簡單來說，現行的開源授權（如 GPL 等）有一個很經典的「傳染」機制：你修改了別人的開源程式碼，那你衍生出來的軟體通常也必須用同樣的授權條款釋出，不能鎖起來自己賺。但問題來了，如果今天 AI 公司是把你的開源程式碼**拿去「訓練」**一個超大型模型，而不是直接複製貼上呢？這在法律上就進入灰色地帶了。

耶魯團隊的想法很直接：你既然用了標示為 CCAI 授權的代碼當作「養分」，那養出來的生成式 AI 模型本身就應該被視為該代碼的**「衍生作品」**，這就觸發了 copyleft 的義務 。換言之，你想白拿社群的心血去打造封閉的收費產品？門都沒有。

這套授權會要求 AI 開發者做什麼？

一旦模型使用了 CCAI 授權的代碼進行訓練，AI 開發者就背負了強制性的透明義務，必須向公眾揭露以下幾項關鍵資訊 ：

• 模型架構：這個 AI 的設計理念與技術結構長什麼樣子 。
• 訓練數據：餵給模型吃了哪些資料集 。
• 連鎖授權：模型本身，以及之後任何人再基於這個模型去改出來的東西，通通都必須繼續沿用一樣的 CCAI 授權，不能改回閉源 。

這個提案的目標非常明確，就是要防止 AI 巨頭只從開源社群「吸取養分」，卻不願「灌溉回饋」的單向剝削行為 。

這篇論文的作者是誰？

這項研究發表在 《牛津國際法與科技期刊》（Oxford Journal of International Law & Technology） ，論文題目為**《The Case for Contextual Copyleft: Licensing Open Source Training Data and Generative AI》**（中譯：情境式著佐權案例：為開源訓練數據與生成式 AI 授權） 。

背後的作者陣容堅強，全都與耶魯大學數位倫理中心有關 ：

• Grant Shanklin：第一作者，耶魯學院 de Vries-Sherif 青年研究員 。
• Claudio Novelli：DEC 研究員 。
• Emmie Hine：DEC 研究員 。
• Luciano Floridi：John K. Castle 講座教授、DEC 創始主任 。
• Tyler Schroder：DEC 前大學部研究員 。

理想很豐滿，但法律上的「不確定性」在哪？

這個架構聽起來很美好，但連研究團隊自己都坦承，CCAI 在現實世界的法庭上能不能站得住腳，還是一場硬仗。他們點出了幾個最棘手的未爆彈 ：

1. 「合理使用」的天花板：這是最大的變數。CCAI 能不能強制執行，全看法院認定「拿有著作權的代碼去訓練 AI」這個行為到底算不算合理使用。在美國或其他普通法國家，如果法官最後拍板定案，說這本來就是合理使用、不需要另外取得著作權人許可，那 CCAI 的授權限制威力就會大減 。

2. 模型到底算不算「衍生作品」？：在法律上，一個訓練好、充滿「權重」的 AI 模型，到底算不算是那些訓練用程式碼的「衍生作品」？目前學界與實務界都沒有共識，這在國會圖書館的報告中也一再被提及 。如果法律不這麼認定，那整棟 copyleft 大樓的地基就垮了。

3. 各國管轄權大亂鬥：每個國家的著作權法規定、例外條款都不一樣。在 A 國可以執行的授權，到了 B 國的法院可能直接被宣告無效，跨國官司更是難上加難 。

4. 實務上的「舉證地獄」：現在的 AI 模型動不動就是從網路海量的混雜資料中訓練出來的。要如何在法庭上精準證明「我的那幾行 GPL 代碼真的有被收進去訓練」，並且「對模型的產出有直接影響」，在技術上就是一道極高的門檻 。

總歸一句，CCAI 是一個學理上擲地有聲的前衛概念，但它能否從論文走進現實、成為開源社群的強力護盾，完全取決於未來著作權的幾個關鍵官司怎麼打。尤其是「生成式 AI 訓練是否為合理使用」以及「模型是否為衍生作品」這兩道終極大哉問 。

