AI模型结构和数据的反不正当竞争保护
作者：微信文章AI模型结构和数据的反不正当竞争保护Deep Dive: Anti-Unfair Competition Protection for AI Model Structure and Data
随着人工智能技术的飞速发展，AI模型结构（如算法、架构）和训练数据已成为科技企业的核心竞争力所在。然而，这些核心资产往往难以获得传统的知识产权（如著作权、专利权、商业秘密）的有效保护。在此背景下，反不正当竞争法体系（《反不正当竞争法》，简称《反法》）已成为保护AI模型结构和数据权益的关键法律路径，尤其是在中国司法实践中。
第一部分：AI模型结构和参数的反不正当竞争保护路径Part One: AUCL Protection for AI Model Structure and Parameters
AI模型的结构和训练参数共同构成了深度学习模型的核心，决定了模型的功能和性能表现。在缺乏AI专项立法的情况下，司法实践通过《反不正当竞争法》开创了对AI核心技术成果进行保护的先例。
1. 传统知识产权保护路径的局限性Limitations of Traditional IP Protection
在探讨《反法》保护之前，必须认识到传统知识产权保护AI模型核心资产的不足：
著作权保护的挑战：现行著作权法侧重于“表达形式”，而AI模型的结构设计与参数多为逻辑结构、数学配置，不具备可识别的个性化表达，难以被认定为“作品”。例如，在“抖音诉B612特效模型案”中，法院认为AI模型的生成过程缺乏自然人思想、情感和个性的体现，未支持著作权侵权的主张。专利保护的难度：AI模型往往依赖公开通用算法，其创新性和显著性难以满足专利实质审查标准，获得授权的概率较低。商业秘密保护的风险：保护依赖于保密措施。模型暴露其技术路径，或“反向工程”的合法性，均带来挑战。
传统IP与反法保护能力对比Traditional IP vs. AUCL Protection Capability0低中高峰值著作权Copyright70专利权Patent100商业秘密Trade Secret130反不正当竞争法AUCL Protection1802. “竞争利益”保护路径的确立：以“抖音诉B612案”为例Establishment of "Competitive Interest" Protection Path: Case Study of TikTok vs. B612
“抖音诉B612特效模型案”（全国首例涉AI模型结构及参数受《反法》保护判决）开创性地将AI模型纳入竞争利益范畴，承认其作为非法定权利的商业价值。
法院通过综合认定，确定了AI模型结构和参数的可保护性，并认定被告构成不正当竞争，其核心论证逻辑包括：
原告竞争利益的投入与优势：原告（抖音公司）投入了大量人力、物力、财力，通过手绘训练数据，形成了其人工智能模型的结构和参数，从而获得了竞争优势和技术壁垒。不正当性的认定：法院认定，从事人工智能模型研发经营的企业不得未经许可使用他人经数据训练改进而来的模型结构和参数，是该领域的公认商业道德。损害结果与替代效果：被告的模型效果与原告模型非常相似，具有较强的替代作用，对原告的竞争利益造成了实质损害。扰乱市场秩序：被告的行为扰乱了市场竞争秩序，损害了消费者长远利益。
这种“竞争利益”路径的现实意义在于：它降低了保护门槛，以市场表现和竞争优势为核心认定标准，更贴近AI产品的现实运营形态。
第二部分：AI数据资源的《反不正当竞争法》保护Part Two: AUCL Protection for AI Data Resources
数据是AI的根基，对于AI模型的发展至关重要。平台方经过长期经营积累聚集而成的数据资源整体，能够带来开发衍生产品获取增值利润和竞争优势的机会，因此网络平台方应当就此享有竞争权益。
1. 不正当获取和使用数据的行为类型Types of Unfair Data Acquisition and Usage
