微软MAI模型被曝使用未授权网络数据训练，与承诺的“商业许可数据”相悖

一句话看懂

微软MAI模型被曝使用未授权的Common Crawl网络数据训练，与其宣传的“企业级清洁商业许可数据”承诺矛盾。

详细发生了什么

微软一直标榜其大型语言模型训练方式与众不同，声称MAI系列模型仅使用“清洁且商业许可的数据”。然而，调查发现微软实际上使用了Common Crawl等未授权网络数据来训练MAI模型。与其他AI实验室一样，微软依赖“合理使用”原则，并将阻止其爬虫的责任推给网站所有者。这意味着，尽管微软在营销中强调数据合规性，其实际做法与OpenAI、Google等公司并无本质区别。

中文圈视角

对中文用户而言，这一事件有几点值得关注：

国产模型的合规优势：国内AI公司如DeepSeek、Kimi等，在训练数据上受到更严格的监管，通常需要明确数据来源授权。微软的“双标”行为反而凸显了国产模型在数据合规上的潜在优势。
对开发者的影响：如果微软MAI模型确实使用了未授权数据，那么基于MAI构建的应用可能面临版权风险。中文开发者若计划使用MAI模型，需警惕数据溯源问题，尤其是涉及商业场景时。
监管启示：中国已出台《生成式人工智能服务管理暂行办法》，要求训练数据来源合法。微软事件表明，即使国际巨头也难以完全遵守承诺，这或促使国内监管进一步细化数据使用规范。
盲点：中文圈较少讨论的是，Common Crawl中中文内容占比不足5%，但微软爬虫可能抓取了大量中文网站。网站所有者需主动检查robots.txt并屏蔽微软爬虫，否则其内容可能被用于训练MAI模型。

几条值得记住的细节

微软MAI模型使用了Common Crawl数据集，该数据集包含大量未经授权的网页内容。
微软声称其训练数据“清洁且商业许可”，但实际做法与其他AI公司一致。
微软依赖“合理使用”原则，将屏蔽责任推给网站所有者，而非主动获取授权。
这一发现来自对微软公开技术文档和第三方调查的分析。
微软尚未对此事发表正式回应。

一句话总结

微软MAI模型的数据合规承诺被证伪，中文用户需警惕其版权风险，国产模型或成更安全选择。