微软 MAI 模型的数据来源争议直接关系到企业级 AI 部署的合规风险，做数据治理或采购 AI 服务的团队值得关注，建议点开了解具体细节。
科技媒体 The Decoder 报道，微软最新发布的 MAI 系列 AI 模型部分使用了 Common Crawl 等开放网络数据训练，与其此前宣称的“完全基于干净、商业授权数据”存在出入。微软技术论文显示，训练数据是“公开可得数据”与“授权人类生成数据”的混合，而非纯商业授权。微软称其爬虫遵守 robots.txt 协议，但媒体指出未屏蔽内容默认可抓取的逻辑存在争议。这一发现可能影响企业用户对微软 AI 模型数据合规性的信任。
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
IT之家 6 月 6 日消息，科技媒体 The Decoder 昨日（6 月 5 日）发布博文，报道称微软最新发布的 MAI 系列 AI 模型部分使用未获授权的开放网络数据训练， 与其此前“仅采用企业级、干净且商业授权数据”的说法不一致。 IT之家此前报道，在宣传 MAI 系列模型时， 微软号称“完全基于干净数据从零开始训练，未使用来自第三方模型的蒸馏数据” 。 不过根据官方披露的 MAI 技术论文，这些模型并非只依赖商业授权数据，还部分包括 Common Crawl 在内的开放网络数据，这与微软此前对外强调的“企业级、干净且商业授权数据”表述存在明显落差。 从论文描述看，微软采用的是“公开可得数据”与“授权的人类生成数据”的混合方案，同时覆盖授权语料与互联网公开内容。 在网络数据获取方式上，微软称其使用自有爬虫，并遵守 Robots Exclusion Protocol（机器人排除协议， robots.txt ）以及相关元标签和 HTML 控制项。 不过该媒体指出争议点在于，对于未屏蔽内容，默认视为可被抓取，内容保护责任实际上更多落到网站所有者身上，这种逻辑近似于“没有锁门就等于同意进入”。