《反不正当竞争法》体系是寻求数据权益救济的重要途径。不正当获取数据的常见行为包括“破解加密”、“网络爬虫”、“撞库”等。不正当使用数据的行为则包括“抓取数据后提供替代性服务”、“提供大规模抓取数据或制造虚假数据的工具”等。
尤其值得关注的是，最新的法律修订草案和司法实践进一步明确了对数据权益的保护：
修订草案的明确规制：《反法修订草案》第十三条第二款第四项明确规制经营者以欺诈、胁迫、电子侵入等不正当方式，获取并使用其他经营者合法持有的数据。实质性替代的认定：如果未经许可，规模化破坏性使用他人数据资源，或者利用抓取和整合的数据直接替代原数据提供者的市场地位，就可能被认定为不正当竞争。算法滥用问题：经营者不得利用数据和算法、技术、平台规则等实施不正当竞争行为。虚假宣传类不正当竞争：利用AI写作工具生成虚假的“种草文案”等服务，破坏了公平竞争秩序和消费者信任基础。
2. 数据权益保护的边界与平衡Boundaries and Balance of Data Rights Protection
在适用《反不正当竞争法》保护数据权益时，需要注意平衡保护与创新之间的关系：
保护门槛更高：竞争性权益不同于著作权、专利权等绝对权，其保护门槛更高。创新与破坏的界限：创新可能伴随“妨碍”或“破坏”，立法应注意引导而非“过度威慑”创新。数据来源的合法合规性：AI企业必须从源头确保数据的合规性，特别是《生成式人工智能服务管理暂行办法》要求训练数据具有“合法来源”。
第三部分：AI模型和数据保护中的交叉法律风险Part Three: Cross-Legal Risks in AI Model and Data Protection
在AI模型结构和数据流动的全生命周期中，还涉及其他复杂的法律风险，可能与《反不正当竞争法》问题交叉。
1. 模型蒸馏（知识转移）与违约风险Model Distillation (Knowledge Transfer) & Breach of Contract Risk
模型蒸馏是将大型教师模型的知识传递给小型学生模型的过程，这必然涉及到基础数据、教师模型的算法、架构、参数设计和输出内容的使用和流动。
知识产权风险：蒸馏过程使用了教师模型的输出层数据及参数。如果教师模型存在侵权风险，学生模型也可能继承。合同违约风险：许多AI服务许可协议中包含禁止开发竞品或提取模型数据的条款。
2. 数据合规性对竞争利益认定的影响Impact of Data Compliance on Competition Interest Recognition
AI模型训练数据往往涉及个人信息和数据合规问题。数据收集的合法性是否影响企业对AI模型享有的竞争利益，是司法实践中值得关注的复杂问题。
司法观点的分歧：在“抖音诉B612案”中，原告数据合规性未影响模型保护认定，但其他判例曾将数据合规性作为竞争利益认定的理由之一。合规重要性：企业必须建立涵盖数据隐私和跨境传输合规等多维度的框架。
3. 商业秘密与AI模型的保护Trade Secrets & AI Model Protection
AI模型、训练数据集、算法代码、核心技术参数是AI企业的核心竞争力，也是其最重要的商业秘密。
防范措施：企业应关注输入内容的保护，采取私有化、本地化部署方式。法律责任的强化：《反法》细化了侵犯商业秘密的行为类型，降低了权利人举证难度。
总结与展望Summary & Outlook
《反不正当竞争法》在中国AI领域的核心资产保护中扮演了不可或缺的角色，通过竞争利益原则为AI模型结构和参数的保护创设了先例，并通过规制不正当数据获取和利用行为维护了市场秩序。
然而，如何区分“合理模仿”与“不正当竞争”的界限，以及在模型微调、知识蒸馏等复杂技术场景下如何划分责任，仍有待司法实践的进一步探索和完善。AI企业必须将合规考量融入技术研发和商业模式设计的全过程，以平衡技术创新与法律风险。
海泰CS律师服务团队
您值得信赖的专业法律服务提供商
chenshi@hightac.com
技术支持：海泰CS律师团队
页:
[1]