想象你开了一家“未来厨房”——不是普通餐厅，而是一家用魔法炒菜的店。你雇了一位叫 Sora 的天才大厨，他能看完全世界的美食视频后“无中生有”地做出海鲸飞天、草莓雨落等奇幻菜品，顾客们惊叹不已。但麻烦很快来了：街对面的大厨控告你偷了他的独门菜谱——魔法大厨是在“看”了人家菜谱视频后学会做菜的，这算不算偷？更糟的是，有顾客发现你家招牌菜的脸是别人的，还有人用你的魔法厨房“做”出了一段完全虚构的新闻视频，让全网信以为真。 这家未来厨房遭遇的，正是视频生成领域的版权与伦理危机。Sora、可灵、Pika 用海量真实视频当“食材”学习，交出惊人成片的同时，也把训练数据版权归属、生成内容侵权判定、深度伪造伦理底线等难题摆上台面。这篇文章，我们就用“厨房”的视角，把视频生成的版权与伦理风险层层拆开，看风险从哪来、如何量化、又怎样用法规与工具防范。掌握了这本“厨房安全手册”，你才能做出既惊艳又踏实的作品。

岗位关联

对 AI 从业者而言，掌握视频生成的版权合规与伦理治理，是从技术人晋升项目负责人的必修课，也是你在 AI 落地项目中保住作品、团队与公司口碑的关键护城河。

目录
  1. 可视化演示
  2. 版权风险全景
  3. 训练数据合规
  4. 生成内容版权
  5. 伦理风险剖析
  6. 隐私肖像保护
  7. 法规与治理
  8. 合规实践
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示CNN中卷积核在输入特征图上滑动计算的过程：逐元素相乘求和生成输出特征图，支持单步控制和速度调节。

本节配有交互动效（进入视口后自动加载，约 3KB）。

卷积运算 3×3卷积核在5×5输入上滑动（I=输入 K=卷积核 O=输出） 逐元素相乘后求和得到输出 O(i,j)=ΣΣ I(i+m,j+n)·K(m,n) 输出尺寸=(5-3)/1+1=3×3

版权风险全景

一家厨房开业前，老板要列一张“风险清单”：刀会不会伤人？火会不会烧房？菜会不会让人过敏？视频生成领域的版权与伦理风险，同样需要先画一张全景图。

从“未来厨房”的视角看，风险来自三条管道。第一条是“食材管道”：模型要“吃”海量真实视频才能学会生成，这些视频大量来自互联网上创作者的作品，未经授权使用就是一颗颗侵权地雷。第二条是“出品管道”：模型生成的视频如果和某部受版权保护的短片严重“撞菜”，可能构成复制或演绎侵权。第三条是“经营管道”：生成的视频被用来伪造名人讲话、编播假新闻，这已经越出版权范畴，进入伦理与法律的禁区。

那么，怎么评估这些风险谁大谁小？业内常用“风险矩阵”来量化：把每个风险事件的“发生概率”与“危害程度”相乘，得到综合风险值，再映射到红、黄、绿三色等级。就像给厨房贴“防火等级”一样，你也给业务贴上“风险等级”，让管理层一眼看清优先处理哪一处火苗。

有了这张“厨房风险地图”，你就知道先扑灭哪处火苗——是食材采购优先合规，还是出品环节先加水印。下一节，我们从最烫手的“食材管道”说起。

R=P×L\displaystyle R = P \times L
综合风险 R 等于风险发生概率 P 与损失程度 L 的乘积，这是评估一切版权伦理风险的钱包算盘。
  1. 概率 P表示某一类风险事件（如训练数据被起诉）在未来发生的可能性，取值通常在 0 到 1 之间。概率越大，越需要优先处置。
    P=风险事件发生次数同类项目总数P = \frac{\text{风险事件发生次数}}{\text{同类项目总数}}
  2. 损失 L表示该风险一旦落地会造成多大经济损失或声誉损失，可以用金额、舆情指数等量化。
    L=直接经济损失+品牌损失折算L = \text{直接经济损失} + \text{品牌损失折算}
  3. 风险值 R概率与损失相乘得到综合风险值，高风险项交给管理层重点盯防，低风险项可接受或转嫁。
    R=P×LR = P \times L

