AI艺术创作正在从实验室走向大众。一张输入照片经过风格迁移模型处理，几秒钟内就能呈现出梵高《星空》般的笔触质感；输入一段文字提示，扩散模型便能产出细节丰富的插画。技术的门槛在降低，争议却在升温：这些由算法参与生成的图像，究竟有没有著作权？如果一幅作品明显借用了他人的画风，创作者会不会构成侵权？风格迁移与独创性表达之间的法律边界，已经成为创作者、平台和法律界共同关注的问题。
风格迁移的技术原理与法律定性难题
要讨论法律问题，先得理解技术本身。风格迁移的核心思想是将一张图像的内容表征与另一张图像的风格表征分离，再把二者重新组合。经典的神经风格迁移算法通过预训练的卷积神经网络提取图像特征：低层特征保留内容结构，高层特征的Gram矩阵刻画纹理与色彩分布，也就是所谓的风格。优化过程不断调整输出图像，使其内容接近原图、风格接近目标画作。
以最基础的实现为例，代码逻辑大致如下：
import torch
import torch.optim as optim
# 加载预训练的VGG网络用于特征提取
cnn = torchvision.models.vgg19(pretrained=True).features.eval()
def gram_matrix(features):
b, c, h, w = features.size()
features = features.view(b * c, h * w)
return torch.mm(features, features.t())
# 以生成图像为可优化参数，迭代最小化内容损失与风格损失
generated = content_img.clone().requires_grad_(True)
optimizer = optim.LBFGS([generated])
for step in range(300):
def closure():
optimizer.zero_grad()
content_feat = get_features(cnn, generated, content_layers)
style_feat = get_features(cnn, generated, style_layers)
content_loss = F.mse_loss(content_feat, content_layer_target)
style_loss = sum(F.mse_loss(gram_matrix(f), g_target)
for f, g_target in zip(style_feat, style_targets))
loss = content_loss + 1e5 * style_loss
loss.backward()
return loss
optimizer.step(closure)
从技术角度看，风格迁移输出的是一种统计意义上的纹理重组，它并不复制原作的像素，也不直接拼接原画的局部片段。这正是法律定性的微妙之处：传统著作权法保护的是表达而非思想，而艺术风格在很大程度上被视为思想层面的范畴。也就是说，模仿梵高的画风本身通常不构成侵权，因为风格属于方法、路数，是他人可以自由借鉴的公共领域资源。问题在于，当风格迁移模型是在特定画家的作品集上训练而来，输出结果与其原作高度接近时，边界就开始模糊了。
另一个值得注意的点是，风格迁移存在不同的实现路径。基于单对图像的优化式迁移与基于大规模数据集训练的扩散模型在法律评价上应当区别对待。前者只是对某一幅具体画作的风格提取，相似度风险相对可控；后者可能记忆并复现训练数据中的具体画面，涉及更为复杂的训练数据合规问题。
独创性表达的构成要件与人类干预程度
著作权法意义上的作品，需要同时满足可客观表达的形式与最低限度的独创性两个要件。所谓最低限度的独创性，要求作品体现作者独立的选择、安排与判断，而不是机械的、程序化的产物。纯粹由算法自动生成的图像，如果没有人类智力贡献的介入，在多数法域下难以获得保护。
判断AI生成内容是否具备独创性，实务中通常考察人类干预的深度与方式，大致可以划分为几个层次：
- 工具性使用：人类仅按下生成按钮，输入极简的提示词，输出结果主要取决于模型的随机性。这类情形的独创性贡献通常被认定较低。
- 参数化控制：人类通过精心设计的提示词、参考图、采样参数、局部重绘、多轮迭代等方式持续引导生成方向。此时间接体现了人类的选择与安排，独创性认定存在较大空间。
- 深度加工：生成结果仅作为素材，人类通过构图调整、手绘修正、分层合成等后期创作形成最终作品。这类情形的独创性最为稳固，通常可按传统作品的思路处理。
我国北京互联网法院在AI生成图片相关案件中已经表明态度：如果使用者通过提示词设计、参数反复调整等方式对生成结果进行了实质性的智力投入，体现了个人的审美选择与个性化判断，那么生成图片可以构成作品，使用者可以享有著作权。这一裁判思路与人类中心主义的传统理论并不冲突，它实际上是把AI定位为创作工具，而将权利归属于运用工具进行选择与表达的人。
不过要注意，独创性的认定是整体性、个案化的。同样的工具，不同的使用方式可能得出完全相反的结论。简单的一键生成很难被认定为作品，而经过数十轮迭代的复杂工作流则完全可能满足独创性要求。创作者如果希望自己的成果获得法律保护，保留创作过程记录是十分必要的，包括提示词版本、参数截图、中间产物、修改说明等，这些材料在争议发生时可以有力地证明智力投入的存在。
训练数据、侵权风险与各国司法态度对比
风格迁移与生成模型的另一大法律风险来自训练环节。模型在学习了海量受版权保护的作品之后，其输出可能与某些训练样本构成实质性相似。对于这一点，不同法域的态度差异明显。
在美国，版权局多次明确，纯AI生成的内容因缺乏人类作者身份而不能注册版权，但包含充分人类创作成分的混合作品可以就人类贡献部分获得保护。在训练数据方面，多家AI公司援引合理使用原则进行抗辩，认为模型学习的是统计规律而非复制作品本身，相关诉讼目前仍在推进，尚未形成终局性结论。
在英国，立法较早地规定了计算机生成作品的保护：在没有人类作者的情况下，对创作进行必要安排的人被视为作者，保护期为作品生成后五十年。这一规定为AI生成内容提供了相对明确的归属路径，但其适用范围主要针对传统程序化生成，能否直接套用到如今的大模型场景，学理上仍有讨论。
在我国，司法实践采取个案分析的方法，重点审查生成过程中人类的智力投入程度，而不一刀切地否定或肯定AI生成物的可版权性。同时，民法典与著作权法的既有规则，如合理使用制度、署名权、信息网络传播权等，依然适用于AI参与创作的场景。
| 法域 | 核心立场 | 权利归属倾向 |
|---|---|---|
| 美国 | 要求人类作者身份，纯AI生成内容不可注册 | 人类贡献部分可获保护 |
| 英国 | 设有计算机生成作品条款 | 作出必要安排者 |
| 中国 | 个案审查智力投入程度 | 实质性参与的使用者 |
对于创作者而言，可以从以下几个方向降低风险：其一，避免在提示词或风格参考中直接指向单一在世艺术家的作品集，转而使用描述性的风格语言；其二，对生成结果进行筛查，如果输出与已知作品高度相似，应弃用或做实质性改造；其三，使用明确授权训练数据的商用模型服务，从源头减少侵权隐患；其四，为重要作品保留完整的创作链路证据。对平台方而言，则需要在用户协议中明确生成内容的权利归属规则，并建立侵权投诉与内容过滤机制。
总体来看，风格迁移技术本身是中性的，法律评价的落点始终在于人类如何使用它。当创作者的审美判断、选择与安排在最终作品中留下可被识别的印记时，独创性表达即告成立；当输出仅仅是算法对既有风格的机械复现时，则难以跨越原创性的门槛。技术的每一次跃迁都会重新校准这条边界，而掌握创作主动权的人，永远站在法律保护的那一侧。