程顺：AI Coding时代的人工智能生成物保护

　　作者：程顺 华为技术有限公司AI与云技术知识产权部部长

　　2026年7月25日，由上海交通大学凯原法学院、知产财经联合主办的“AI时代新型不正当竞争与司法治理研讨会”在上海顺利召开。本次会议汇聚行业专家和产业代表，围绕人工智能时代新型不正当竞争行为的认定、数据权益保护、平台责任及AI生成物的知识产权等前沿议题展开了深度对话，为构建适应AI产业发展的竞争法治环境贡献了多元智慧。会上，华为技术有限公司AI与云技术知识产权部部长程顺围绕“AI Coding时代的人工智能生成物保护”进行主题演讲，知产财经对其主讲内容进行了整理，以飨读者。

　　今天我汇报的题目是“AI Coding时代的人工智能生成物保护”。这是人工智能生成物（AIGC）著作权保护这一相对成熟课题下出现的新问题，也可以说是AIGC著作权保护在软件开发领域中的一个新业务场景。

一、AI Coding正成为大模型应用重要方向

　　当前，大语言模型之间的竞争十分激烈。在各类模型评测中，Coding（编码）能力通常会被单独列榜，是衡量大模型能力的重要指标之一。一个模型如果在Coding能力上处于领先位置，通常也意味着其在产业应用方面具有较强竞争力。例如，最新发布的Kimi K3模型，除综合能力外，也将编码能力作为其重要应用方向。这说明AI Coding已经成为大模型产业应用中非常重要的业务场景。

　　为什么会这样？目前，大量司法案例聚焦于AIGC的文生图、文生视频场景，但不能忘了在产业中真正带来巨大变化的还有代码生成场景。从企业数据看，部分国内外软件和互联网企业新增代码中的AI生成或AI辅助生成比例已经达到较高水平。未来新增的软件主要都将是由AI生成或者由AI辅助生成。

　　2025年Stack Overflow开发者调查显示，84%的受访者正在使用或计划使用AI工具参与开发流程。这一比例反映出AI编程工具正在快速普及。我判断，未来几年，新增软件中由AI生成或者由AI辅助生成的代码占比还会继续上升。对于存量代码，由于软件产品处在不断迭代更新的过程中，经过三至五年的持续演进，软件作品和软件产品中的AI生成代码比例也可能显著增加。

　　Anthropic是AI Coding领域具有代表性的企业。该公司公开材料显示，其工程师目前平均每季度交付的代码量已达到2021年至2025年平均水平的8倍；相关负责人也曾表示，其日常编码已经高度依赖Claude。2026年GTC大会上，英伟达CEO黄仁勋提出，软件企业应当为工程师配置较高的年度Token预算，以放大顶级人才的产出。当然，英伟达作为算力供应商具有自身商业立场，但其基本逻辑值得关注：AI工具正在改变软件人才的生产方式和产出效率。

二、从传统编程到AI编程的变化

　　为了说明这一变化，可以对软件开发流程作一个相对抽象的解释。传统编程大致可以分为三个阶段：第一是需求分析和系统设计；第二是软件开发；第三是测试与交付验收。在需求分析和系统设计阶段，开发者需要明确软件有哪些需求和功能，按钮采用什么形状和颜色，点击后跳转到什么功能。软件的功能设计通常要在这一阶段形成，属于人类智力投入高度集中的环节。随后进入软件开发阶段，即将设计文档转化为代码。编码完成后，还要进行测试和验收，通过大量用户场景和测试用例，判断代码能否通过验收并合入下一个版本。

　　大型应用的分析与设计工作非常复杂。以微信这类大型软件为例，其长期累积的需求和设计文档达到数千页甚至上万页并不难理解。在AI编程场景下，软件开发仍然可以分为需求设计、软件开发和交付验收三个阶段，但核心变化发生在软件设计与开发验证环节。需求设计文档可能由人完成，也可能由AI辅助人类细化；而将需求设计转化为具体软件、完成编码和部分验证的过程，将越来越多地由AI承担。

　　以华为内部研发人员使用的编码工具CodeAgent为例，这类工具通常包括三个区域：左侧是代码工程区，用于展示项目的存量代码和代码文件；中间是代码区，用于展示当前模块的具体代码；右侧是工作区或AI交互区。开发人员可以在交互区提出要求，例如修改某些函数或变量，或者向AI提供需求文档，要求其在不产生缺陷并与其他模块保持兼容的前提下增加新功能，同时完成编译和测试。AI获得需求后完成编码，结果直接体现在中间的代码区。

