OECD最新指导报告丨AI训练数据抓取引发全球知识产权争议
2025年02月24日来源：企业专利观察
2025年2月9日，经济合作与发展组织（OECD）发布了一篇题为《人工智能基于抓取数据的知识产权问题》的专题报告，该报告深入探讨了人工智能（AI）技术快速发展背景下，数据抓取（Data Scraping）在模型训练中的应用及其对知识产权（IP）体系的冲击。报告指出，随着生成式AI的爆发式增长，数据抓取已成为获取海量训练数据的主要手段，但这一过程频繁涉及版权、商标、数据库权利等法律争议，亟需全球协调的政策框架与技术创新应对挑战。
数据抓取：AI创新的双刃剑
报告将“数据抓取”定义为“通过自动化工具从第三方网站、数据库或社交媒体平台提取信息的行为”。其核心流程包括数据收集、预处理、存储及模型训练。例如，大型语言模型（如GPT-3）的训练数据中，超过80%来自Common Crawl等公开网络抓取数据集。这类数据为AI模型提供了多样化的语言表达和跨领域知识，但也埋下隐患——抓取内容可能包含受版权保护的书籍、文章、图像，甚至个人隐私信息。
数据显示，当前约70%的AI训练数据集缺乏清晰的来源许可信息。2023年一项对1800个常用数据集的审计发现，部分数据集包含盗版内容，如“Books3”数据集涉嫌收录17万本未经授权的书籍，被用于训练Meta的Llama等知名模型。此类争议已引发多国诉讼。美国作家协会、《纽约时报》等机构已对OpenAI、微软等企业提起诉讼，指控其未经许可使用受版权保护内容训练AI；欧盟、日本等地也出现类似案件。
法律困境：全球规则碎片化
报告强调，现行知识产权法律体系多制定于AI技术普及之前，难以适应数据抓取引发的复杂问题。各国法律对“合理使用”“文本与数据挖掘（TDM）例外”等关键概念的解释存在显著差异：
-欧盟通过《数字单一市场版权指令》允许研究机构在合法获取数据的前提下进行TDM，但版权所有者可通过合同或技术手段“选择退出”（Opt-out）；
-日本《著作权法》允许出于“非娱乐目的”的TDM，包括商业用途；
-美国依赖“合理使用”原则，需通过司法案例逐案判断；
-新加坡2021年修订的《版权法》新增“计算数据分析例外”，明确允许基于数据分析的机器学习，但禁止衍生内容用于其他目的。
这种法律碎片化导致跨国企业面临合规难题。例如，欧盟《人工智能法案》要求通用AI模型提供者遵守欧盟版权法，即使模型在境外训练，只要输出用于欧盟市场即需担责。这种“长臂管辖”凸显了国际协调的必要性。
政策工具箱：行为准则、技术工具与公众教育
为平衡AI创新与权利保护，OECD提出四大政策方向：
1. 自愿行为准则：制定跨国“数据抓取行为准则”，明确术语定义（如区分数据抓取、网络爬虫等技术细节），要求企业披露训练数据来源、尊重技术保护措施（如网站robots.txt协议），并建立违规登记与追责机制。准则可参考G7《广岛AI行为守则》，区分商业与非商业用途，鼓励平台采用“数据集卡片”（Dataset Cards）标注数据许可信息。
2. 标准化技术工具：开发支持版权管理的技术方案。例如，改进现有robots.txt协议，设计机器可读的“选择退出”标识；探索数据访问控制工具，允许版权方通过API授权使用，并集成自动付费系统。欧盟正推动此类工具研发，以配合《人工智能法案》的透明度要求。
3. 标准合同条款：针对数据提供者与AI开发者的合作协议，设计兼顾灵活性与合规性的模板条款。例如，OpenAI与美联社、Shutterstock等机构的内容授权协议，或成为行业参考范式。
4. 公众意识提升：通过教育项目帮助创作者理解权利边界，指导AI用户遵守使用限制（如避免生成侵权内容），并推动企业公开模型训练的伦理审查流程。
未来挑战：技术迭代与利益平衡
报告警示，高质量训练数据可能在2026年前耗尽，迫使企业转向语音转录、合成数据等新型抓取手段，进一步加剧法律风险。同时，AI生成内容对个人形象权、艺术风格模仿等新型侵权形式的界定仍存争议。例如，AI生成的“虚拟歌手”是否侵犯原声音乐人的权利？模仿画家风格的AI作品是否构成道德权利侵害？这些问题亟待法律与伦理框架的更新。
OECD呼吁各国政府、企业与社会组织加强合作，在保护创新激励与公共利益之间寻求平衡。正如报告主笔之一、杜克大学教授李·蒂德里奇（Lee Tiedrich）所言：“没有一刀切的解决方案，但通过技术规范、合同创新与国际对话，我们可以为AI的可持续发展铺平道路。”
链接：OECD报告全文
留言反馈
常见问题
