近年来，国内AI数据监管持续加码，2025年9月，公安网安部门通报一起人工智能训练数据领域行政执法案例。某科技公司以提供模型训练基础数据即“算料”为主营业务，在处理人脸等生物识别类敏感个人信息前，未依法开展个人信息保护影响评估，被行政处罚并责令整改。今年4月，中央网信办部署启动“清朗·整治AI应用乱象”专项行动，其中包括对大模型训练语料安全问题的重点整治。7月施行的《人工智能拟人化互动服务管理暂行办法》明确规定，未经单独同意，禁止将用户敏感信息用于模型训练。这表明，在训练数据涉及个人信息的情况下，其采集、清洗、标注和交付等处理活动受个人信息保护规则约束。

大模型开发依赖规模化数据供给。社交平台上的公开肖像、帖子、评论和视频，因可访问性强、采集成本低，成为训练语料的重要来源。早在2023年，《生成式人工智能服务管理暂行办法》明确要求训练数据来源合法，涉及个人信息时应取得同意或者具备其他法定依据。个人信息保护法对于合理处理已公开个人信息的原则规定，为人工智能训练划定了一定的规则边界，但需要指出的是，网络公开数据不是人工智能训练的“无主粮仓”，处理须处于合理范围，并做好相应的影响评估。

处理已公开个人信息的合理边界

个人信息保护法第十三条与第二十七条等条款共同构成已公开个人信息处理规则，其适用可概括为四个层次：信息须由个人自行公开或者已经合法公开；后续处理须处于合理范围；个人明确拒绝的，不得继续依赖已公开个人信息规则处理；处理对个人权益有重大影响的，应取得个人同意。网页可访问性只能证明信息处于一定公开状态，无法单独支撑后续商业利用。

合理范围的判断，应以初始公开场景与后续处理活动之间的关联为中心。个人在社交平台发布自拍，通常服务于交往、表达与展示；模型企业通过爬虫批量复制、长期保存、分类标注并用于商业模型训练，处理目的、技术方式和利益结构均发生变化。平台内的浏览、转发与搜索索引，通常维持信息原有语境；跨平台抓取、建立独立数据集和持续训练，则形成新的处理链条。场景转换程度越高，企业承担的正当性说明义务越重。

处理规模同样会改变权益风险。单条信息的零散利用与数百万条数据的自动采集，在识别能力、关联能力和影响范围上存在实质差异。大规模爬虫往往同步获取正文、图片、评论、账号标识及元数据，数据集中还可能混入第三人信息、未成年人信息和敏感个人信息。企业在预训练阶段无差别抓取，采集时难以准确区分公开与未公开信息、一般与敏感个人信息，仅凭合理处理已公开个人信息的原则规定为整个数据集提供合法性基础，存在结构性困难。

信息类型决定保护强度。普通文本可能反映职业、观点与社会关系；清晰肖像直接关联人格形象；经技术提取形成的人脸特征模板具有身份识别功能。民法典第一千零一十九条、第一千零二十条对肖像制作、使用及合理使用设定独立边界，科学研究等用途仍受必要范围约束。利用人脸识别技术处理人脸信息，还须适用敏感个人信息规则。公开照片进入训练数据集时，个人信息权益保护规则、肖像权保护规则与生物识别信息保护规则可能同时适用。肖像权审查尤其关注使用行为本身。信息主体公开照片，仅表明其接受特定网络场景中的展示与传播；模型企业复制图片、提取视觉特征并将其吸收进商业产品，需要另行说明法律依据。即使训练数据后续去标识化，前端收集和加工阶段已经发生的肖像使用仍应接受评价。

“对个人权益有重大影响”的认定，宜采取风险判断标准。训练过程可能增加身份冒用、肖像仿制、敏感属性推断、深度伪造和社会评价受损的概率；模型记忆、样本复现及机器遗忘的技术局限，会延长风险持续时间。

上述风险在收集信息并训练的过程中已经产生，信息的可识别程度、处理规模、模型开放范围、数据主体脆弱性、退出与删除难度，均应纳入事前评估。

实践经验中的分层判断要点

国内行政执法通报提供了直接的规范切口。某科技公司以向模型企业提供训练基础数据，即“算料”为主营业务，在处理人脸等生物识别类敏感个人信息前，未开展个人信息保护影响评估，公安网安部门据此作出行政处罚并责令整改。通报披露的信息较为有限，但其规范意义仍然清晰：模型训练数据的采集、清洗、标注和交付属于受个人信息保护规则约束的连续处理活动；处理生物识别信息或者开展可能对个人权益产生重大影响的活动，须依法履行事前评估义务；处于产业链上游的数据供应商仍须就其处理行为承担独立合规责任。国内监管由高风险信息类型与程序义务切入，为后续审查数据来源、公开状态和训练用途奠定了执法基础。前文所述人工智能训练数据“算料”行政处罚案已经表明，处理生物识别类训练数据时，个人信息保护影响评估属于刚性程序义务。