训练数据合规

风险清单锁定了“食材管道”是最响的警报。接下来，采购员（数据工程师）就要解决食材的合法性问题：这些视频数据从哪来？有没有许可？

真实世界里的“食材”大约有三类货源。第一类是公开数据集，类似“批发市场”，通常附有明确的许可证，但许可证千差万别：有的只允许科研（如 CC BY-NC），有的禁止再分发，商用前必须逐条核对。第二类是网络爬取的视频，类似“菜农直销”，来源复杂、权属不明，风险最高；一些视频生成公司被艺术家集体起诉，导火索正是这类来路不明的食材。第三类是授权购入的版权库，类似“品牌供应商”，价格高但最安全，Sora、可灵、Pika 的商用数据大多以这类为主。

拿到食材后还要“清洗加工”：去重、过滤敏感内容、剔除可能侵权的片段。大型团队会为每条数据打上“许可证标签”，再按权重汇总成一个合规评分——就像给每筐菜贴上“有机”“普通”的标签。评分越高，说明这套食材越“干净”，越敢放心下锅。

食材过关，下一关就是出品。你的魔法大厨端出来的菜，会不会和哪位名厨的招牌菜“撞车”？

C=∑i=1nwi⋅si\displaystyle C = \sum_{i=1}^{n} w_i \cdot s_i
数据合规评分 C 是各维度合规得分 sᵢ 按权重 wᵢ 加权求和的结果，是“食材干净程度”的数字化标签。
  1. 维度得分 sᵢ把数据合规拆成若干维度，例如“是否有授权许可”“是否包含敏感人脸”“是否与受保护作品高度相似”，每个维度评一个分。
    si=第 i 个合规维度的评分 (0-100)s_i = \text{第 } i \text{ 个合规维度的评分 (0-100)}
  2. 权重 wᵢ不同维度的重要性不同，比如“有无商用授权”权重最高，“是否涉及隐私人脸”紧随其后。
    wi=第 i 个维度的重要程度, 且 ∑i=1nwi=1w_i = \text{第 } i \text{ 个维度的重要程度, 且 } \sum_{i=1}^{n} w_i = 1
  3. 加权求和把每个维度得分乘以权重后累加，就得到整套数据集的合规总分。
    C=w1s1+w2s2+⋯+wnsnC = w_1 s_1 + w_2 s_2 + \dots + w_n s_n

生成内容版权

就算食材是自己合法买来的，如果端出的菜和某位名厨的“招牌菜”一模一样，依然逃不过“剽窃菜谱”的指控。视频生成领域，这个问题表现为：模型生成的视频在画面、剧情、角色上和原始训练样本高度相似，甚至“复刻”出近似帧——这就是生成内容的版权侵权风险。

怎么判断“撞菜”？业内最常用的技术是特征相似度检测：把参考视频与生成视频各自压缩成一条高维特征向量，再计算两条向量的夹角余弦值。余弦值越接近 1，说明两个视频在特征空间里越“亲密”，越可能被认定为实质性相似。做这项检测的不是法务，而是部署了视频编码器（如 CLIP）的算法工程师。

至于版权归属，目前各国实践差异很大：有的国家认为 AI 生成内容“无人类作者”、不授予版权；有的国家认为“人是工具使用者”，版权归设计提示词的人。更普遍的做法是强制内容溯源——在生成视频里嵌入不可见水印，让每一道“菜”都能查到“厨师”和“灶台”。可灵、Pika 纷纷内置水印，正是为了让“出处可查”。

