我的个人资料，AI的免费“养料”？

大模型数据“投喂”的法律边界

　　□ 袁嘉

　　人工智能大模型的发展依赖海量数据的“投喂”，这一过程既是技术迭代的必然需求，也引发了版权侵权、数据安全、隐私保护等法律争议。如何在保护知识产权、保障数据和隐私安全与促进技术进步之间寻求平衡，成为制约国产人工智能大模型发展的核心难题。
大模型数据使用的法律争议
　　人工智能大模型的训练需基于海量文本、代码及图像数据，借助机器学习算法提炼知识规律。国产人工智能大模型一直面临激烈的国际竞争，在美国OpenAI公司的GPT系列大模型爆火之后，国内的通义千问、文心一言、豆包和Kimi等大模型纷纷开启了追赶的步伐，今年年初的DeepSeek更是以其优良的性能和超低成本震惊全球AI产业界，并得到了行业和终端用户的认可和喜爱。然而，上述大模型的快速发展也面临着较大的法律风险，未经授权的数据抓取与复制，常被谴责为“数据盗窃”或“非法牟利”行为。例如，某国产大模型因使用未获授权的文学作品训练，被原著作者起诉索赔，引发行业对数据来源合法性的广泛讨论。与此同时，数据安全风险亦不容忽视：训练数据可能包含敏感信息（如商业秘密、个人隐私），若未经过脱敏处理直接使用，可能违反《数据安全法》《个人信息保护法》和《反不正当竞争法》。这种矛盾凸显了技术快速发展与法律规制滞后之间的紧张关系。
　　针对大模型数据使用的法律争议，学界提出以“公共领域”理论重构规制框架。黄汇等学者的研究表明，大模型数据使用行为可划分为输入端（即训练阶段）和输出端（即生成阶段）两大层面，需针对性地实施差异化规制措施。在训练阶段，大模型训练的核心在于学习“非作者价值”的元知识，如语言规律和逻辑结构，而非直接复制具体作品的独创性内容。这种使用未对原作品市场价值造成可感知的损害行为，应被纳入公共领域范畴。例如，统计语言模型对文学作品的碎片化学习，本质是对公共知识资源的再利用。而在生成阶段，若大模型生成内容与训练作品构成实质性相似，则可能挤压原作者的创作空间，需通过《著作权法》予以规制。此时需区分“合理借鉴”与“搭便车”行为，避免逆向激励效应。
技术角度解决侵权风险的可能性
　　从技术角度出发，大模型的打磨和优化必须依赖高质量和大规模的数据使用。当前大模型训练面临“数据幻觉”与“灾难性遗忘”等问题：低质量数据可能导致模型输出失真（如错误推荐、工业误判），甚至放大社会偏见。为了提高数据的质量，大模型训练往往需要使用更多可能具有创新成果属性的受保护数据，这一根本矛盾如果无法解决，也将导致侵权风险。当然，技术层面的革新可以为解决数据需求与效率平衡问题提供新的途径：例如，GPT-4.5等模型通过“强度平衡算法”和“硬件优化对齐”，在减少计算成本的同时保持性能。Claude 3.7 Sonnet通过其先进的编程能力，允许开发者动态调节推理资源分配，实现“用更少的数据思考得更智慧”。这种技术突破显著降低了数据规模的门槛，为小规模数据集的高效利用提供了可能。而建立数据清洗、验证与溯源体系也对从技术上降低侵权风险至关重要。一般情况下，数据质量的下降是导致大模型误答率上升的主要原因。企业可通过区块链技术记录数据来源，结合AI审核工具自动筛查敏感信息，提升数据质量，实现合规与效率的双重目标。只要数据质量显著提升，对于侵权数据的使用需求就能降低，这是从技术角度解决侵权风险问题的基本原理。
　　构建“立法—技术—行业”协同的治理体系
　　首先，从立法层面，可以细化合理使用条款。在《著作权法》中，增设人工智能大模型训练作为合理使用情形之一，既符合原有合理使用制度的定位，又能兼顾权利人的利益。同时，《人工智能法（学者建议稿）》提出的“大模型训练合理使用制度”也具有现实意义，但需进一步明确适用条件。
　　其次，从技术层面，应当推动数据匿名化与合成数据。利用生成对抗网络（GANs）生成合成数据，既能保留数据特征，又可规避版权风险。DeepSeek等企业已尝试通过算法优化减少对真实数据的依赖。这样一来，也大大降低了数据使用的侵权风险。
　　最后，从行业层面，应当建立数据共享生态。推动政府、企业、学术机构共建开放数据集（如国家语料库），并提出人工智能训练数据透明度的要求，通过标准化协议实现合规共享。例如，欧盟《人工智能法案》要求大模型开发者披露使用受版权保护的材料来训练人工智能，并鼓励公共数据开放，以提高透明度和确保人工智能系统的安全性。
　　人工智能大模型数据使用的法律边界并非非黑即白，需在公共领域理论指导下，结合技术优化与制度创新实现动态平衡。未来，那些能在数据质量、使用效率与合规性之间找到最优解的企业，将主导人工智能的下一个竞争周期。这要求法律回应技术变革的敏捷性，同时为创新保留必要的容错空间。正如每一次技术革命都会引发巨大的社会变革，人工智能时代的数据治理亦需在保护与解放之间开辟新路径。