 看更多2026年月旦釋讀 | |
發佈日期：2026/08/19 |
|
從美國最近二件AI商標案中間判決──探討生成式AI運用RAG之商標侵權核心議題
【摘要】
生成式AI與AI代理工具，目前已為全球各界所廣泛使用，尤其是搭配RAG的應用，可降低AI的幻覺與掌握資訊的即時性。但另一方面，卻也衍生了更深一層新的智財法議題，此在美國已引發多件商標侵權案例，迄今雖尚無實質判決，但針對商標法之核心議題，諸如生成內容顯示出他人的商標時，是否構成商業上使用、消費者的混淆誤認（尤其售前和售後混淆）、指示性的合理使用等，法院已對此做出初步法律評價，本文爰予以探討並比較我國的法制。
【目次】
壹、生成式AI中RAG之運作機制
貳、RAG運作之商標侵權風險緣由 參、RAG相關全球商標首案──Dow Jones & NYP v. Perplexity AI 肆、RAG第二案──Advance Local Media v. Cohere 伍、RAG機制之開關與否在商標法下呈現之議題 陸、Cohere案議題與我國商標法下之比較法觀點 柒、結語 【關鍵詞】
【本文試讀】
壹、生成式AI中RAG之運作機制
自生成式人工智慧（下稱「生成式AI」）快速發展以來，「檢索增強生成」(Retrieval-Augmented Generation, RAG)已成為強化大型語言模型(Large Language Models, LLM)重要的技術架構。雖然LLM擅長語言生成與推理，但其資料主要來自於訓練階段所使用之語料。一般而言，LLM經過大規模預訓練後，其模型參數即趨於固定，難以及時反映最新資訊的動態變化。若透過重新訓練或微調(fine-tuning)來更新模型知識，不僅成本高昂，亦涉及運算資源、資料管理等問題，實務上難以頻繁反覆更新。
況且，LLM係基於機率分布進行文字生成，缺乏內建的事實查證機制，因而可能產生一般熟知的AI「幻覺」(hallucination)，即輸出內容雖然表面看似合理，卻缺乏真實依據或甚至是錯誤資訊。針對這些限制，RAG提供有效的補強途徑：為了模型生成較佳回應，會透過動態檢索技術（如向量搜尋或 關鍵字搜尋），系統會從企業內部資 料庫、外部知識來源中擷取相關內容，再與使用者提示一併提供給模型來生成。 RAG具有即時更新資訊之優勢，而且開發成本較低實益較高，更能有效緩解幻覺發生的機率並更新資訊。簡言之，RAG係結合「資訊檢索」(Retrieval)與「增強」(Augmentation)，再進行「內容生成」(Generation)之系統架構的強化機制，用以彌補模型在資訊即時性、正確性與可靠性方面的限制，從而提升輸出內容的可信度。 貳、RAG運作之商標侵權風險緣由
當今許多預訓練模型的AI供應商，已在其系統中不同程度地採用RAG架構，但部分業者主打其產品使用RAG設計，強調具有「可溯源性」與「引用顯示」的功能，會在對使用者之回應中呈現原始資料片段、標題或來源連結，藉此提高其AI之可信度。然而，正因為 此種刻意凸顯RAG架構作為其產品特色，反而在「顯示原始資訊及其出處」的實作上，引發著作權與商標之侵害爭議，呈現AI生成模式一種新型態的法律風險。
這是因為，當聊天機器人使用RAG時，系統在回應過程中，會直接檢索並呈現原始文本片段內容或其出處，甚至在明確標示來源時還會呈現出原作之商標，但該等輸出內容並非由原作者撰寫，而此種情形如無法與受保護商標的標識(logo or marks)做區別，即可能導致使用者誤以為這些由AI生成的內容或標章，屬於原作者所有或與其有所關聯，甚或是已經原告授權或認可。尤其是當不使用RAG功能時，在回應請求時可能會產生「幻覺文本」，此時這些錯誤在外觀上將其歸因於原作者，這就衍生出是否構成商標侵權、虛偽或不實來源標示(false designation of origin)及商標淡化等法律問題。 目前在美國與RAG運作有關之商標侵權案例有：Dow Jones & NYP Holdings v. Perplexity AI；Advance Local Media et al v. Cohere Inc.；Ziff Davis v. OpenAI；Encyclopaedia Britannica v. Perplexity AI；The New York Times v. Perplexity AI；Chicago Tribune v. Perplexity AI、Encyclopaedia Britannica v. OpenAI等，本文僅以其中明確提及RAG並已做出中間判決的二件案例加以介紹。 參、RAG相關全球商標首案──Dow Jones & NYP v. Perplexity AI