菜是否“复制了师门绝学”有了检测手段，但还有一个比版权更棘手的问题：如果这道菜本身有毒呢？

sim(A,B)=A⋅B∥A∥×∥B∥\displaystyle \text{sim}(A,B) = \frac{A \cdot B}{\|A\| \times \|B\|}
余弦相似度通过向量夹角度量两个视频的“亲密程度”，是侵权检测中判断“实质性相似”的常用标尺。
  1. 向量 A 和 B把参考视频与待检测视频分别用神经网络编码器压缩成一条高维特征向量。
    A=Encoder(参考视频),B=Encoder(生成视频)A = \text{Encoder}(\text{参考视频}), \quad B = \text{Encoder}(\text{生成视频})
  2. 分子点积两条向量的点积衡量它们在每个维度上的“协同程度”，值越大说明各维度方向越一致。
    A⋅B=∑k=1dAkBkA \cdot B = \sum_{k=1}^{d} A_k B_k
  3. 分母模长乘积对向量长度做归一化，把结果限定在 -1 到 1，消除视频长度和分辨率差异带来的影响。
    cos⁡θ=A⋅B∑Ak2×∑Bk2\cos\theta = \frac{A \cdot B}{\sqrt{\sum A_k^2} \times \sqrt{\sum B_k^2}}

伦理风险剖析

版权是“菜谱之争”，伦理则是“食品安全”——一道菜即使食材合法、造型惊艳，如果夹生含毒，照样砸掉招牌。AI 视频生成的“毒”主要有三种：深度伪造、虚假信息、算法偏见。

深度伪造是指用模型把一个人的脸无缝贴到另一个人身上，或让真人说出从未说过的话。2024 年，某公司高管的“讲话视频”曾在网上疯传，事后被证实全由 AI 生成——这就是“投毒菜品”扰乱市场。虚假信息则不需要换脸，直接生成“某地发生重大灾难”的假视频，让围观群众信以为真。算法偏见源于训练数据的“偏食”：如果训练视频里 CEO 面孔 90% 是男性，模型生成的“总裁”也大概率是男性，这种偏食会固化社会偏见。

对抗这些“毒”，AI 领域发展出深度伪造检测技术。核心思路是训练一个二分类器，把视频判为“真”或“假”，常用做法是最小化交叉熵损失——让模型的预测概率尽量贴近真实标签。检测模型与生成模型不断“攻防对抗”，这正是 Sora 们与检测工具赛跑的日常。

只有把好“食品安全关”，顾客才敢放心吃你做的菜。但厨房里还有一条看不见的红线——顾客的隐私，下一节就来处理它。

L=−[ylog⁡(y^)+(1−y)log⁡(1−y^)]\displaystyle \mathcal{L} = - \big[ y \log(\hat{y}) + (1-y) \log(1-\hat{y}) \big]
交叉熵损失衡量预测分布与真实标签之间的“分歧度”，是训练深度伪造检测器的地基公式。
  1. 真实标签 yy 取 0 或 1，表示一段视频是真实拍摄还是 AI 伪造。
    y∈{0,1}y \in \{0, 1\}
  2. 预测概率 ŷ检测模型输出的“这段视频是真的”的概率，输出值通过 Sigmoid 压缩到 0 到 1 之间。
    y^=11+e−z\hat{y} = \frac{1}{1 + e^{-z}}
  3. 对数损失求和标签为 1 时只看前一项，标签为 0 时只看后一项；预测越接近真相，损失越小。
    L=−[ylog⁡y^+(1−y)log⁡(1−y^)]\mathcal{L} = - \big[ y \log \hat{y} + (1-y) \log(1-\hat{y}) \big]

隐私肖像保护

厨房里还有一条看不见的红线：顾客的隐私。你切菜时用的摄像头，如果无意中拍到顾客的脸，然后“学习”进了魔法大厨的脑子，这就是一场隐私事故。视频生成中，大量训练数据来自街拍、直播、监控画面，其中隐藏着无数普通人的面孔、声音、车牌等个人信息。

肖像权是其中最敏感的一类。用某个真实人物的形象生成视频，哪怕只是“蹭个脸”，也需要获得本人的知情同意。可灵和 Sora 的用户协议都明确禁止上传未经授权的第三方人脸，正是为了避开这颗雷。但技术上的雷远不止用户协议能管住：模型可能在生成特定提示词时“无中生有”地还原出某个真实人物的长相。这就要求对数据集做脱敏处理——人脸模糊、声音变调、元数据擦除，让模型“看不见”具体个人。

