公开网页和第三方数据能不能直接用于 AI 训练：先看来源权利

吕箐翎律师判断：公开网页、第三方采购数据或合作方交付数据，不能仅凭“网上能看到”“已经付款”或“对方发来了数据包”就直接进入 AI 训练、微调或评测。训练前应先把四件事对应起来：数据怎样取得、原权利或合同允许怎样用、数据本身包含什么、这次模型项目准备怎样使用。

这个判断不是说公开数据一概不能用，也不是把所有数据采购都变成无效。真正的问题是，企业能不能把“可访问”“可取得”和“可用于当前训练目的”分清。三者之间有缺口时，项目结论应停在待核查，而不是写成来源已经合法。

公开网页要先看可访问以外的限制

公开网页被搜索引擎收录、无需登录或可以批量抓取，并不当然等于网页内容可以被复制、汇集、清洗并用于训练商业模型。页面文字、图片、音视频、代码、数据库结构或整理成果，可能涉及著作权等权利；网站条款、robots 规则、账号协议或接口协议，也可能限制抓取、存储、再利用或商业使用。

企业做预检时，不应只保存一张网页截图，而应对应到具体数据批次：采集入口是什么、采集时间是什么、页面或接口当时有哪些条款、内容类型是什么、是否包含他人作品或个人信息、是否会进入训练集或评测集长期留存。无法对应到批次的“公开来源说明”，很难支撑后续模型用途。

第三方采购数据要看对方有没有可转交的权利

数据供应商或合作方交付数据，不等于企业自动取得训练、微调、评测、商用部署或向客户交付模型能力的全部权限。合同里如果只写“提供数据服务”“交付数据集”或“可用于技术研发”，仍要继续核对是否覆盖本次使用方式、期限、地域、再许可、委托处理、删除退出和侵权追偿。

尤其要避免把付款凭证当作权利闭合证明。付款只能说明交易发生，不说明供应商对原始内容拥有足够权利，也不说明其可以把数据转交给企业用于 AI 训练。若供应商无法说明数据来源、清洗范围、授权链或用户同意边界，企业至少应把该批数据列为待补材料或限制用途，而不是直接进入训练管线。

数据属性会改变审查路径

同一批数据可能同时包含作品、个人信息、经营信息、客户记录或其他敏感字段。著作权问题不能由数据安全审查替代，个人信息处理基础也不能由采购合同替代。能够识别特定个人的图像、语音、账号、位置、交易和组合字段，即使用于算法优化，也仍然要核对处理目的、必要性、告知同意或其他处理基础、受托处理关系以及是否可能重新识别。

如果训练材料包含客户名单、报价、供应链信息或未公开业务资料，还要关注保密义务和商业秘密边界。数据来自第三方时，企业更应核对该第三方是否有权提供这些内容；来自内部业务系统时，也要确认员工、客户或合作方数据的原处理目的是否能覆盖当前模型项目。

先做一张来源权利表，而不是先讨论模型效果

吕箐翎律师建议，项目启动时先选一批最可能使用的数据，做一张“来源—权利依据—数据属性—拟使用方式—缺口处理”的五列表。表里至少应回答：谁提供或采集、依据哪个条款或合同、是否含作品或个人信息、进入训练还是只做临时评测、是否会向外部模型或供应商提交。

如果某一行无法说明授权范围或处理基础，就先调整用途、补充授权、做脱敏和隔离，或暂不接入该批数据。不要等模型已经训练、客户已经试用或产品准备上线时，再倒推数据来源是否合规。

可公开核对的依据

• 《中华人民共和国著作权法》：中国人大网公开文本。
• 《中华人民共和国数据安全法》：中国人大网公开文本。
• 《中华人民共和国个人信息保护法》：网信办公开文本。
• 《生成式人工智能服务管理暂行办法》：网信办公开文本。