合理使用（Fair Use）是美国版权法下的一项抗辩规则：在满足特定条件时，未经权利人许可使用其受版权保护的作品，不构成侵权。
注意措辞——它是"抗辩"（defense），不是"许可"。你先用了，被起诉了，再拿它来辩护，能不能成立由法院逐案判断。
四个考量因素
美国成文法给出四条，通常放在一起权衡：
1. 使用的目的与性质：是否具有转换性（transformative），是商业还是非营利；
2. 原作的性质；
3. 使用部分的数量与实质性；
4. 对原作潜在市场或价值的影响。
第四条的权重通常最高。打个比方：合理使用像小区门禁给的"临时通行证"。你不是业主，但说明来意（给邻居送东西），保安可能放你进去；进去之后干什么、待多久、有没有动别人的东西，决定这张证算不算数。没有"用满 200 字就安全"这种硬线。
为什么 AI 训练会扯上它
训练大模型需要海量语料，逐一向作者取得授权在成本上几乎不可能，于是合理使用成了主要法律战场。争论集中在三处：训练行为本身是否构成转换性使用；模型输出会不会替代原作市场；模型会不会"记住"并复现训练数据中的片段。
各国路径差别很大：美国靠判例逐步界定，欧盟有文本与数据挖掘（Text and Data Mining, TDM）例外，中国著作权法的合理使用是相对封闭的列举，日本则设有较宽的信息解析例外。具体范围和最新进展请以各国官方立法与法院文书为准，网上流传的"某案已经一锤定音"大多过度简化。
别和这几个概念混
| 概念 | 要不要事先许可 | 风险特征 |
|---|---|---|
| 合理使用 | 不要，但事后可能被诉 | 逐案判断，结果不确定 |
| 授权许可 | 要 | 成本可控、边界清晰 |
| 公共领域 | 不要 | 基本无风险，可选作品有限 |
| 开放许可（如 CC 协议） | 按协议条件 | 需遵守署名等条款 |
对从业者的意义
- 把数据来源（provenance）记清楚：爬了什么、从哪来、有没有 robots 协议或服务条款限制。
- 别把合理使用当免责金牌：真被起诉，举证在你，诉讼成本本身就很贵。
- 输出侧也要管：过滤明显复现的片段，是对"市场影响"这一因素的实际回应。
- 采购与合规应把"这批数据能不能用于训练"写进合同。
对普通人：你发布的内容可能被用于训练，也可能因此受益于更强的模型。关注平台有没有提供退出机制与来源说明，比争论一句"这算不算合理使用"更实际。