1. 课程导入与全景认知

AI训练数据合规不是单一法律问题，而是一条从“数据从哪来”到“模型能不能用”的完整链条。很多团队在项目启动时只关注“能不能抓到数据”，直到模型上线、被权利人投诉或收到律师函，才回头追问：这批数据到底有没有权利基础？授权链条是否完整？如果训练行为被认定为侵权，责任由谁承担？本课程要解决的，正是这条链条上的确权、授权与侵权争议三类核心问题。

一、三个核心问题：确权、授权、侵权

确权回答的是“谁对训练数据享有何种权利”。训练数据可能同时涉及著作权、数据库权益、个人信息权益、商业秘密，甚至肖像权、声音权益。同一批数据上可能叠加多个主体：原始作者、平台、上传用户、被采集的个人。确权的难点在于权利边界不清——例如用户上传的评论，平台是否有权用于训练？用户是否保留了某种控制权？

授权回答的是“以什么法律依据取得使用许可”。常见路径包括：直接取得著作权许可、依赖合理使用/文本与数据挖掘例外、使用公开许可协议（如CC协议）、通过用户协议获得授权、使用已进入公有领域的作品。授权链条的完整性决定了后续训练行为是否“有源可溯”。

侵权争议回答的是“训练行为本身是否构成侵权，以及如何抗辩”。争议焦点通常集中在：训练是否属于复制、是否构成合理使用、输出是否与训练数据实质性相似、平台是否尽到注意义务。近年多起诉讼表明，即使训练过程发生在服务器内部，也可能因复制行为或输出结果被追责。

二、实务地图：从数据来源到模型输出的全链路

把上述三个问题放进真实项目，就形成一张实务地图。数据从来源进入训练管道，经过采集、清洗、标注、训练、微调、部署、输出七个环节，每个环节都有对应的合规动作和风险点。下图展示这条链路以及各环节的关键控制点。

三、为什么这三个问题必须一起看

确权、授权、侵权三者相互牵制。举例来说，某团队从公开论坛爬取用户评论训练情感分析模型。确权层面，评论的著作权可能属于用户，平台可能仅获得展示许可；授权层面，爬取行为本身可能违反平台robots协议或用户协议；侵权层面，即使训练过程不对外输出原文，若模型能复现特定评论，仍可能被主张复制权侵权。如果只做其中一项，很容易在另一个环节暴露风险。

实务中常见的误区是“先训练再补授权”。但训练数据的复制行为在数据进入服务器时就已经发生，事后补授权只能覆盖后续使用，无法消除已经发生的复制风险。因此，合规动作必须前置到数据采集和入库阶段。

四、学习路径与实务工具

本课程按“确权基础→授权路径→侵权判定→实务工具→争议应对”五段推进。每一段都围绕可操作的对象展开：确权段会拆解著作权、个人信息、数据库权益的归属判断规则；授权段会给出许可协议审查要点、合理使用评估框架、公开许可兼容性判断；侵权段会分析复制行为认定、实质性相似判断、平台注意义务边界；工具段提供数据来源登记表、授权链条核查清单、风险分级矩阵；争议段模拟投诉响应、证据固定、整改方案设计。

建议在学习时同步建立一份“数据合规档案”，至少包含以下字段：数据来源URL或供应方、采集时间、权利状态标注、授权依据类型、授权期限、是否含个人信息、是否含第三方著作权内容、风险等级、复核人。这份档案不是形式文件，而是后续应对投诉和诉讼时的核心证据。下表给出一个最小字段示例，可直接用于项目启动阶段。

最后需要明确：AI训练数据合规没有“一次性通过”的答案。法律规则在快速演变，技术形态也在变化。本课程的目标不是给出固定结论，而是提供一套可复用的判断框架和操作工具，使你在面对新数据源、新模型、新争议时，能够快速定位问题、找到依据、做出可解释的决策。接下来，我们从确权基础开始，逐层拆解这条链路上的每一个关键节点。