人工智能 model 训练中合成数据的治理策略

目次

一、问题的提出：AI 的未来是合成的？

二、真实数据在 AI 模型训练中的局限与挑战

三、合成数据在 AI 模型训练中的治理优势

四、我国合成数据治理路径的制度构造

结语

一、问题的提出：AI 的未来是合成的？

生成式 AI 飞速发展依赖于底层模型对大规模数据模式与结构的识别能力。过去十年间，AI 模型训练的数据参数已从最初的百万量级迅速扩展到十亿乃至百亿量级，模型性能的持续提升与迭代升级高度依赖于更大规模、更高质量的数据输入。可以认为，训练数据的有效供给已经成为 AI 发展的关键。然而，现实世界真实数据的获取与处理正面临日益复杂的技术和法律挑战：一方面，海量训练数据的收集和处理极易引发个人隐私泄露、算法偏见及版权侵权等问题。另一方面，“数据孤岛”现象加剧了训练数据的获取难度，进一步制约了 AI 模型的发展。

为应对上述问题，我国近年来出台了一系列规范性文件，如《互联网信息服务深度合成管理规定》《生成式 AI 服务管理暂行办法》，初步构建了 AI 训练数据治理的规范框架。学界对数据训练的法律问题主要集中在以下两个维度：一是数据训练风险的法律治理。我国应将数据安全作为 AI 发展的底线，倡导建立包容审慎的个人信息监管方案，扩大个人信息处理的合法性基础，并完善著作权领域的合理使用制度。二是强调训练数据要素的高质量供给，如通过推动数据交易与优化数据资源的配置等方式，以缓解数据“枯竭”的难题。

不难发现，现有研究更多着眼于真实数据的风险防控和流通利用问题，却忽略了 AI 模型训练的数据源正呈现出从真实数据向合成数据（Synthetic Data）转变的趋势。在技术领域，合成数据常被视为解决隐私保护和数据短缺问题的技术手段。具言之，合成数据不仅是 AI 模型未来发展的重要“原料”，其法律治理机制的完善程度更是可能决定 AI 技术竞争格局的关键要素。基于上述认识，本文将深入讨论以下问题：当前 AI 利用真实数据训练存在何种风险与困境？合成数据作为新兴的数据类型，其法律内涵与治理优势体现在哪些方面？我国应当如何规范和激励合成数据的生成与应用？上述问题的研究有助于系统构建合成数据法律治理体系，合成数据的治理与应用也将深刻影响乃至决定未来 AI 的发展趋势。

二、真实数据在 AI 模型训练中的局限与挑战

训练数据已经成为 AI 模型训练的“燃料”，其主要