2. AI训练数据来源合法性审查
审查对象与判定框架
本次审查对象为某企业自研的“智能客服大模型 v1.0”训练数据集，共包含三类数据源：公开网络爬取语料（约 120 万条）、第三方采购语料（约 30 万条）、用户对话日志（约 50 万条）。审查目标是逐源识别是否存在未经授权采集、侵犯著作权、违反个人信息保护要求三类风险，并给出风险等级。
合法性审查不能只看“数据是否拿到手”，而要沿数据生命周期核查四个关键节点：采集授权 → 权利归属 → 个人信息处理依据 → 使用范围约束。任一节点缺失有效依据，即构成风险点。
逐源审查要点与风险判定
| 数据源 | 核查节点 | 典型风险情形 | 风险等级 |
|---|---|---|---|
| 公开网络爬取语料 | 采集授权 | 未遵守robots.txt；绕过登录/验证码；爬取明确声明“禁止AI训练”的站点 | 高 |
| 公开网络爬取语料 | 权利归属 | 语料中含完整新闻稿件、小说章节、付费专栏内容 | 中 |
| 第三方采购语料 | 权利归属 | 合同仅写“数据服务”，未明确著作权许可及训练用途授权 | 高 |
| 第三方采购语料 | 使用范围约束 | 供应商未提供上游权利链证明，无法追溯数据原始来源 | 高 |
| 用户对话日志 | 个人信息处理依据 | 用户协议未明确告知“对话内容将用于模型训练”；未提供单独同意选项 | 高 |
| 用户对话日志 | 个人信息处理依据 | 日志中含用户手机号、订单号等未去标识化的个人信息 | 高 |
| 用户对话日志 | 使用范围约束 | 原始收集目的为“客服质量改进”，现用于模型训练，超出目的范围 | 中 |
审查操作流程
- 建立数据源清单：逐项记录数据源名称、获取方式、数据量、存储位置、责任部门。
- 采集授权核查：调取爬虫日志与robots.txt遵守记录；检查采购合同中的授权条款；检查用户协议中的告知同意条款。
- 权利归属核查：对采购语料要求供应商提供上游权利链证明；对爬取语料抽样检查是否含完整作品；对用户日志检查是否含个人信息。
- 个人信息处理依据核查：确认是否取得用户同意、是否完成去标识化、是否超出原始收集目的。
- 使用范围约束核查：核对授权文件是否明确覆盖“模型训练”用途，是否允许商用和衍生。
- 风险等级判定：按“高（无授权/无依据/含敏感个人信息）→ 中（授权不完整/目的超出）→ 低（授权完整、已去标识化）”三档定级。
高风险红线：用户对话日志中若含未去标识化的手机号、身份证号、订单号等个人信息，且用户协议未明确告知用于模型训练，应直接判定为高风险，建议暂停该数据源的使用，完成去标识化和补充告知同意后再评估。
审查取证建议：对爬取语料，保存爬取时的robots.txt快照和HTTP响应头；对采购语料，要求供应商出具数据来源说明函并附上游授权文件；对用户日志，保存用户协议版本、同意记录和去标识化处理日志。这些证据是后续整改和监管应对的基础。