如何评估脱敏是否到位？常用的指标是识别准确率：把脱敏后的视频输入人脸识别模型，计算正确识别出个人的比例。准确率越低，说明脱敏越彻底，个人隐私越安全。这就像检查菜单上有没有泄露食客的姓名和口味偏好。

把顾客的脸“打码”进厨房，顾客才敢安心点菜。但厨房的自觉终究不够，卫生局随时会来抽查——这就是法规与治理。

Acc=TP+TNTP+TN+FP+FN\displaystyle \text{Acc} = \frac{TP + TN}{TP + TN + FP + FN}
识别准确率用于量化“脱敏后还能不能被认出个人”，准确率越低，说明隐私保护做得越好。
  1. TP 真正例模型把“能识别出个人”的视频判断为“能识别”，样本数记为 TP。
    TP=实际可识别且被模型识别出的样本数TP = \text{实际可识别且被模型识别出的样本数}
  2. TN 真负例模型把脱敏合格的视频判断为“不可识别”，这是我们希望看到的大量结果。
    TN=实际不可识别且被模型判为不可识别的样本数TN = \text{实际不可识别且被模型判为不可识别的样本数}
  3. 准确率计算把正确判断的样本数除以总样本数，得到识别准确率，用来评估脱敏效果。
    Acc=TP+TNTP+TN+FP+FN\text{Acc} = \frac{TP + TN}{TP + TN + FP + FN}

法规与治理

光靠厨房自觉还不够，卫生局随时会来突击检查。全球范围内，针对“未来厨房”的监管规则正在迅速成型。欧盟的《人工智能法案》是全球第一部系统性 AI 立法，按风险等级给 AI 应用发“许可证”：用于欺骗的深度伪造属于不可接受风险，直接被禁止；高风险应用则必须做合规评估并接受审计。

中国则出台了《生成式人工智能服务管理暂行办法》，要求生成式 AI 服务提供者对生成内容进行标识，训练数据来源合法合规，并建立用户投诉处理机制。美国版权局多次表态：纯 AI 生成内容没有人类作者、不受版权保护——这反过来倒逼平台加装水印、记录创作过程，让“作者资格”有据可查。

监管之下，企业要算一笔“合规成本账”：合法采购数据、部署检测系统、组建法务团队都是固定投入；而违规被罚，罚款和声誉损失则是一笔更大的或有成本。用公式表达就是：总成本 = 基础合规成本 + 预期罚款。

卫生标准越是清晰，守规矩的厨房反而越有竞争力。最后，我们把一切沉淀成一本“标准食谱”。

Ctotal=Cbase+∑j=1mpj×fj\displaystyle C_{\text{total}} = C_{\text{base}} + \sum_{j=1}^{m} p_j \times f_j
合规总成本等于基础投入成本与各项违规预期罚款之和，帮企业回答“合规投入花到多少才划算”。
  1. 基础成本 C_base数据授权费、内容审核系统、法务人力等“肯定要花”的固定开支。
    Cbase=数据采购+审核系统+法务团队C_{\text{base}} = \text{数据采购} + \text{审核系统} + \text{法务团队}
  2. 违规概率 pⱼ第 j 类违规（如未标识生成内容）被查处并处罚的概率。
    pj=第 j 类违规被处罚的概率p_j = \text{第 } j \text{ 类违规被处罚的概率}
  3. 罚款 fⱼ 与求和把每类可能的罚款额乘以概率后累加，得到预期违规成本，倒逼企业选择合规优先。
    ∑j=1mpj×fj\sum_{j=1}^{m} p_j \times f_j

合规实践

最后，把一切经验沉淀成一本“标准食谱”——行业最佳实践。一个优秀的视频生成项目，从立项起就要把合规设计进去，而不是出事后再补救。

工具链上，可以按“源头—过程—结果”三层布防。源头层用授权数据目录管理数据出处；过程层在训练脚本中嵌入水印逻辑，像可灵的视频水印、Sora 的 C2PA 内容凭证；结果层部署检测与溯源服务，为每条生成视频输出“来源报告”。

