微软MAI系列AI模型训练数据曝光，仅商业授权说法存在出入

微软最近推出的MAI系列AI模型，宣传口径一直挺明确：号称“完全基于干净数据从零开始训练，没有使用来自第三方模型的蒸馏数据”，并且反复强调只用了“企业级、干净且商业授权数据”。但最新披露的技术论文，给这套说法撕开了一道口子。

事情是这样的——科技媒体The Decoder昨天（6月5日）发了一篇报道，指出MAI模型的部分训练数据，其实来自未获授权的开放网络数据集。说白了，微软在训练过程中，并没有只依赖商业授权的“温室数据”，而是悄悄混进了Common Crawl这类互联网公开抓取的内容。这和之前对外强调的“企业级、干净且商业授权数据”之间，落差确实不小。

翻看论文的具体描述，微软采取的是“公开可得数据”与“授权的人类生成数据”混合方案——既要了授权语料库，也没放过互联网公开资源。至于这些网络数据怎么拿的，微软声称用的是自家爬虫，并且遵守了Robots Exclusion Protocol（也就是robots.txt），以及相关的元标签和HTML控制项。

不过争议点就在这里。对于没有被robots.txt明确屏蔽的内容，平台默认视为“可抓取”，内容保护的责任实际上被推到了数据所有者身上。这种逻辑，说白了有点像“你没有锁门，就等于你同意我进去”——在法律和伦理的灰色地带里，到底算不算合规，恐怕不是一句“遵守了协议”就能盖棺定论的。