真实世界 AI 训练数据采集，第一天先查什么？

企业现在做 AI 训练，不再只是买网页语料或整理内部文档。越来越多项目会采集视频、工厂画面、家庭场景、工人动作、供应商传感器数据和客户行为记录。

这类“真实世界数据”看起来更接近业务现场，但法律风险也更集中。第一天不要先问数据量够不够，而要先问：数据从哪里来，谁同意了，谁授权了，谁拿到补偿，供应商到底承担什么责任。

一、外部趋势只能作提醒，不能替代中国法审查

外部线索说明，真实世界 AI 训练数据采集正在成为新的竞争点。它可以作为选题信号，提醒企业尽快复核项目材料。

但真正的法律判断，仍要回到中国法下的数据安全、个人信息处理、技术合同和生成式 AI 服务管理规则。新闻不能替代授权链，趋势也不能替代合同和留痕材料。

二、先做数据来源表

第一张表，写清楚数据来自哪里。

是门店视频、工厂画面、家庭环境、员工操作、客户行为记录、供应商设备，还是第三方数据包？不同来源对应不同审查重点。

如果材料里只写“真实世界数据”“业务现场数据”“供应商数据”，但说不清采集场景、参与人员、设备来源和交付路径，后面很难证明训练用途是被允许的。

三、再做同意和授权表

涉及可识别个人的信息时，要核查告知文本、同意记录、处理目的、个人信息类别、撤回路径，以及是否向第三方或境外模型提供。

涉及视频、图片、声音、动作或场景资料时，还要同步核查作品、商业秘密、保密义务和场地授权。

这里不能只看一份格式化授权书。企业要能回答：训练目的是什么，能不能微调，能不能评测，能不能转授权，保存多久，如何删除或更新，出现投诉谁响应。

四、补偿和参与安排要留痕

真实世界数据采集常常需要工人、供应商、场地或家庭场景配合。企业应记录参与者是否知情，是否有补偿或其他参与安排。

补偿不是所有项目都同一标准，但只要项目涉及持续采集、专门摆拍、工人配合、家庭场景或供应商代采，就应把参与安排、费用归属、撤回机制和争议联系人写进材料包。

五、供应商合同不能只写“合法合规”

供应商合同至少要覆盖训练用途范围、转授权限制、保存期限、删除或更新路径、安全措施、审计配合、投诉协助和责任分配。

“供应商保证数据合法合规”这句话不够。企业真正需要的是一条能追溯的链：谁采集，谁清洗，谁标注，谁保存，谁能再授权，谁响应投诉，谁承担违约或侵权责任。

结论

吕箐翎律师的处理口径是：真实世界 AI 训练数据的第一天检查，不是证明项目一定能不能做，而是先证明每一类数据都能还原来源、授权、同意、补偿、供应商责任和删除更新路径。

企业说不清这些材料时，不应把数据直接推进训练集。先补授权链、供应商合同和留痕记录，再谈上线、继续采集或扩大采购。