评估体系方面，业界普遍采用“三张成绩单”：合规性评估（数据授权覆盖率）、伦理质量评估（深度伪造与偏见检测通过率）、技术质量评估（画质与一致性）。三者加权成综合得分，作为是否上线的门槛。流程制度上，则要求在生成节点设置人工复核、发布前生成“可追溯清单”、定期用第三方工具做风险“白盒体检”。

模型再强，也必须在规则的车道内行驶。这本“标准食谱”的意义，就是让惊艳的创意与稳健的合规同行。

有了这本“标准食谱”，你的未来厨房既能源源不断端出惊艳好菜，也经得起任何检查。接下来，我们看看这些方法在真实工作中如何落地。

Q=α⋅Qcompliance+β⋅Qethics+γ⋅Qquality\displaystyle Q = \alpha \cdot Q_{\text{compliance}} + \beta \cdot Q_{\text{ethics}} + \gamma \cdot Q_{\text{quality}}
综合评估分数 Q 是合规、伦理、质量三项加权求和的结果，权重系数 α、β、γ 之和为 1。
  1. 三项子分数分别在 0-100 之间给合规性、伦理质量、技术质量打分。
    Qcompliance, Qethics, Qquality∈[0,100]Q_{\text{compliance}}, \ Q_{\text{ethics}}, \ Q_{\text{quality}} \in [0, 100]
  2. 权重系数由团队根据业务风险偏好配置，面向公众传播的项目，伦理权重 β 通常调得更高。
    α+β+γ=1\alpha + \beta + \gamma = 1
  3. 综合加权三项按权重相加，得到“能否上线”的最终分数线。
    Q=αQcompliance+βQethics+γQqualityQ = \alpha Q_{\text{compliance}} + \beta Q_{\text{ethics}} + \gamma Q_{\text{quality}}

AI 应用场景

短视频平台的 AI 生成内容审核

阶段：内容审核与安全

解决的问题：传统人工审核无法应对海量 AI 生成视频，深度伪造和虚假新闻在人工审核下漏检率高。用交叉熵损失训练的伪造检测模型，可自动标注可疑视频并转人工复核。

具体案例：某短视频平台接入深度伪造检测 API 后，对“换脸”视频的召回率从 40% 提升到 90%，审核人力下降 60%，侵权投诉量下降一半以上。

企业营销视频的合规生成

阶段：数据合规与内容溯源

解决的问题：市场部想用可灵批量生成广告视频，但担心素材侵权、肖像纠纷和平台处罚。传统做法是全部人工设计分镜，成本高、周期长。

具体案例：某电商品牌使用可灵生成商品演示视频前，启用“授权素材库 + 人脸模糊 + 生成水印”三件套，并接入合规评分工具预检，发布后半年零侵权投诉。

Python 演示

python52 行
class VideoRiskAssessor:    """视频生成版权风险预检工具"""     def __init__(self):        # 四维权重: 数据授权, 内容相似度, 隐私脱敏, 水印覆盖        self.factor_weights = {            "data_license": 0.35,            "similarity": 0.30,            "privacy_safe": 0.20,            "watermark": 0.15,        }        self.report_count = 0     def assess(self, data_license, similarity,               privacy_safe, watermark):        """输入四个维度的得分 (0-100), 返回风险等级和总分"""        scores = {            "data_license": data_license,            "similarity": 100 - similarity,            "privacy_safe": privacy_safe,            "watermark": watermark,        }        total = 0.0        for key, weight in self.factor_weights.items():            total += weight * scores[key]        self.report_count += 1        if total >= 80:            return "低风险", total        if total >= 60:            return "中风险", total        return "高风险", total     def suggestion(self, level):        tips = {            "低风险": "可正常发布, 注意留存溯源记录.",            "中风险": "建议加强人脸脱敏并补充授权书.",            "高风险": "暂停发布, 立即替换训练数据源.",        }        return tips[level]  if __name__ == "__main__":    assessor = VideoRiskAssessor()    cases = [        (90, 20, 85, 90),        (55, 50, 60, 70),        (30, 85, 40, 20),    ]    for idx, case in enumerate(cases, 1):        level, score = assessor.assess(*case)        print(f"案例{idx}: 综合得分{score:.1f}, {level}")        print(f"建议: {assessor.suggestion(level)}")
目的：用加权评分公式快速评估一个视频生成项目的版权合规水平，输出风险等级与处置建议。
  1. self.factor_weights = {定义四个风险维度的权重，权重之和为 1，对应公式中的 wᵢ。
  2. "similarity": 100 - similarity相似度越高，合规分越低，把“风险”翻译成“健康分”。
  3. total += weight * scores[key]加权求和，正是 C = Σwᵢsᵢ 的代码落地。
  4. if total >= 80:阈值分级，80 分以上低风险，60 分以上中风险，否则高风险。
  5. level, score = assessor.assess(*case)解包元组调用评估接口，输出每个案例的体检报告。

