在AI被大範圍應用的同時，一些已有問題的解決也變得更加急迫。由於AI技術的特殊性，AI生成物引發的許多著作權新問題等待解決。雖然司法實踐中已經確定，AI生成物中的人類智力勞動部分也應受到保護，但隨著AI生成物越來越沒有AI味，如何才能確定生成物中人類勞動與AI技術的佔比？讓AI貢獻度量化解決AI著作權的問題是否可行呢？

在被稱作“AI作品保護第一案”的騰訊Dreamwriter案中，雖然經法院判決，騰訊作為Dreamwriter的開發者和使用者，在資料型別的輸入、模板選擇、演算法設計和訓練等活動體現了個性化的創作選擇，所以享有著作權。但很多人對這一結果並不滿意，認為Dreamwriter雖然由騰訊開發，但文章是基於演算法自動生成的，單純談論文章本身的話，並不能體直接現出人類智力成果。

隨著AI技術的發展，特別是AI大模型的普及，AI開發者和使用者分離，更多的AI生成物來自於AI使用者，而不是開發者，這使得相關司法實踐和討論中越來越注重從開發者和使用者兩方面判斷是否侵權。

在北京網際網路法院判決的“AI文生圖”著作權案中，法院正是承認了原告在用AI生成圖片中調整引數，篩選結果等行為屬於智力投入，所以支援原告對圖片擁有版權。之後的《伴心》侵權案中，法院又進一步根據原告具體在作品中哪些地方投入了智力勞動，來確定被告的侵權程度。

之後的幾起奧特曼案件中則是對AI平臺方的侵權情況做出了逐漸深入的判決。AI技術的特殊性使得平臺方也會侵犯到他人的著作權。上述法院的判決令平臺方的責任越來越清晰。

從已有判決來看，能受著作權保護的AI生成物必須是有人類的直接參與，這種參與必須是智力投入，如果只是一些簡單指令，可能無法獲得保護。

如《伴心》案中，法院雖然支援了原告的版權主張，但因圖片中的部分內容可以直接透過AI生成而認定獨創性低，奧特曼案中也曾透過用重複指令得到高相似度內容的方式來佐證侵權行為。可隨著AI技術的發展，想要透過這樣的方式來確定AI生成和人類智力勞動的分配情況越來越難，透過什麼方式更加方便可靠的確定二者的佔比情況成為一些人思考的問題。

墾丁北京威理揚法律團隊認為，從最初的菲林律所訴百度案，到騰訊Dreamwriter案，前人工智慧時代對軟體自動生成作品，爭議往往在於創作過程是否存在能夠稱之為創作行為的人類參與。菲林律所因為對生成物的參與度低，行為無法被稱為創作致使不能被授予著作權；而騰訊則因員工在資料型別的輸入、模板選擇、演算法設計和訓練等活動中的個性化選擇被認定符合創作要素。

轉入生成式人工智慧技術場景下，無論是北互“春風送來溫柔”生成式人工智慧文生圖第一案，還是隨後的常熟“伴心”案、武漢王某案，法院的關注重點之一，依舊在於操作者在使用生成式人工智慧工具，進行生成的過程，是否體現了人類的取捨選擇，以此來判斷生成物是否構成獨創性的表達，進而受到著作權法的保護。在此基礎上，江蘇常熟法院在“伴心案”中，在判斷賠償數額時，考慮了AI生成物的獨創性高低，應仍應結合具體案情綜合判斷。這確實不禁引發思考，是否存在一種方法能夠幫助我們量化AI生成物中人類貢獻與AI貢獻的各自佔比。

天津科技大學等多所高校已經連續兩年將畢業論文中的AI佔比列為和查重率同樣重要的指標，AI佔比不超過40%才能及格。北京郵電大學、中國傳媒大學、南京工業大學等不少高校，也都在試行或出臺類似規定或辦法。

這些高校確定學生畢業論文中的AI佔比的依據，就是依託知網等專業機構的AIGC檢測系統，就學生論文進行全文檢測，看有多少內容可能是用AI生成的。

這一方式並非我國高校獨創，英國的很多高校也引入了AI檢測機制，以防學生過度使用AI。

這種方式也給其他涉及AI生產的領域提供了一種思路，那就是可以透過技術手段將AI貢獻度量化，來判斷對方提供來的內容是否具有原創性。這種方法在一些其他領域也得到一定的應用。

