对自建模型或做微调的单位来说，训练数据的来源合法性是绕不开的问题。用错数据，后面的技术工作全部白费。
训练数据不能「抓到就用」。需要确认数据获取方式是否合法、是否获得授权、是否超出原授权范围使用。
实务中风险最高的三类数据：从第三方平台爬取的受限数据、含个人信息的未脱敏数据、权利状态不明的作品数据。
数据分类分级不是形式工作，它直接决定了哪些数据可以进入 AI 处理流程。建议做法是把数据分为公开、内部、敏感三个层级，分别对应可外部处理、脱敏后处理、禁止外部处理三种方式，做成一张对照表。
训练数据的来源、授权凭证、处理过程建议完整留档。这不仅是合规要求，在后续出现争议时也是重要的证明依据。
本文为主办方基于公开信息的整理与分析，不构成专业意见。文中涉及的政策文件请以官方发布的最新版本为准；涉及法律、医疗、投资等专业领域的决策，请咨询具备相应资质的专业人士。