常见误区

误区“视频是 AI 生成的，跟我没关系，版权应该算 AI 公司的，用户随便用。”

正解绝大多数国家不承认 AI 是版权主体。生成指令的人能否成为作者、生成内容是否构成侵权，取决于人类贡献程度和与训练数据的实质性相似。用户的提示词工程做到位，仍可能主张一定的创作权利；反过来，如果生成结果“复刻”了某部电影片段，模型公司也无法豁免用户责任。

为何常见：人们习惯把 AI 拟人化，误以为有“智能”的主体就能像人一样享有权利。

误区“网上开源数据集随便下载，拿来训练商用模型没有问题。”

正解开源许可证千差万别。有的只允许科研（如 CC BY-NC），有的禁止再分发，有的要求衍生作品同样开源。商用前必须逐条核对 LICENSE，并确认其中素材的原始版权是否清晰。这就好比“批发市场的菜也要看合格证”，不能因为摆在货架上就默认可以拿去开店。

为何常见：“公开”两个字让人误以为等于“自由使用”，忽略了许可证的法律效力。

误区“给生成视频加上水印就万事大吉，不怕侵权指控了。”

正解水印是“事后追溯”手段，能证明来源，但不能否定“实质性相似”侵权。如果生成内容和原作高度雷同，水印反而成了“侵权实锤”。真正的合规要“源头授权 + 过程检测 + 结果溯源”三管齐下，少了任何一环都可能翻车。

为何常见：水印肉眼可见，给人“已做防护”的直观安全感，容易忽略前置环节的漏洞。

误区“伦理是法务和公关的事，工程师只负责把效果做出来。”

正解深度伪造检测、偏见消解都要靠算法实现；训练数据里有没有大量人脸、生成的是不是偏颇的角色，全由技术决策决定。工程师才是“食品安全”的第一道防线，把问题留给法务，等于把险情留给消防队。

为何常见：伦理听起来像人文社科话题，工程师容易误以为与代码无关。

误区“只要在用户协议里写一句'用户须保证素材合法'，平台就免责了。”

