AIGC侵权赔偿计算 按点击量还是授权费算
AIGC侵权赔偿到底怎么算,实践中争议特别大。有的权利人主张按点击量算,说每次传播都对应一次侵权获利;有的则坚持按授权费算,认为正常许可费才是填平原则的基准。法院通常不会一刀切。点击量路径看似客观,但难点在于如何剔除自然流量、机器人访问和合理使用部分,往往需要平台后台数据配合,举证成本高,且点击与损害之间未必成比例。授权费路径更贴近市场交易逻辑,尤其在有可比许可合同的情况下,法官更愿意参照行业惯例,但问题是AIGC场景下授权费本身缺乏成熟定价体系,同类作品许可费可能差异巨大。实务中,法院倾向以权利人实际损失为优先,难以计算时再考虑侵权获利,点击量常作为获利推算的参考因素而非直接乘数。更常见的做法是综合考量侵权内容占比、传播范围、主观过错和合理许可费,酌情确定赔偿额。所以,单靠点击量或单靠授权费都不保险,关键是证据能不能把计算逻辑撑起来。
OpenClaw帮我把类案摘要压缩到一页
做诉讼的都知道,类案检索报告最磨人的不是搜案例,是读完几十份判决后还得把裁判要旨一条条摘出来、按争议焦点归类、再压缩成合伙人能三分钟看完的东西。上周处理一批建工合同纠纷,以往这种活儿光摘要就得耗掉大半天。这次试着用OpenClaw跑了一遍,把检索到的判决书丢进去,让它按争议类型、裁判倾向、金额认定三个维度做结构化提取。出来的结果直接就是一页纸:左边争议焦点,中间对应案例编号和核心裁判逻辑,右边是金额调整幅度。最实用的是它把互斥观点标了出来,比如同一类签证单效力问题,不同法院有相反认定,它自动并列展示并注明审级和地域,省去了我自己来回翻原文核对的时间。当然机器摘要不能全信,关键段落我还是会点回原文复核,但至少初筛和归类这一步,从原来两三个小时压到了一刻钟。现在类案报告先让OpenClaw出一页纸底稿,我再做校准和补充,效率确实不一样了。
AI图片被社交平台删 申诉恢复证据的操作
AI生成的图片被社交平台误删,别急着重新上传,先走申诉流程。平台通常要求你证明图片的原创性或合法使用权。操作上,第一步截屏保存删除通知和原图发布记录,包括发布时间、图片参数。第二步在申诉入口提交材料时,重点上传生成日志或提示词记录,比如你输入的关键词、迭代过程截图,这些能证明图片由AI工具产出而非盗用。第三步如果平台要求版权证明,可提供AI工具的生成时间戳和账户操作记录,但注意隐去个人身份信息。申诉话术要简洁,写明“该图片由本人通过某AI工具生成,附生成记录,请求恢复”。若首次申诉被拒,可补充提交图片的元数据或哈希值对比。整个过程保留所有沟通截图,以备后续法律维权使用。记住,平台规则各异,先查清其AI内容政策再行动,避免反复申诉导致账号受限。
员工手册别忽略 | 香港职场隐形权益须知
很多香港打工仔 sign 完 employment contract 就以为万事大吉,随手扔在一旁的 employee handbook 反而没人细看。其实这本小册子藏着不少隐形权益,一旦出事,它随时比合约更关键。
先说个常见盲区:病假纸。香港《雇佣条例》规定,员工放取有薪病假须出示注册医生签发的病假纸,但公司手册若写“须于上班前两小时通知主管”,这条内部规定不具法律效力,不能凌驾法例。换言之,你按法例交假纸,公司不能以“没提前通知”为由扣粮。手册写得再漂亮,大不过法例。
另一重点是花红与年终酬金。很多手册白纸黑字写“酌情发放”,但若公司过去连续几年按固定公式派发,法庭有可能视之为合约隐含条款。所以别只顾看“酌情”两个字,翻翻过往粮单和内部通告,保留记录更实际。
至于离职通知期、代通知金计算、年假累积方法,手册与合约若有出入,一般以对员工较有利者为准,但前提是你手上要有白纸黑字。建议入职时把手册与合约对照看一遍,有疑问先问 HR,并保留电邮记录。别等到离职拗数才翻箱倒柜找那本手册,到时它可能已经改版了。
SpaceX上市太空经济迎来分水岭
SpaceX上市这件事,法律圈里聊得挺热。有同行问我,不就是一家火箭公司IPO吗,怎么就成了太空经济的分水岭?我说你得看它上市之后,商业航天那套游戏规则怎么变。以前太空领域基本是国家队的事,频谱分配、轨道资源、发射许可,全在政府间框架里转。现在一家私营公司带着资本市场的估值逻辑进来,监管机构面对的问题就复杂了——它到底算航空公司还是电信运营商?外空条约里“发射国”的责任怎么落到一家上市公司头上?这些不是学术讨论,是接下来几年跨境合规、责任保险和知识产权布局的实操痛点。更实际的是,卫星互联网星座的频谱申请和落地权,过去靠政府间协调,现在企业自己得在ITU规则和各国国内法之间做双重博弈。上市意味着信息披露义务加重,发射失败、轨道碰撞、频谱纠纷这些风险得按证券法口径向投资者说清楚。所以我说分水岭不在技术,在责任分配和监管接口的重构。做交易和合规的律师,得把外空法和证券法放在一张桌子上看了。
万亿估值SpaceX招股书全解读
