引言
生成式人工智能的快速发展,使“公开互联网数据能否直接用于AI训练”成为企业研发、商业化和合规审查中的高频问题。许多企业的直觉是:既然相关数据已经公开发布在互联网上,技术上可以访问、抓取、清洗和训练,法律上似乎也应当允许使用。但这一判断并不稳妥。公开并不当然等于无权利负担,能够访问也不当然意味着可以用于商业化模型训练。
从欧盟《人工智能法案》(AI Act)到中国《生成式人工智能服务管理暂行办法》,监管逻辑正在趋于明确:AI训练数据的合规重点,已经从单纯关注模型输出,延伸至数据来源、采集方式、训练过程、权利限制、个人信息保护、内容标识和责任留痕等全流程环节。
本文作者,金诚同达律师事务所上海办公室高级合伙人朱凯律师认为,AI训练数据合规的核心问题,不是“数据是否已经公开”,而是企业能否证明其取得、处理和使用该等数据具有合法来源、正当目的、合理边界和可追溯的治理措施。对于企业而言,真正的风险往往不是“用了互联网数据”,而是当监管、客户、投资人或权利人追问时,企业无法说明“这些数据从哪里来、凭什么可以用、用到了哪里、如何处理过、是否可以删除或停用”。
01.公开互联网数据的法律属性:公开不等于可以自由训练
公开互联网数据通常包括新闻报道、社交媒体内容、论坛评论、公开网页、图片、音视频、论文摘要、商品评价、招聘信息、企业官网信息等。其共同特点是可以被公众访问,但法律属性并不相同。有些数据可能构成个人信息,有些内容可能受著作权、邻接权、数据库权益或平台规则保护,有些还可能涉及商业秘密、敏感信息、重要数据或国家安全风险。
在个人信息保护维度,中国《个人信息保护法》第十三条规定,处理个人信息应当具备法定事由;第二十七条虽允许在合理范围内处理个人自行公开或者其他已经合法公开的个人信息,但同时规定,个人明确拒绝的不得处理;处理活动对个人权益有重大影响的,仍应依法取得个人同意。[4]这意味着,“公开个人信息”并不是个人信息处理的豁免区。