🎬 OpenAI 秘密转录 100 万小时 YouTube 视频

《纽约时报》披露 OpenAI 开发 Whisper 模型，在明知违反 YouTube 服务条款的情况下，秘密转录超过 100 万小时视频训练 GPT-4。Google 知情未阻止——因其自身也在用同样方法训练 Gemini。

📚 Meta「先污染后治理」策略实锤

Meta AI 团队在耗尽互联网可用英文书籍后，曾认真讨论收购 Simon & Schuster，也曾考虑直接抓取网络盗版图书。内部清醒认识到侵权风险，但在追赶 OpenAI 的压力下选择冒险。

💰 从「白嫖」到「天价授权」

OpenAI 与 News Corp 签下 $2.5 亿 / 5 年授权协议，随后密集签约 FT、AP 等。2026 年 3 月，Meta 也与 News Corp 签下 $1.5 亿 / 3 年。

 律师锐评

许多人误以为只要模型是开源的，其训练数据集就天然合规。在资本市场非诉尽调中，开源仅代表技术分发形式，绝不代表权利人的商用授权。

AI 早期「先污染后治理」的野蛮生长时代已结束，随着全球各大版权方组团围剿，「数据授权费用」正成为大模型企业最大的隐性资本性支出（CapEx）。

没有正版数据授权长期协议（Data Licensing Agreement）支撑的 AI 企业，资产负债表里其实埋着一颗随时可能引发核心模型被「熔断、停用」的商誉地雷。

★ TAKEAWAY

开源 ≠ 商用授权。Data Licensing Agreement 是大模型企业新的核心资本支出，没有长期协议支撑的，估值模型里需要单独减计商誉风险。

🏛 美国判例

🏛 杭州互联网法院：首次认定训练可构成「合理使用」

2024 年，杭州互联网法院在「奥特曼平台案」中首次正面回应训练数据合规：若生成式 AI 在数据训练阶段使用他人作品的目的是「学习风格而非复制表达」，且未影响权利作品正常使用，可认定为合理使用。

 律师锐评

资本市场最关心的不是诉讼谁输谁赢，而是司法救济手段对企业持续经营能力的影响。在 IPO 过程中遭遇训练数据诉讼狙击，相当于给 IPO 企业打了一剂镇定，影响 IPO 进程，更影响企业在迭代过程中的领先优势。

过去一年，海外司法实践对 AI 侵权的惩罚正从传统的「金钱赔偿」演变为破坏力极大的「模型清洗（Model Cleanse）」——即法院有权判令被告不仅要删除侵权数据，还要直接销毁、重新训练受该数据影响的底层模型和参数。这意味着企业数亿美金的算力和研发成本可能在瞬间归零。

因此，在评估 AI 标的时，数据底座的「洁净度（Data Cleansing）」和留痕机制，比模型本身的跑分重要得多，大模型企业需要足够重视该问题。

★ TAKEAWAY

Model Cleanse 是 AI 标的最大尾部风险——一旦触发，算力研发投入瞬间归零。尽调阶段「数据洁净度 + 留痕」比模型跑分更值得关注。

🇺🇸 SEC：训练数据来源必须披露

SEC 将 AI 列为 2024 年度首要披露审查事项，明确要求生成式 AI 企业在 10-K 报告中披露：训练数据是否包含受版权保护内容？是否存在数据合规诉讼风险？数据溯源披露不足可能构成证券欺诈。

🇭🇰 港交所：训练数据来源合法性是 18C 章核心

港交所对 AI 企业审核已从「泛化提问」转向「精准穿透」，明确要求核查：大模型训练数据来源是否合法？是否存在未经授权使用他人数据、侵犯知识产权的情形？

🇨🇳 沪深交易所：问询均涉及「训练数据来源合法性」

汉坤律师事务所统计：AI 企业上市审核问询均涉及「训练数据的收集规模及来源合法性」。典型案例：

• 旷视科技：要求说明「数据收集方式及其合法合规性」

• 云从科技：二轮问询数据来源及合规性

• 智谱华章：追问「训练数据收集规模及来源合法性」

 律师锐评 · 数据资产「三关」核查

无论是赴港 IPO 还是 A 股申报，保荐人和发行人律师在面对大模型相关标的时，对「数据资产」的核查必须过三关：

• 权利无瑕疵：网络爬取数据是否涉嫌违反反不正当竞争法？是否违反了 Robots 协议？

• 合规无红线：数据清洗过程中是否彻底隔离了《个保法》定义的敏感个人隐私？是否涉及《数安法》下的重要数据跨境流转？

• 替代风险：发行人是否过度依赖单一第三方的数据接口？

一句话总结：在交易所上市审核中，无法证明其训练数据「来源合法、确权清晰、持续可得」的 AI 企业，将面临 IPO 被否决的风险。

早期｜天使轮 — A 轮

建立数据来源登记簿，每批数据入库须记录来源 URL、抓取时间、Robots 协议状态及授权情况。台账是后续「洗白」的唯一依据。

成长期｜B 轮 — C 轮

建立数据分级管理制度（已授权 / 待授权 / 未授权但可辩护 / 未授权且高风险），逐步替换高风险数据（影视 IP、新闻出版物、知名艺术家作品）。

Pre-IPO 阶段

聘请专业律所进行穿透核查，未获授权高风险数据进行必要的剔除；招股书中如实披露训练数据来源被诉风险，并准备 Model Cleanse 应急预案。

★ TAKEAWAY

数据合规不是 Pre-IPO 阶段一次性清洗的活——天使轮就该建台账，B 轮起做分级，IPO 阶段做穿透核查+Model Cleanse 应急预案。