AI 产品用公开数据训练，怎么避开版权与隐私的雷区

做 AI 产品的团队，数据几乎是命脉。很多团队直接从公开网页、开源数据集、网络爬取里取训练语料，觉得"网上公开的就能用"。但从法律视角看，公开不等于可随意商用，这一块的风险经常被低估。

一、版权：公开内容也有著作权
文章、图片、代码、音视频，只要具备独创性就受著作权保护。把他人作品成规模地抓来训练模型，可能涉及对复制权、改编权的利用。即便是"公开可看"的网页，也不代表授权你拿去做商业训练。用前先确认来源是否允许商用，或走授权、或选用明确开放授权的语料。

二、个人信息：爬取要过合规关
训练数据里如果混入了可识别个人的信息（手机号、人脸、聊天记录、行踪等），就落进《个人信息保护法》的管辖。大规模采集需有合法基础，敏感信息还要单独同意。把含个人信息的语料直接喂模型，风险远高于普通文本。

三、开源数据集也有许可证
别以为"开源数据集"就能随便用。很多数据集自带许可协议（如 CC 系列、自定义科研用途限制），有的禁止商用、有的要求署名、有的限制再分发。用之前读一遍许可证，确认商用范围，比事后补救便宜得多。

四、把合规做成流程而非补丁
给数据采集留来源台账，谁提供的、什么授权、能否商用都记下来；建立训练语料审查环节，过滤未授权版权内容和敏感个人信息；对外产品协议里写清数据用途与来源边界。合规前置，比上线后被追责再补救，成本低得多。

（本文由执业律师从合规视角撰稿，仅供交流学习，不构成针对具体事项的法律意见。）