AI 训练数据版权合规怎么审？先拆训练、微调、RAG、评测和对外服务

企业使用公开文章、图片、代码、评论、客户资料、行业报告或第三方数据集做 AI 训练时，不能只问“数据能不能下载”。应先区分用途：预训练、微调、评测、RAG 检索、内部知识库、客户项目交付和对外生成式服务，分别对应不同的版权、个人信息、数据安全和合同风险。

江苏鑫律联律师事务所建议把训练数据审查拆成四张表：数据来源表、权利类型表、使用模式表和供应商证明表。先把事实列清，再判断能否训练、是否要补授权、是否要脱敏、是否涉及跨境处理、是否需要删除或替换。

使用模式先分清

使用模式	风险重点	审查输出
预训练	大规模复制、作品来源、个人信息、公开服务	数据来源和授权证明
微调	客户数据、行业语料、商业秘密	项目授权和隔离记录
评测	样本来源、基准集许可、结果披露	评测数据清单
RAG	文档入库、访问权限、引用展示	知识库目录和删除机制
对外服务	生成内容责任、标识、投诉处理	上线合规包

同一份数据，用于内部检索和用于训练公开模型，风险等级不同。企业不能用一个“内部使用”概括所有技术动作。

公开数据不等于可自由训练

公开网页、开源仓库、图片库、论文、新闻、论坛问答和行业报告可能可以访问，但访问不等于复制、建库、训练和商业输出都被允许。企业要看网站条款、授权声明、接口协议、版权标识、数据来源和再分发限制。

对文章、图片、视频、音频、代码和课程材料，应判断是否构成作品或受许可证约束。对代码数据，还要单独审查开源许可证和无许可证仓库，不能把公开仓库直接当成自由训练材料。

个人信息和数据安全要同步审

训练数据中如果含姓名、联系方式、账号、头像、评论、定位、设备信息、行为轨迹或可识别个人的组合字段，就要审查处理目的、最小必要、告知同意或其他合法性基础、脱敏和删除机制。数据安全层面还要关注重要数据、行业敏感数据、客户秘密和跨境调用。

如果模型 API、标注团队、云服务或境外供应商会处理训练数据，企业还要形成处理路径图：谁接收、在哪里处理、保存多久、是否用于再训练、能否删除、日志能否导出。

供应商证明不能只写保证合法

采购语料、图片包、代码数据集或行业知识库时，合同里只有“保证合法”不够。供应商应提供来源类型、授权范围、是否含作品或个人信息、是否允许训练和商用、是否允许再分发、侵权投诉后如何删除替换、是否配合举证和赔偿。

企业内部也要留痕：数据进入哪个项目、由谁访问、是否进入训练集、评测集或知识库、是否同步给模型供应商、是否输出给客户产品。没有追溯链，后续很难证明合规边界。

江苏鑫律联律师事务所可协助企业建立 AI 训练数据审查表、数据供应商合同条款、RAG 知识库入库规则和跨境处理路径材料。本文仅作一般法律信息参考，不构成具体训练项目法律意见。

入库前和出库后都要留痕

训练数据进入项目之前，应记录数据来源、取得方式、授权文件、字段说明、是否含作品、是否含个人信息、是否含客户秘密、是否允许训练和商用。进入项目之后，还要记录数据被用于预训练、微调、评测、RAG 还是客户交付，谁可以访问，是否同步给供应商或境外模型。

数据退出也要有规则。合同终止、客户撤回、发现侵权、字段超范围、供应商来源不明或项目结束时，应能删除训练样本、知识库文档、评测集和缓存，并保留删除或隔离记录。没有出库机制，企业很难证明风险已经停止。

管理层需要看到红黄绿分级

建议把数据分为绿色、黄色和红色。绿色数据是来源清楚、授权明确、无个人信息或已合理处理、用途覆盖训练的材料；黄色数据是来源可查但授权范围、个人信息或跨境路径需要补充说明的材料；红色数据是来源不明、禁止训练、含客户秘密、无权作品或无法删除替换的材料。分级能让业务团队知道哪些可以先用，哪些必须停下。

合同条款要对应技术动作

训练数据合同不能只写“可用于 AI”。应把预训练、微调、评测、RAG、客户交付、公开生成服务、再分发、模型供应商处理和跨境传输分别写清。供应商如果只授权内部分析，却没有授权模型训练或商业输出，企业就不能把数据直接放进训练流程。

技术团队还要把合同限制转成系统控制。例如只允许在某项目使用，就要限制访问权限；要求项目结束后删除，就要能定位样本和索引；禁止进入境外模型，就要关闭相应 API；要求不用于再训练，就要在供应商配置和合同中同时确认。

训练数据还要和输出责任连接起来。若模型输出被投诉侵权、泄露个人信息或包含客户秘密，企业需要回查训练样本、知识库文档、供应商接口和人工审核记录。只管理输入、不管理输出，会让责任判断断在中间。

因此建议项目上线前形成一页数据责任表，列明数据来源、用途、接收方、删除机制、输出审核、投诉负责人和供应商协助义务。表格越具体，后续越容易执行。

如果项目后续新增训练目标、接入新供应商、扩大客户范围或改变部署地区，应重新复核数据授权和处理路径。

复核记录应和模型版本、数据版本、供应商版本绑定保存，避免后续无法定位责任。

版本绑定要进台账。