　　开发人员使用AI编码时还存在多种细分场景，包括单行代码生成、代码片段生成、函数级代码生成和项目级代码生成。数据显示，在不同场景下，输入Token与输出Token之比可能达到100∶1甚至300∶1。之所以输入远高于输出，是因为开发人员往往需要向模型输入大量历史代码、详细需求文档和交互指令，而输出可能只有几十行或者上百行代码。这与文生图、文生视频场景中输出信息量往往高于提示词输入量的情况正好相反。

三、现有AIGC判断标准平移至AI Coding的困境

　　目前，中国、美国、欧洲和韩国等国家和地区已经通过司法案例、版权登记决定或行政指引，对人工智能生成内容能否受到保护提出不同标准。各法域的尺度并不完全相同，但普遍关注人类是否作出了足以达到独创性要求的创作性贡献，以及人类的选择、编排、修改是否最终体现在生成结果之中。

　　我国的既有案件也体现出不同的裁判结果。例如，在《伴心》图案相关案件中，创作者通过多轮提示词调整并结合人工修改完成作品，法院认可其独特选择与安排；而在另一些仅输入一次提示词、完全依赖AI大模型自动生成图片的案件中，法院认为相关内容缺少人类的独创性表达，未达到作品要求。总的来说，我国法院的思路是：能够提供乃至复现创作过程，创作过程包含“前端构思+调试等过程控制+后端表达编排”，体现了连续性智力投入与实质性表达转化，展现人对生成结果的选择和编排的，将对AIGC可版权性的证明提供实质性帮助。

　　美国版权局则在AIGC的作品认定上比中国更严格，更关注生成结果的可预测性与人类对生成结果的控制程度，并要求对图像中的“AI创作”与“人类创作”的成分作出精细的划分，以阻断机器的不可预测性。

　　但是，如果机械地将文生图、文生视频场景中的证明思路平移到AI Coding，软件开发者可能需要长期保存每次AI生成代码时所调用的历史代码、完整的需求设计文档，以及工程人员与编码工具之间的全部交互记录，才可能在未来主张软件著作权时证明人的独创性贡献。这会带来100∶1、200∶1甚至300∶1的证据存储负担。为了证明最终生成代码的可版权性，企业可能需要长期保存数百倍于输出代码的信息，成本非常高。从企业内部评估来看，如果按照这种方式保存全部数据，可行性较低。

　　针对以上问题，我们的建议是：不应当然要求企业将全部历史代码、需求文档和每一次人机交互记录都作为核心证据长期保存。判断AI生成代码是否能够受到著作权保护，关键仍在于判断完整开发过程中人的独创性智力投入体现在哪里，以及这些投入是否能够与最终代码表达形成可以证明的联系。

　　对于AI代码可版权性的证明证据，为了强调人的独创智力投入在AI Coding流程设计、软件需求设计和代码审核等步骤中的体现，建议将以下内容纳入考量：首先是AI Coding系统和流程本身的架构设计，例如多Agent的编排方式、中间输入与输出的安排；其次是需求设计文档，设计文档通常会长期存在，其中集中体现了开发者对软件功能、结构和实现目标的选择与安排；再次是PR审核记录（如committer审核记录），该过程能够体现人类对生成结果的审查和选择；最后，历史代码和AI交互日志则作为辅助证据。与要求全面保存全部输入数据相比，以上证据体系的存储成本是相对可控的。

四、AI代码版权保护可能产生的三方面影响

　　最后谈AI代码版权保护可能产生的三方面影响。

　　第一，大语言模型的逆向工程能力可能提高软件著作权保护的重要性。传统软件侵权案件相对较少，一个重要原因是软件编译为二进制文件后，源代码较难被完整还原，权利人也很难取得对方源代码。但到了今天，许多大语言模型已经能够显著提高二进制代码反编译的可读性和可执行性。随着模型能力提升，以分发方式提供的软件面临的反编译和代码理解风险可能增加；相较之下，仅通过云服务方式提供的软件具有不同的暴露方式。无论如何，软件著作权保护的价值可能进一步上升。

　　第二，AI生成代码的可版权性可能影响以著作权为基础的开源许可证。软件行业存在大量开源软件，常见的MIT许可证属于典型的版权许可证。如果部分代码完全由AI生成且不具备著作权保护条件，以著作权为基础的许可约束在该部分代码上的适用就可能面临挑战。

　　第三，软件著作权登记证明文件既面临挑战，也可能产生新的价值。未来，如果AI代码生成过程中的关键材料能够在登记环节作为证明或辅助材料提交，可能有助于增强登记材料对创作过程的说明力，并在司法审判中提高其证明价值。

　　以上是我要分享的内容，谢谢大家。