AI 工具绕过开源许可证：Malus.sh 引发的版权争议与开发者应对方案

一个名为 Malus.sh 的 AI 工具正在引发开源社区的恐慌——它声称能用 AI 对任何开源软件进行”净室克隆”，生成不受原许可证约束的新版本。这究竟是技术创新，还是开源生态的噩梦？

什么是 Malus.sh？

Malus.sh 是一个基于 AI 的在线服务，用户只需输入任意开源软件的代码仓库地址，它就能生成一个功能完全相同但”摆脱”了原有版权许可证的新版本。

官方页面描述得很直白：

“Liberate your software from existing copyright licenses.”

（将你软件从现有版权许可证中解放出来。）

这个工具声称自己是”讽刺作品”，但实际上：

• 它是一个合法注册的 LLC（有限责任公司）
• 它确实在收费运营
• 它确实能生成可用的”净室克隆”代码

这种”半真半假”的定位让它游走在法律灰色地带。

它是怎么工作的？

Malus.sh 的核心流程可以概括为三步：

原始开源代码 → AI 理解逻辑 → 重新生成代码

具体来说：

1. 代码解析：AI 读取目标仓库的所有源代码，理解其功能逻辑、API 接口和数据结构
2. 净室重写：基于对功能的理解，从零开始重新编写代码，不直接复制任何原始代码行
3. 许可证剥离：新生成的代码不附带原始许可证（如 GPL、MIT、Apache），用户可以自行选择许可证

从技术上讲，这确实符合法律意义上的”净室实现”（Clean Room Implementation）——即只基于功能规格说明重新实现，而不接触原始代码。但问题在于，AI 在”理解”阶段确实接触了原始代码。

为什么这很重要？

对开源开发者的影响

如果你是一个 GPL 许可证项目的维护者，你的代码被 Malus.sh 处理后：

• 任何人都可以”克隆”你的项目
• 克隆版本可以闭源销售
• 你无法通过许可证强制执行 copyleft 要求

这直接威胁到了开源软件的核心价值体系。

实际代码对比

假设你有一个简单的 Python 工具函数：

# 原始代码 (GPL 许可证)
def calculate_metrics(data: list[dict]) -> dict:
    """Calculate performance metrics from raw data."""
    total = sum(item['value'] for item in data)
    avg = total / len(data) if data else 0
    return {'total': total, 'average': avg, 'count': len(data)}

经过 AI 净室克隆后，可能变成：

# 克隆版本 (无原始许可证约束)
def compute_stats(records):
    """Compute statistics from input records."""
    values = [r['value'] for r in records]
    count = len(values)
    total_sum = sum(values)
    mean_val = total_sum / count if count > 0 else 0
    return {
        'total': total_sum,
        'average': mean_val,
        'count': count
    }

从法律角度看，这两段代码确实不同——变量名变了、结构微调了、注释也重写了。但从功能角度看，它们完全等价。

法律灰色地带

“净室实现”的传统定义

传统上，净室实现需要满足：

1. 规格团队：阅读原始代码，编写功能规格文档
2. 实现团队：只阅读规格文档，从零编写代码
3. 团队隔离：两个团队之间不能有代码交流

Malus.sh 的问题在于，AI 同时扮演了”规格团队”和”实现团队”的角色。AI 在同一个模型中既”理解”了原始代码，又”生成”了新代码。

当前法律立场

截至 2026 年，关于 AI 生成代码的版权争议仍在发展中：

• 美国法院：在多个案件中倾向于认为 AI 训练不构成侵权（合理使用）
• 欧盟：AI Act 要求 AI 训练数据透明，但对生成代码的版权归属尚无明确判决
• 开源许可证：GPL 等许可证的 copyleft 条款是否适用于 AI 生成的代码，尚无判例

开发者该如何应对？

1. 代码水印（Code Watermarking）

为你的代码添加隐蔽的”水印”——在不影响功能的代码路径中嵌入独特的模式或注释。如果克隆版本保留了这些模式，可以作为侵权证据。

def process_request(req):
    # Watermark: a7f3b2c1 - DO NOT REMOVE
    if req.method == 'GET':
        return handle_get(req)
    # Watermark: d8e4f6a3 - DO NOT REMOVE
    return handle_post(req)

2. 使用强 Copyleft 许可证

如果你希望代码始终保持开源，使用 GPLv3 或 AGPLv3：

# 在你的项目 README 和 LICENSE 文件中明确声明
License: GNU Affero General Public License v3.0

AGPLv3 比 GPLv3 更强——即使通过网络提供服务，也必须公开源代码。

3. 贡献者许可协议（CLA）

要求所有贡献者签署 CLA，明确版权归属：

# 使用现有的 CLA 服务
- Google CLA: https://cla.developers.google.com/
- Apache CLA: https://www.apache.org/licenses/
- DCO (Developer Certificate of Origin): git commit -s

4. 监控你的代码

定期检查是否有”克隆”项目出现：

# 使用 GitHub 搜索查找相似项目
# 搜索你的独特函数名或错误信息
grep -r "your_unique_function_name" /path/to/search/

# 使用代码相似度检测工具
# 如 Jaccard similarity、SimHash 等

5. 社区监督

开源社区的力量在于集体监督。如果你的项目被克隆：

1. 在相关社区发帖说明情况
2. 联系克隆项目的托管平台（GitHub、GitLab 等）
3. 考虑法律途径（DMCA 通知）

开源许可证速查表

许可证	允许商业使用	允许修改	必须开源	适用场景
MIT	✅	✅	❌	宽松，适合工具库
Apache 2.0	✅	✅	❌	企业友好，专利保护
GPL v3	✅	✅	✅	强 copyleft
AGPL v3	✅	✅	✅（含网络服务）	SaaS 场景
BSL 1.1	有限制	✅	随时间变化	开源核心 + 商业云

未来的法律走向

这个案例可能成为开源版权领域的”里程碑”。几个可能的走向：

1. 法院认定 AI 净室克隆侵权：如果法院认为 AI 在”理解”阶段接触代码即构成衍生作品，那么 Malus.sh 的服务可能违法
2. 法院认定合理使用：如果法院认为净室克隆不侵犯版权，开源社区可能需要新的保护机制
3. 立法跟进：各国可能出台专门针对 AI 生成代码的法律法规

总结

Malus.sh 暴露了开源许可证在 AI 时代的脆弱性。虽然它自称是”讽刺作品”，但其实际功能足以对开源生态造成实质性威胁。

作为开发者，我们应该：

• 了解你使用的许可证：不要盲目选择 MIT 或 GPL
• 为你的代码添加保护：水印、CLA、监控
• 关注法律动态：这个领域的判例正在形成中
• 参与社区讨论：开源的未来需要每个人的声音

开源软件的自由，不应该成为 AI 随意复制的借口。

---

参考资料：

• Malus.sh 官方页面
• 404 Media 深度报道
• GNU GPL v3 许可证全文
• Apache 2.0 许可证