原告Dow Jones與NYP Holdings控股旗下出版商（包括《華爾街日報》(Wall Street Journal)與《紐約郵報》(New York Post)等，合稱「原告」），於2024年10月對Perplexity AI向紐約南區地院起訴。
一、Perplexity於其生成式AI中建置RAG索引機制
原告指出，生成式AI業者為提高輸出內容之正確性，並即時回應使用者查詢，通常會於模型完成訓練與微調後，額外導入RAG機制。Perplexity為提供用戶所需要的「答案」，直接自原始內容來源存取相關資料，並在未經授權下加以複製，納入其所建構之RAG資料庫（亦稱「RAG索引」(RAG index)）。其後，Perplexity將RAG索引中所儲存之人類創作內容，提供予LLM並透過該模型對既有內容重新包裝、重組與生成，最終再將「答案」提供使用者。此等輸出內容在本質上，係以摘要、改寫，甚至經常是逐字重製人類創作之原始內容。 二、RAG索引的運作原理 原告指控，Perplexity以電子方式存取並複製其受著作權保護之作品，系統性地納入RAG資料庫中。使AI系統在生成回應時，能將模型限縮於一組特定且有限的原始資料來源，並透過索引資料庫即時檢索所需內容。RAG索引之建構，係獨立於LLM訓練與微調的內容蒐集流程，專門存放作為生成查詢回應之來源素材。Perplexity此一索引，係納入原告投入大量人力所撰寫、查核、編輯之高品質且可信賴的新聞與評論作品。 Perplexity並透過網路爬蟲持續更新RAG索引，以支援快速檢索並避免輸出延遲。藉此宣稱其AI應用的關鍵特色，在於RAG技術能精確指示LLM將哪些原始內容轉化為「答案」，且高度依賴所認定之可靠來源以確保回應之準確性。依Perplexity說法，其運作原理為：針對任何查詢先檢索相關文件，從中選取具關聯性之段落，並以該等文件與段落撰寫回應。 三、原告訴求v.被告之駁回起訴動議──地院程序判決 原告主張，本案最明確的著作權侵害，在於Perplexity未經授權，大量複製其受保護之作品（包括將新聞報導納入資料庫，及自RAG索引複製至LLM上下文視窗），作為建立RAG索引的輸入資料。以此支撐其本身不產製新聞，卻以新聞與即時資訊為產品核心之服務模式，其高度依賴原告等新聞機構已將數十萬篇原告之報導與文章納入資料庫的內容。此外，為回應使用者查詢，Perplexity更全部或部分逐字重製原告作品，將生成之「輸出內容」提供用戶，此行為已構成美國《著作權法》第106條之侵害。 另外，Perplexity於其輸出生成「虛構文本」（即幻覺）中，使用到原告之商標，並將該等文本虛假內容歸因於原告擁有商標之出版物，依美國《蘭哈姆法》商標法(Lanham Act)第1114條第(1)項與第1125條第(a)(1)(A)款，Perplexity構成虛假或不實來源標示(False Designation of Origin)及商標淡化(Dilution)，構成商標侵權。 被告則依《聯邦民事訴訟規則》第12(b)(2)條欠缺對人管轄權(personal jurisdiction)與第12(b)(3)條審判管轄地不當(improper venue)，聲請全面駁回原告於2025年1月提出之起訴，或備位請求依28 U.S.C. § 1404(a)將本案移轉至加州北區聯邦地院。 紐約南區地院於2025年8月作出程序判決，承審法官Katherine Failla將被告所提出之「駁回原告起訴」或移轉管轄法院之動議申請，全部予以駁回6。由於法官並未對商標之實體部分著墨，這凸顯了接下來要介紹案例之重要性。...（本文未完） 延伸閱讀
相關書籍 more
實務講座 more
|
|
| 看更多2026年月旦釋讀 | |