SpaceX招股书这几天刷屏了,万亿估值看着热闹,但法律人翻起来全是门道。先说股权结构,双层股权设计几乎板上钉钉,马斯克即便持股比例不高,投票权也能牢牢锁住控制权,这条款在科技公司里不新鲜,但SpaceX叠加了政府合同和国家安全审查,CFIUS那关怎么过,招股书里披露的合规安排值得细看。再看风险因素章节,星链频谱资源的国际电信联盟申报、发射许可的FAA审批链条,每一项都是潜在的法律雷区。还有员工持股平台的退出机制,万亿估值下老股东套现路径怎么设计,回购条款和优先清算权怎么摆,直接关系到投资人的钱能不能落袋。招股书里对关联交易的披露也很有意思,SpaceX和马斯克旗下其他公司的往来,独立董事怎么把关,这是公司治理的硬考题。最后提醒一句,招股书不是招股说明书那么简单,它是一份法律文件,每一句风险提示背后都可能藏着诉讼伏笔。看热闹的看估值,做法律的看条款,这才是正经事。
OpenClaw在证据开示环节的惊人表现
上周跟几个做诉讼的同行吃饭,聊到电子证据开示这个老大难问题。有个哥们儿提到他们所最近试用了OpenClaw,说效果有点出乎意料。我一开始没太当回事,毕竟这类工具吹得天花乱坠的见得多了。但听完他具体讲的两个案子,我改观了。
他说有个合同纠纷,对方提交了三千多封邮件和一堆聊天记录截图。搁以前,助理得花一周多时间逐条过,标记相关性、做流水。OpenClaw跑了一遍,两个小时出了分类清单,把跟争议焦点无关的促销邮件、内部闲聊自动筛掉了。关键它还能识别对话上下文,比如“按上次说的办”这种指代,能关联到前面讨论的具体条款,不至于漏掉关键证据。他说助理复核的时候发现标记准确率挺高,省下来的时间全砸在策略分析上了。
另一个是劳动仲裁,涉及微信聊天记录。对方截了几十张图,东一榔头西一棒子。OpenClaw直接按时间线和对话人做了重组,把断开的上下文补上了。有张截图看着像员工主动离职,往前翻十屏才发现是公司先口头辞退、引导对方发那句话。这种碎片化证据里的坑,人工翻起来真容易滑过去。
当然也不是万能,他说复杂图表和手写笔记还是得人肉眼盯。但就证据开示这个环节的初筛和关联整理来说,OpenClaw确实把效率拉高了一大截。现在他们团队基本拿它当第一道过滤网,人工只管复核和深挖。听完我打算下周也让所里试试,毕竟证据开示这活儿,少熬几个通宵比什么都实在。
SpaceX火星移民愿景写入招股书
把火星移民写进招股书,这在法律上可不是一句浪漫口号那么简单。最近有消息称,SpaceX在上市文件中将火星殖民愿景列为长期战略目标,这给证券律师和公司治理顾问提了个醒:当“星际移民”成为招股书里的正式表述,它就得接受证券法的审视。首先,招股书中的前瞻性陈述受安全港规则保护,但前提是必须充分披露风险因素。火星计划技术难度极高、时间表不确定,如果公司只讲愿景不谈失败概率,可能构成误导性陈述。其次,董事会在批准这类表述时,需要履行勤勉义务,确保有合理依据支撑其可行性判断,否则可能面临股东衍生诉讼。另外,高管薪酬若与火星里程碑挂钩,还需在代理文件中清晰披露考核标准。对投资者而言,这类愿景性内容不应被当作业绩承诺。实操建议是:法务团队应把火星目标拆解为可验证的阶段节点,并在风险因素章节中明确列出技术、资金、监管及人身安全等不确定性。总之,招股书不是科幻小说,每一句愿景背后都得有法律底稿撑着。
香港打工合同细节 | 一个不留神就吃大亏
在香港签打工合同,有几个细节不留神真会吃亏。第一,试用期条款要看清,香港法律没有强制试用期上限,但合同里若写“试用期内可无通知解雇”,你就要权衡是否接受。第二,工资支付周期和方式必须白纸黑字写明,香港《雇佣条例》规定工资到期后七天内必须支付,合同若含糊写“视情况发放”就有风险。第三,年终酬金或花红,除非合同明确写“保证发放”,否则很多情况下属于酌情性质,离职时未必能按比例拿到。第四,通知期和代通知金要匹配,尤其辞职时若合同规定两个月通知期,你提前走可能要赔代通知金。第五,加班费在香港并非法定强制,合同若写“包含加班津贴”但没具体金额,容易变成免费加班。最后,留意合同有没有“竞业限制”条款,离职后限制你从事同类工作,范围太宽可能影响生计。签之前逐条问清楚,别怕麻烦,口头承诺记得写进合同附件。
AI生成剧本被改拍 故事脉络相似度如何量化
AI生成剧本被改拍后,判断故事脉络相似度,不能只看“像不像”。法律实践中,通常采用抽象分离法:先把人物设置、具体情节、对话等不受保护的元素剔除,再比对核心结构,比如主线冲突、关键转折点、人物关系走向。量化时,可建立情节节点表,将两部作品拆解为若干关键事件,逐一比对顺序、因果逻辑和功能定位。相似度百分比并非法定标准,而是辅助证据。若连续多个核心节点在顺序和功能上高度重合,即使具体表达不同,也可能构成实质性相似。此外,还可借助文本比对工具分析叙事节奏和场景转换频率,但最终仍需结合专家意见和行业惯例综合判断。对于AI生成内容,还需注意训练数据来源的合法性问题。