ACLU诉Clearview AI案展示了公开肖像向高风险识别工具转化的情形。Clearview从公开网络图片中抓取人脸图像，生成可检索的面部特征数据库，并向执法机关和私人主体提供识别服务。案件根据伊利诺伊州《生物识别信息隐私法》提起，最终以和解的形式结案，永久限制Clearview向美国多数私人主体提供数据库访问入口，并让伊利诺伊州居民能够阻止其面部特征出现在搜索结果中。该案的关键在于技术转换：普通照片经特征提取后可能被用于远程识别、持续追踪和规模监控，处理风险远高于照片展示与传播。

德国北莱茵—威斯特法伦州消费者中心诉Meta案呈现另一种路径。Meta计划使用Facebook、Instagram成年用户公开发布的一手数据及相关元数据训练人工智能模型。科隆高等州法院在2025年5月23日的临时禁令程序中，经简易审查认可Meta可依据《通用数据保护条例》第6条第1款f项主张正当利益，并考察了去标识化、过滤措施、透明通知、便捷异议和隐私设置等因素。法院同时区分了数据发布时间，对于2024年6月26日之后发布的数据，用户对其公开数据被用于人工智能训练具有较强的可预期性；而对于此前发布的数据，难以认定用户存在同等程度的合理预期。

法院还指出，对于在用户内容中出现的第三人信息，目前的异议机制仍存在局限。

综合而言，大模型训练数据的个人信息保护影响评估可考虑以下几层：第一层审查信息属性，识别人脸等生物识别信息、不满十四周岁未成年人的个人信息以及可能揭示敏感属性的数据；敏感个人信息依法适用影响评估和严格保护等特别义务，以同意为处理基础时应取得单独同意。第二层审查公开基础，查明发布主体、公开对象、平台权限、技术限制及附随元数据的可见状态。第三层审查主体关系与目的相容性，区分平台基于直接服务关系利用一手数据与外部企业跨站抓取，并比较社交分享、内容传播等初始目的同商业训练用途的联系。第四层审查处理强度，重点关注采集规模、保存期限、特征提取、算法加工、跨库关联、模型复现和身份识别能力。第五层审查保障条件，包括透明告知、异议、退出、删除、去标识化和未成年人保护。

疏堵结合细化合理范围

合理处理已公开个人信息的原则规定包含高度概括的开放性概念，个案裁判可以逐步积累规则，产业合规仍需统一、稳定的行政标准。个人信息保护法第六十二条已经授权国家网信部门针对人脸识别、人工智能等新技术、新应用制定专门规则和标准。行政裁量基准可围绕数据来源、目的相容、处理强度、权益风险和保障措施构建多因素矩阵。

企业需要建立数据来源与公开状态清单，区分平台一手数据、外部公开网络数据、采购数据和合成数据，记录页面来源、采集时间、访问权限、robots协议（爬虫协议）及其他技术限制。公开状态存在疑问、来源链条中断、第三方供应商无法说明合法基础的数据，应暂缓进入训练流程。对肖像、账号标识、元数据和第三人信息，还应分别识别其公开范围，避免以帖子正文的公开状态覆盖附随数据。

在此基础上，还需建立分级分类的动态调适机制，避免“一刀切”标准抑制产业创新活力。人工智能训练场景差异突出—通用基础模型数据规模庞大、处理目的宽泛，行业专用模型数据边界清晰、应用场景特定，二者对公开个人信息的依赖程度与风险传导路径并不相同。行政裁量基准可按模型类型、开放范围、应用领域设置差异化合规梯度。

进一步而言，应当以技术治理赋能合规实践，同步扩大公共数据有效供给。一方面，监管部门可鼓励企业采用去标识化、差分隐私、联邦学习、数据合成等隐私增强技术，在模型训练阶段最大限度降低个人信息可识别性。对于已通过技术手段实现不可逆去标识化、无法复现特定自然人的数据，可在行政裁量中认定其权益风险相对降低，相应减轻说明责任与评估义务。另一方面，加快推进公共数据分类分级有序开放，建立高质量、合规化的公共训练数据集供给体系。政府部门、公共机构依法公开的政务数据、公共服务数据与行业统计数据，本身具备公开性与公益性，经过标准化清洗与脱敏后可向人工智能企业开放使用，从源头上减少产业对网络公开个人信息的过度依赖。

归根结底，优化已公开个人信息的处理规则，是在数字经济时代重新界定人格权益保护与数据要素利用的边界。个人信息保护法确立的“合理范围”原则，既不是对公开信息的无限制使用许可，也不是对人工智能训练的禁止性壁垒。通过体系化的行政裁量基准将抽象原则转化为可操作、可核验、可预期的合规标尺，既能守住个人信息权益的风险底线，尽可能避免大规模爬取生物识别信息的乱象，也能为人工智能产业提供清晰的行为指引与稳定的制度环境，最终实现个人信息保护与数字经济高质量发展的双向促进。

关于作者

黄尹旭，中国人民大学法学院副教授、人工智能治理研究院研究员

朱海源，中国人民大学法律科技与社会治理实验室研究助理