4. 训练数据来源合法性评估

训练数据来源合法性评估，是人工智能供应商法律风险评估中最容易被低估、却最容易引发连锁责任的一环。模型能力再强，如果训练语料本身来自盗版书籍、未授权抓取的社交平台内容、未经单独同意的个人信息，或者违规出境的数据集，供应商交付的就不是一项“技术服务”，而是一枚随时可能被权利人、监管机构或用户引爆的合规炸弹。采购方需要做的，不是简单问一句“数据合法吗”，而是沿着数据的生命周期，把采集、授权、版权、个人信息、跨境五条线索逐一拆开核查。

一、采集方式：先看“怎么拿到”，再看“拿到了什么”

采集方式是合法性判断的起点。常见路径包括：公开网页爬取、API 接口调用、自有业务沉淀、第三方数据采购、用户上传、开源数据集下载、合成数据生成。不同路径的合规风险差异极大。例如，公开网页爬取虽然面向“公开”内容，但公开不等于可自由用于模型训练：网站服务条款可能禁止自动化抓取，robots.txt 的约束、反爬技术措施、数据库汇编权、以及抓取行为是否构成不正当竞争，都需要单独评估。API 调用则要看接口协议是否明确允许将返回数据用于模型训练，很多平台只授权“展示用途”，不授权“训练用途”。

实操中，建议要求供应商提供数据来源清单，至少包含：数据集名称、采集时间、采集方式、原始 URL 或系统来源、数据量级、是否含个人信息、是否含第三方版权内容、授权依据。对于爬取类数据，还要追问是否遵守目标站点条款、是否绕过技术保护措施、是否对特定网站造成实质性替代。若供应商回答“都是公开数据”，这不足以构成合法性证明，应继续追问公开的具体范围与授权链条。

二、授权链条：从原始权利人一路追到供应商

授权链条是评估的核心。数据从原始权利人流转到供应商，中间可能经过数据商、聚合平台、标注公司、外包团队等多层主体。任何一层缺失授权，都会导致整条链断裂。审查时应关注：授权是明示还是默示、是否可转授权、是否限定用途、是否限定地域、是否限定时间、是否允许用于“模型训练”和“商业分发”。

一个常见的瑕疵是“授权范围错配”：供应商从数据商处购买的是“内部研究使用”授权，却用于训练对外商业化的模型；或者授权仅覆盖“文本展示”，却用于生成式模型的参数训练。这类问题在合同中往往被模糊表述掩盖，需要求供应商提供授权文件原文或关键条款摘录，并核对授权用途与模型实际用途是否一致。若供应商以“商业秘密”为由拒绝提供，可要求其出具由法务或外部律师签署的合规声明，并约定因授权瑕疵导致的赔偿责任。

三、版权状态：区分“有版权”“无版权”“权属不明”

版权状态直接决定训练数据能否使用。可粗略分为三类：一是已进入公有领域的作品，风险较低，但仍需注意不同法域对保护期的规定差异；二是受版权保护且已获授权的作品，需核对授权范围；三是权属不明或权利归属存在争议的内容，例如用户生成内容、匿名发布文本、混剪素材，这类风险最高。

对于文本、代码、图像、音频等不同模态，版权判断重点不同。代码数据要关注开源许可证类型：MIT、Apache 2.0 通常允许商业使用，GPL 系列可能要求衍生作品开源，而模型训练是否构成“衍生作品”在司法实践中仍有争议。图像数据要关注是否包含水印、是否来自图库、是否含有人物肖像。音频数据要关注是否包含音乐作品、录音制作者权、表演者权。建议在评估表中对每个数据集标注版权状态标签：公有领域、已授权、开源许可、权属不明、高风险。

四、个人信息来源：同意、最小化与去标识化

训练数据中只要可能关联到自然人，就涉及个人信息保护。评估要点包括：收集时是否取得有效同意、同意范围是否覆盖模型训练、是否属于敏感个人信息、是否遵循最小必要原则、是否完成去标识化或匿名化。需要特别注意的是，去标识化不等于匿名化：去标识化后的信息仍可能通过重识别技术还原，仍受个人信息保护法约束；匿名化则要求无法识别且不能复原，门槛更高。

如果供应商声称“已匿名化”，应要求其说明匿名化方法、重识别风险评估结论、以及是否保留原始数据。对于从公开网络抓取的个人信息，例如公开简历、论坛发言、社交媒体资料，不能因为“公开”就当然获得训练授权，仍需判断是否在合理预期范围内、是否涉及敏感信息、是否履行告知义务。若涉及未成年人信息，风险等级应进一步上调。

五、跨境传输：数据出境路径与合规工具

跨境传输安排是容易被忽略的隐性风险。如果供应商的服务器、标注团队、云服务或母公司位于境外，训练数据可能已经发生出境。评估时应确认：数据出境的目的地、数据量、是否含个人信息或重要数据、是否完成安全评估、是否签订标准合同、是否通过认证。对于生成式人工智能，还需关注训练数据是否被境外主体访问、模型是否在境外训练后再入境。

下图将上述五条线索整合为一条可操作的评估链路，帮助在尽调中快速定位风险点与所需证据。

六、把评估落到合同与流程上

完成上述五维核查后，评估结论应转化为可执行的合同条款与内部流程。合同层面，建议加入：数据来源合法性陈述与保证、授权链条完整性承诺、版权与个人信息侵权赔偿条款、跨境传输合规承诺、审计权与整改权、数据剔除与模型重训配合义务。流程层面，建议建立数据来源台账，对每个数据集记录来源、授权、版权、个人信息、跨境状态，并在模型版本迭代时同步更新。对于高风险数据集，应设置“不得进入生产训练”的硬性门槛，而不是仅靠事后补救。

训练数据来源合法性评估不是一次性的合规动作，而是伴随模型全生命周期的持续义务。供应商的数据集会更新，授权会到期，跨境规则会变化，个人信息保护要求会收紧。采购方应把数据来源审查嵌入供应商准入、版本验收和年度复审三个节点，确保每一次模型迭代都有可追溯的数据合法性证据。只有把“数据从哪来、凭什么用、用到哪去”三个问题回答清楚，人工智能供应商的法律风险才真正可控。