在出版領域，國內外也有不少透過AIGC檢測的方式避免因AI輔助創作產生版權糾紛。

斯坦福大學一研究團隊根據大模型生成文字的規律提出了一項名為Detect GPT的技術檢測方法，檢測出一段文字是不是由一個給定的大型語言模型生成；普林斯頓大學學生研究出一個工具GPTZero，已經可以有效識別AI生成的文字；新華網聯合專業研究機構合作打造了一個AIGC-Safe平臺，用於檢測文字、影像及音影片內容的真實性和合規性；騰訊於2025年1月推出了“朱雀”AI大模型檢測系統，能夠幫助識別AI生成的文字與影像內容，給出文字內容的AI生成佔比以及影像內容的AI生成機率。

不過，目前這些檢測方式存在不少侷限性。AI檢測技術也非常依賴演算法和資料庫。國內外高校能夠先行使用檢測技術的原因也是早已有建立起非常完善的學術資料庫。另外，AI生成物並不只有文字這一種方式，現有檢測方法能否檢測圖片、影片等其他內容也是個問題。另外，40%這一上限僅是高校的個人標準，若未來司法真的引入AI佔比的客觀標準用於評判AI生成物的獨創性，可能司法標準需要重新討論。

雖然這種AI檢測方式能否直接用作涉及AI的著作權糾紛的輔助證據還有待論證，目前也缺少直接用AIGC檢測報告作為相關案件證據的案例。但就像AI技術剛出現非常不靠譜一樣，隨著AIGC檢測技術的提升，準確性得以驗證，將AI貢獻度量化或許也能用於司法實踐中。

一個很典型的例子就是，無論是在AI開發階段還是AI使用階段，都會使用到大量的訓練資料，但目前人們擔心的主要還是人類的作品被違法地用作訓練資料，從而侵犯到作者的權益，但隨著越來越多的有版權的AI作品出現，這些作品同樣面臨被侵權的問題。

除此之外，隨著AI技術的發展，一旦發生糾紛，溯源問題也將變得越來越複雜。在傳統的智慧財產權保護糾紛中，就存在一定的溯源難題，AI技術因為具有隱蔽性和不確定性的特點，AI的應用使得溯源難度更大。前段時間引起廣泛關注“知識蒸餾”和“影子模型”等問題都與AI技術的這兩個特點有關。

因此，在相關討論中，有不少人提到將區塊鏈技術應用到人工智慧中，利用區塊鏈技術的透明性和不可篡改性特點，讓所有的交易和授權記錄都可以被公開檢視和驗證，確保每一次交易和授權都有跡可循，從而解決涉AI版權糾紛，乃至各種智慧財產權糾紛。這也給AI貢獻度量化提供可能。‌

區塊鏈技術可以透過智慧合約和分散式賬本等技術，為AI生成物的創作過程提供透明且不可篡改的記錄。例如，AI生成的內容或資料可以被即時記錄到區塊鏈上，包括生成的時間、參與的演算法、資料來源以及貢獻者的身份等資訊。這種記錄方式可以確保每個貢獻者的工作量和價值被準確追蹤，從而為後續的利益分配提供依據。

區塊鏈上的智慧合約也可以被設計為自動執行的規則，用於量化和分配AI生成物的貢獻度。例如，當AI生成一個作品時，智慧合約可以根據預設的規則（如演算法貢獻的比例、資料提供者的貢獻等）自動分配相應的收益或權益。

此外，區塊鏈技術可以透過加密技術和零知識證明等手段，確保資料在記錄和傳輸過程中的安全性。區塊鏈的去中心化特性也可以支援多方參與的稽核機制。例如，AI生成物的貢獻度可以透過多個節點的交叉驗證，確保記錄的真實性和準確性。

區塊鏈技術已經在不少領域得到了應用，在司法實踐中，也已經有了用區塊鏈取證的先例，如果能將其應用於AI領域，從而實現AI貢獻度量化，未來解決AI著作權糾紛或將變得更加方便。