技术深度剖析
问题的核心在于LLM的学习方式。它们不像数据库那样记忆训练数据。相反，它们在训练过程中使用一种称为“压缩”的过程。模型的数十亿参数（权重）被调整以最小化损失函数——本质上，是为了更好地预测序列中的下一个token。在这个过程中，模型学习统计规律、语法规则，以及关键的高层结构模式。
考虑Transformer的架构。自注意力机制允许模型权衡序列中不同token的重要性，使其能够理解代码库中不同部分之间的关系。例如，一个LLM可以学习到，一个特定的函数签名（如`def calculate_risk(user_profile, transaction_history)`）通常后面跟着一个特定的数据验证序列、一次对信用评分API的调用，以及一个特定的错误处理模式。它并非从一个例子中学习，而是从其训练语料库中成千上万个相似模式中学习。
“记忆化”的概念存在于一个光谱上。一端是“逐字记忆”——模型可以复现精确的代码块，通常来自高度重复的数据（例如，常见的开源库）。另一端是“模式抽象”——模型生成遵循所学架构逻辑的新颖代码，而不复制任何特定行。Corgi事件可能介于两者之间。生成的应用不包含原始源代码，但其整体结构、类层次结构、API调用序列，甚至变量命名约定都近乎完美匹配。
这正是法律挑战变得尖锐的地方。传统的版权侵权分析依赖于“抽象-过滤-比较”测试。法院首先将作品抽象为其组成部分，然后过滤掉不受保护的元素（思想、事实、过程），最后比较两部作品中剩余的“表达”。在AI生成的输出中，“表达”不是一串字面字符，而是一种学习到的关系模式。当思想本身是一个复杂的、多层次的架构模式，且模型是从一个特定的受版权保护的作品中学习到它时，法院如何过滤掉一个“思想”？
一个用于理解这一点的相关开源项目是 GitHub仓库 'memorization-in-llms'（目前约1,200星）。它提供了量化LLM记忆其训练数据程度的工具。另一个是 'The Pile' 数据集分析工具，这些工具已显示某些代码仓库在训练数据中被不成比例地代表，增加了逐字记忆和结构记忆的风险。
| 记忆类型 | 描述 | 法律风险 | 检测难度 |
|---|---|---|---|
| 逐字 | 精确复现代码块 | 高（明显的字面复制） | 低（抄袭检查器） |
| 近似逐字 | 微小的变量/注释更改 | 高（实质性相似） | 中 |
| 结构 | 相同的架构、逻辑流程、API调用 | 中-高（非字面复制） | 高（需要深度分析） |
| 风格 | 相同的命名约定、格式、注释风格 | 低-中（商业外观？） | 非常高 |
数据要点： 该表显示，AI生成的“复制”最常见的形式——结构复制——既是最难检测的，也是法律上最模糊的。当前的自动化工具无效，而关于软件架构非字面复制的法律先例既稀少又过时。
关键参与者与案例研究
法律格局正由几个关键参与者和事件塑造。
Corgi事件（假设性但具有说明性）： 一位独立开发者'Alex Chen'构建了一个小众应用，用于管理柯基犬主人的宠物护理日程。该应用的独特之处在于它集成了一个特定的兽医API、一个基于狗年龄和体重的自定义调度算法，以及一个独特的UI布局。Alex没有开源代码。六个月后，一家初创公司推出了一款具有相同功能、API集成和UI流程的应用。Alex的调查显示，该初创公司的创始人使用了一个流行的代码生成LLM来构建该应用。一次提示注入测试表明，当被要求“创建一个用于柯基犬的宠物护理应用，包含日程安排和兽医API”时，该LLM生成了与Alex应用结构相同的代码。该LLM的训练数据被发现包含来自一个现已关闭的代码共享平台的Alex应用的泄露版本。初创公司的辩护是：“我们没有复制一行代码。”此案目前处于审前证据开示阶段。
GitHub Copilot与开源反弹： 由OpenAI的Codex驱动的GitHub Copilot是第一个面临此问题的主要产品。2022年，一起集体诉讼被提起，指控GitHub、微软和OpenAI，声称Copilot在未注明出处的情况下复制了GPL许可的代码。虽然该案侧重于逐字