簡短回答: GPAI 訓練數據摘要必須採用 AI 辦公室於 2025 年 7 月 24 日發佈的模板,並包含三個強制章節:關於提供者與模型的一般信息、數據來源清單,以及相關的數據處理事項。該模板是強制性的,而非建議性的;它適用於在歐盟市場投放通用人工智能(AI)模型的每一個提供者,包括以自由與開源許可發佈的模型。
EU AI 法案第 53 條第 1 款第 (d) 項很簡短。它要求通用人工智能(AI)模型的提供者編寫並公開一份關於訓練所用內容的充分詳細的摘要,並按照 AI 辦公室提供的模板來完成。真正讓這項義務具體可行的內容都在該模板之中,而 AI 辦公室已於 2025 年 7 月 24 日連同一份說明性通知一併發佈了它。
該義務自 2025 年 8 月 2 日起即已適用。大多數團隊弄錯的是接下來會發生什麼:AI 辦公室自 2026 年 8 月 2 日起可以採取執法行動,而在 2025 年 8 月 2 日之前就已上市的模型則有到 2027 年 8 月 2 日的時間。這是三個不同的日期,各自承擔三件不同的任務,把它們混爲一談是這一領域最常見的規劃錯誤。
核心重點
- 該模板是 強制性的,而非一種建議格式。第 53 條第 1 款第 (d) 項要求必須使用該模板。
- 它包含 三個章節:一般信息、數據來源清單,以及相關的數據處理事項。
- 它涵蓋 每一個 在歐盟市場投放 GPAI 模型的提供者,包括以自由與開源許可發佈的提供者,也包括具有系統性風險的模型。
- 被抓取數據的披露是其中最尖銳的要求:爬蟲名稱、收集時間段、內容描述,以及 全部被抓取域名中的前 10% ——若爲中小企業(SME),則爲被抓取域名中排名前 5% 或前 1,000 個,以較低者爲準。
- 摘要必須更新的週期爲 六個月爲一個週期,若新增訓練數據帶來實質性重大變化,則應更早更新。
- 不合規可能招致的罰款最高可達 全球年總營業額的 3% 或 15,000,000 歐元,以較高者爲準。
快速比較
| 日期 | 發生了什麼 | 法律依據 |
|---|---|---|
| 2025 年 7 月 24 日 | AI 辦公室發佈模板與說明性通知 | 第 53 條第 1 款第 (d) 項 |
| 2025 年 8 月 2 日 | 義務開始適用;新模型在投放市場時即需具備其摘要 | 第 113 條第 (b) 項 |
| 2026 年 8 月 2 日 | AI 辦公室可以開始採取執法行動 | 歐盟委員會指引 |
| 2027 年 8 月 2 日 | 在 2025 年 8 月 2 日之前投放市場的模型的最後期限 | 第 111 條第 3 款 |
| 每六個月 | 摘要經複覈並更新,或在發生實質性變化時更早更新 | 模板要求 |
這三個章節究竟是什麼?
模板設定了一個共同的最低基線,分爲一般信息、數據來源清單,以及相關的數據處理事項。每個章節也都允許自願提供更多細節,因此提供者可以說得比下限更多,但絕不能更少。
一般信息 它識別提供者與模型,然後按模態——文本、圖像、視頻、音頻——描述訓練內容,並以較寬的區間而非精確數字給出每種模態的規模,再加上數據的一般特徵。
數據來源清單 工作量就集中在這裏。它分別詢問公開可得的數據集、從第三方獲得的私有數據集、從在線來源抓取的數據、從用戶處收集的數據,以及合成數據。模板按來源類型設定了不同的詳細程度,這正是歐盟委員會在透明度與商業祕密之間取得平衡的方式。
相關的數據處理事項 涵蓋那些對依據歐盟法行使權利的人而言重要的處理環節——首要的是版權——並包括提供者在移除違法內容方面所做的工作。
關於被抓取的數據,你必須披露多少?
在整個模板中,被抓取的數據引出了最爲具體的要求,其細緻程度超出大多數團隊的預期。提供者必須列出所使用的爬蟲名稱、說明收集時間段、全面描述被抓取的內容,並公佈被抓取最多的域名清單。
域名清單這一條值得讀兩遍。要求是互聯網上全部被抓取域名中的前 10%。對於中小企業,門檻放寬爲前 5% 或前 1,000 個,以較低者爲準。正是這一條款,把對“公開可得的網絡數據”的含糊表態,變成了權利人可以對照自己站點去核查的東西。
它與第 53 條第 1 款第 (c) 項直接相關:該項另行要求建立遵守歐盟版權法的政策,包括識別並尊重依據《數字單一市場版權指令》第 4 條第 3 款所表達的權利保留。摘要告訴權利人哪些內容被取用了;版權政策則告訴他們其退出選擇是否得到了尊重。兩者結合起來,就是一條審計線索。
用戶數據與個人數據怎麼辦?
模板要求提供者披露該模型是否使用了通過用戶與其服務和產品交互(包括與其自有 AI 模型的交互)所收集的數據進行訓練。它要求說明該用戶數據的模態以及相關服務的描述,但並不要求披露任何個人信息。
這一界限是刻意劃定的,而且經常在兩個方向上被誤讀。摘要不是隱私聲明,歐盟委員會的立場是:關於個人數據使用的進一步細節屬於提供者的隱私聲明。但是否存在源自用戶交互的訓練數據,並非可以選擇不披露的事項。以對話內容進行訓練是關於你數據來源的一個事實,而模板就要求說明它。
這項要求適用於開源模型嗎?
是的。該義務涵蓋在歐盟市場投放通用人工智能(AI)模型的任何提供者,而且歐盟委員會明確表示,它同樣適用於以自由與開源許可發佈模型的提供者。
這會讓人意外,因爲 AI 法案的其他部分確實爲開源發佈留了例外。第 53 條第 1 款第 (d) 項沒有。寬鬆許可並不改變誰必須公開訓練內容摘要,系統性風險分類也不改變——具有系統性風險的模型的提供者同樣處於這一要求之內,只是在該法案的其他地方還承擔額外義務。
如果數據記錄根本不存在,該怎麼辦?
對於在 2025 年 8 月 2 日之前投放市場的模型,如果提供者無法提供某些必需信息——因爲該信息不可獲得,或檢索它會造成不成比例的負擔——則必須在已公開的摘要中明確說明並論證這些信息缺口。
這是一項範圍狹窄且附帶條件的許可,有必要準確說明它的邊界。它適用於遺留模型,它要求首先盡到最大努力,而且它並不允許沉默:缺口必須在文件本身中被聲明並說明理由。對於在 2025 年 8 月 2 日之後投放市場的模型,並不存在同等的寬免。
這是當下任何採購數據的人都該記取的操作性教訓。在獲取每一個數據集的同時就記錄其許可、收集時間段、同意依據與來源,而不是事後再補。把來源溯源當作交付物來對待的團隊,會覺得這項義務只是文書工作;把它當作事後纔想起的事情的團隊,會覺得它是考古挖掘,而上面那一條款正是對後一種處境的描述,而不是爲它開脫的理由。