正解平台仍需履行合理注意义务。上传前做版权与人脸预检、生成内容加标识、内部审核留痕，都是监管和法院关注的要点。免责声明只是形式，实质性的技术和流程防护才是关键。

为何常见：法律风险容易被简化为“写一句话”就能转移，忽略了平台的主动审查义务。

面试题

Q1. 视频生成版权风险的首要来源是？

单选题 · easy

  • A.训练数据未经授权使用← 正确答案
  • B.模型推理速度过于缓慢
  • C.服务器硬件散热不合理
  • D.视频分辨率低于标准线

答案：A。训练数据是模型的“食材”，未经授权爬取使用是目前 AI 视频公司最主要的侵权来源。其余选项属于工程性能问题，不构成版权风险。

Q2. 训练数据合规评分中，通常应给予最高权重的是？

单选题 · mid

  • A.数据是否获得商用授权← 正确答案
  • B.数据文件是否足够高清
  • C.数据是否存储于本地磁盘
  • D.数据标注是否完全自动化

答案：A。商用授权决定数据能否合法用于商业模型，是合规的核心，权重应最高。清晰度、存储位置、标注自动化属于工程质量范畴，不决定法律风险。

Q3. 人类作者在“AI 直接生成视频”中的主要创作贡献是？

单选题 · easy

  • A.提供模型训练的算力
  • B.编写提示词并筛选结果← 正确答案
  • C.购买高性能的GPU服务器
  • D.缴纳视频平台的会员费

答案：B。提示词工程和结果筛选体现了人类的“独创性表达”，被部分司法实践视为作者贡献。算力、服务器与会员费不产生创作表达，不能作为作者资格的依据。

Q4. 深度伪造检测模型的核心任务是什么？

单选题 · mid

  • A.把视频分辨出真实或伪造← 正确答案
  • B.把视频压缩存入本地磁盘
  • C.把视频增强画质和帧率
  • D.把视频翻译成多国语言

答案：A。深度伪造检测的本质是二分类：输入视频，输出“真”或“假”。压缩、画质增强、翻译都是视频处理任务，与真假判别无关。

Q5. 使用他人肖像生成视频前，应当怎么做？

单选题 · mid

  • A.取得当事人的书面授权← 正确答案
  • B.先把成片发给粉丝预览
  • C.在视频中插入商品广告
  • D.降低视频的码率参数

答案：A。肖像权保护的核心是知情同意。书面授权是最稳妥的合规动作。粉丝预览、插广告、调码率都与肖像权无关，不能替代授权。

Q6. 欧盟《人工智能法案》对欺骗性深度伪造的监管态度是？

单选题 · hard

  • A.用于欺骗的深度伪造被禁止← 正确答案
  • B.所有深度伪造须免费开放
  • C.深度伪造一律属于低风险应用
  • D.深度伪造只能由政府机构使用

答案：A。欧盟 AI 法案将操纵人类行为、利用弱势群体的深度伪造列为不可接受风险直接禁止。并非所有深度伪造都被禁，合法的影视创作仍需透明披露，B、C、D 均不符合法案原文。

Q7. C2PA 内容凭证技术的主要作用是什么？

单选题 · easy

  • A.记录来源和改动信息← 正确答案
  • B.压缩视频存储所需空间
  • C.提升视频画质的分辨率
  • D.自动添加视频的背景字幕

答案：A。C2PA 是内容来源与编辑历史的数字凭证，类似“食材溯源标签”——记录视频从拍摄到 AI 改动的完整链条。压缩、提升分辨率、加字幕都不是它的职责。

Q8. 视频生成领域的主要伦理风险包括哪些？

多选题 · hard

  • A.深度伪造破坏社会信任← 正确答案
  • B.虚假新闻扰乱公众判断← 正确答案
  • C.算法偏见固化既有歧视← 正确答案
  • D.视频编码效率有待提升

答案：ABC。深度伪造、虚假信息、算法偏见是三大典型伦理风险，直接关系“食品安全”。编码效率是工程优化问题，不属于伦理风险。

Q9. 缓解视频生成版权风险的合规措施有哪些？

多选题 · mid

  • A.使用获得授权的数据源← 正确答案
  • B.生成内容嵌入溯源水印← 正确答案
  • C.建立相似度侵权检测机制← 正确答案
  • D.无限扩大训练数据的规模

答案：ABC。授权数据源、溯源水印、相似度检测构成“源头—过程—结果”三层防线。盲目扩大数据规模只会增加侵权风险，不是合规措施。

Q10. 使用他人肖像生成视频的合规要求有哪些？

多选题 · easy

  • A.取得当事人明确授权← 正确答案
  • B.对敏感人脸进行脱敏← 正确答案
  • C.遵守平台肖像审核规则← 正确答案
  • D.只要不盈利就可以使用

答案：ABC。授权、脱敏、平台审核是三条基本红线。非盈利使用并不能豁免肖像权侵权，现实中“免费传播”同样可能构成违法。