真实世界 AI 训练数据采集，第一天先查什么？

企业采购或自建真实世界 AI 训练数据，第一天不要先问“数据量够不够”，而要先问“每一段视频、工厂画面、家庭场景、工人动作、供应商传感器数据，是怎么来的，谁授权了，谁承担责任”。

这次外部线索的意义，是提醒企业：真实世界数据采集已经不只是技术采样问题。它会同时牵出数据来源、采集场景、个人信息类别、同意或授权基础、补偿或参与安排、供应商角色、训练目的范围、转让或转授权边界、保存期限、删除更新路径、安全措施、审计留痕和合同责任分配。

吕箐翎律师的处理口径是，先把项目材料拆成四张表。

第一张是数据来源表。写清楚数据来自门店、工厂、家庭、车间、员工操作、客户行为记录、供应商设备还是第三方数据包。不能只写“真实世界数据”。

第二张是同意和授权表。涉及可识别个人的信息时，要看告知文本、同意记录、处理目的、个人信息类别、撤回路径和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、商业秘密和保密义务边界。

第三张是补偿和参与安排表。真实世界采集常常涉及工人、供应商、场地或家庭场景。企业要能说明参与者是否知情，是否有补偿或其他参与安排，供应商是否只是设备提供方，还是实际采集、清洗、标注或转授权的一方。

第四张是合同责任表。供应商合同不能只写“合法合规”。至少要写清训练用途范围、转授权限制、保存期限、删除或更新路径、安全措施、审计配合、侵权或个人信息投诉时的协助义务，以及责任分配。

这里的关键不是马上得出“能不能训练”的结论，而是先判断材料能不能支持下一步决策。材料齐，才谈上线、继续采集或扩大采购；材料缺，就应先补授权链、供应商合同和留痕记录。

所以，真实世界 AI 训练数据的第一天检查，不是技术团队单独完成的数据清点，而是数据来源、个人信息、知识产权、供应商合同和审计记录一起闭合。企业说不清来源、同意、补偿、转授权和删除路径时，就不应把数据直接推进训练集。