加快建立人工智能训练数据合理使用制度
近日，中央网信办印发通知，在全国范围内部署开展为期4个月的“清朗·整治AI应用乱象”专项行动。该行动第一阶段重点整治的问题中就包括大模型训练语料安全，如训练语料审核把关不严，模型训练数据存在违法不良信息；训练数据来源合规性存在问题，模型训练过程中使用未经授权的文字、图片、音视频等数据，明确强化AI技术源头治理。
回溯人工智能的发展历程，从最初的文本生成，到如今的图像、音乐、视频等多模态内容生成，每向前迈进一步，对训练数据的广度、深度和复杂性的要求就更高一层。可以说，没有数据，就没有模型；没有高质量数据，就没有高水平模型。今天的大模型竞争，表面上看是算法与算力的竞争，实则是数据供给与数据治理能力的竞争。谁能在合法合规的前提下稳定获得可用数据，建设高质量语料和数据集，谁就能在未来的人工智能竞争中占据主动甚至主导地位。
当前，针对人工智能训练数据的使用，尚缺乏统一的制度规则。实践中主要依靠《生成式人工智能服务管理暂行办法》《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》等规范，再辅之以著作权法中合理使用制度等相关规则加以调节。在整体上，仍须完善与其他各部门法协调统一、内容明确、具有直接针对性的制度规范。由于现实中的模型训练数据往往来源复杂、层级多样、流转频繁，使得大量数据处于权属不明、授权不清、来源难溯的状态。加之算法训练过程高度复杂，模型机制带有明显的“黑箱”属性，进一步导致权利识别难、侵权举证难、责任划分难，成为实践中普遍存在的现实问题。鉴于此，建立人工智能训练数据合理使用的制度规则可谓迫在眉睫。训练数据治理不能只依赖事后个案裁判，还应建立分类分级、授权留痕、来源可溯、风险评估和争议救济等制度机制。尤其要区分训练阶段的数据摄取、模型输出阶段的内容生成，以及平台传播阶段的责任承担，避免将不同环节的法律责任简单混同。
事实上，“十五五”规划纲要已对此作出针对性部署，提出“完善数据标准体系和质量管理体系，加快建设人工智能语料库，面向能源、交通、制造、教育、健康、金融等领域建设高质量数据集，建立人工智能训练数据合理使用制度”。这意味着训练数据治理已不只是技术企业自身的合规问题，而是关系数据资源开发、人工智能产业竞争力和数字中国建设全局的基础性制度问题。构建科学有效的制度规则是人工智能行稳致远的重要保障。让人工智能训练数据合理使用制度立得住、行得通，两方面的问题尤其值得关注。
一方面，应统筹好多元关系。人工智能训练数据从生成、处理、流通到进入模型训练，涉及原始权利人、数据处理者、交易平台、模型开发者、应用企业和最终用户等多类主体。制度设计既不能把数据资源简单视为可任意抓取的公共素材，也不能因权利边界不清而使创新活动陷入过度不确定。关键在于建立清晰、可操作、可预期的规则：对可自由使用、需授权使用、限制使用和禁止使用的数据作出分类安排，对授权、收益分配、来源追溯和责任承担形成明确机制。
另一方面，人工智能训练数据使用天然具有跨境性，涉及版权例外、文本与数据挖掘、跨境数据流动、数字贸易和平台治理等多重议题。这要求我们在制度制定中，既要立足国内产业实践，也要重视与国际通行规则的兼容、对话和转化。尤其在相关国际规则仍处于形成和调整阶段的背景下，应通过知识产权、数字经济和人工智能治理等多边平台，积极提出具有实践基础、制度解释力的中国方案。
面向人工智能快速发展的新阶段，我们应以训练数据合理使用制度建设为重要抓手，加快推动形成分类清晰、授权明确、流通有序、责任可追的治理体系，在保护权利人合法权益的同时释放数据要素价值，在规范市场秩序的同时激发技术创新活力。唯有如此，人工智能产业才能在法治轨道上行稳致远，我们也才能在全球人工智能治理规则塑造中贡献更多“中国智慧”。
（作者：孙晓麒、邓宏光，分别系中国政法大学刑民交叉研究中心特约研究员，西南政法大学民商法学院教授、博士生导师）