簡單來說，現行的開源授權（如 GPL 等）有一個很經典的「傳染」機制：你修改了別人的開源程式碼，那你衍生出來的軟體通常也必須用同樣的授權條款釋出，不能鎖起來自己賺。但問題來了，如果今天 AI 公司是把你的開源程式碼**拿去「訓練」**一個超大型模型，而不是直接複製貼上呢？這在法律上就進入灰色地帶了。

耶魯團隊的想法很直接：你既然用了標示為 CCAI 授權的代碼當作「養分」，那養出來的生成式 AI 模型本身就應該被視為該代碼的**「衍生作品」**，這就觸發了 copyleft 的義務 。換言之，你想白拿社群的心血去打造封閉的收費產品？門都沒有。

這套授權會要求 AI 開發者做什麼？

一旦模型使用了 CCAI 授權的代碼進行訓練，AI 開發者就背負了強制性的透明義務，必須向公眾揭露以下幾項關鍵資訊 ：

• 模型架構：這個 AI 的設計理念與技術結構長什麼樣子 。
• 訓練數據：餵給模型吃了哪些資料集 。
• 連鎖授權：模型本身，以及之後任何人再基於這個模型去改出來的東西，通通都必須繼續沿用一樣的 CCAI 授權，不能改回閉源 。

這個提案的目標非常明確，就是要防止 AI 巨頭只從開源社群「吸取養分」，卻不願「灌溉回饋」的單向剝削行為 。

這篇論文的作者是誰？

這項研究發表在 《牛津國際法與科技期刊》（Oxford Journal of International Law & Technology） ，論文題目為**《The Case for Contextual Copyleft: Licensing Open Source Training Data and Generative AI》**（中譯：情境式著佐權案例：為開源訓練數據與生成式 AI 授權） 。

背後的作者陣容堅強，全都與耶魯大學數位倫理中心有關 ：

• Grant Shanklin：第一作者，耶魯學院 de Vries-Sherif 青年研究員 。
• Claudio Novelli：DEC 研究員 。
• Emmie Hine：DEC 研究員 。
• Luciano Floridi：John K. Castle 講座教授、DEC 創始主任 。
• Tyler Schroder：DEC 前大學部研究員 。

理想很豐滿，但法律上的「不確定性」在哪？

這個架構聽起來很美好，但連研究團隊自己都坦承，CCAI 在現實世界的法庭上能不能站得住腳，還是一場硬仗。他們點出了幾個最棘手的未爆彈 ：

1. 「合理使用」的天花板：這是最大的變數。CCAI 能不能強制執行，全看法院認定「拿有著作權的代碼去訓練 AI」這個行為到底算不算合理使用。在美國或其他普通法國家，如果法官最後拍板定案，說這本來就是合理使用、不需要另外取得著作權人許可，那 CCAI 的授權限制威力就會大減 。

2. 模型到底算不算「衍生作品」？：在法律上，一個訓練好、充滿「權重」的 AI 模型，到底算不算是那些訓練用程式碼的「衍生作品」？目前學界與實務界都沒有共識，這在國會圖書館的報告中也一再被提及 。如果法律不這麼認定，那整棟 copyleft 大樓的地基就垮了。

3. 各國管轄權大亂鬥：每個國家的著作權法規定、例外條款都不一樣。在 A 國可以執行的授權，到了 B 國的法院可能直接被宣告無效，跨國官司更是難上加難 。

4. 實務上的「舉證地獄」：現在的 AI 模型動不動就是從網路海量的混雜資料中訓練出來的。要如何在法庭上精準證明「我的那幾行 GPL 代碼真的有被收進去訓練」，並且「對模型的產出有直接影響」，在技術上就是一道極高的門檻 。

總歸一句，CCAI 是一個學理上擲地有聲的前衛概念，但它能否從論文走進現實、成為開源社群的強力護盾，完全取決於未來著作權的幾個關鍵官司怎麼打。尤其是「生成式 AI 訓練是否為合理使用」以及「模型是否為衍生作品」這兩道終極大哉問 。