YPVM；另见 Blake Dodge and Harris Sockel, The Data Center Water Crisis Isn’t Real, Pirate Wires (2025 年 12 月 18 日)，可查阅 https://www.piratewires.com/p/andy-masley-ai-water-crisis-isnt-real（依赖 Masley 的研究和评论，同时讨论了 2025 年 7 月《纽约时报》一篇题为“Their Water Taps Ran Dry When Meta Built Next Door”的文章，该文章旨在通过指出一个在附近数据中心投入运营前就遇到住宅供水问题的家庭，来表明“数据中心……大量消耗水资源”）。
