AI 语料数据知识产权登记案例：预训练语料的确权实践

大模型产业链里，算力可以租、算法可以开源，唯独训练数据的权属最难说清。预训练语料被爬取方与版权方各执一词、数据交易因权属不清而搁置、融资入表拿不出资产凭证——训练数据权属已经是 AI 产业链的核心争议。本文以一例真实的 AI 语料登记为样本，拆解预训练语料从加工到确权的实践路径。应权利人要求，本文对权利人信息做脱敏处理，仅保留数据集名称、登记号与获证时间等公开要素。

一、大模型时代，语料为什么必须确权

预训练语料的加工链条很长：采集、清洗、去重、质量过滤、标注、配比，每一环都投入大量人力与算力成本。加工后的语料集合，已经不是「网上能随便下载的文本」，而是凝聚了实质性加工投入的智力成果。但在登记确权出现之前，这份投入缺乏权属凭证支撑，直接带来三个问题：

① 交易难定价——权属说不清，语料在数据交易所挂牌、对模型厂授权时都缺乏可信背书；
② 维权无凭证——辛苦加工的语料被同行搬运，企业难以举证「这份数据集合是我的」；
③ 入表缺资产——数据资源要作为资产入表或质押融资，前提是权属清晰，语料恰恰是最说不清的那一类。

数据知识产权登记以「合法来源、实质性加工、明确应用场景」为要件，正好匹配语料的加工特征。它与软件著作权保护的对象并不相同，两者的区别可参考数据知识产权和软件著作权的区别一文。

二、案例：AI 基座大模型预训练垂直语料数据集登记

权利人背景：某数据服务企业（脱敏处理），面向垂直领域大模型的训练需求，围绕特定行业持续采集文本数据，经清洗、去重、结构化加工后形成大规模预训练垂直语料，供下游模型训练使用。

数据集梳理：皓瀚天泽在协助确权时，重点帮助权利人补齐三件事：语料来源的授权链条说明、清洗与去重等加工环节的规则记录、语料在模型训练中的具体应用场景描述。最终以「AI基座大模型预训练垂直语料数据集」为对象提交登记。

登记过程：登记在江苏省知识产权保护中心运营的数据知识产权登记平台办理，登记号为 SZ2025****2334.1，于 2025 年 4 月取得登记证书。证书落地后，该语料集合有了可公示查验的权属凭证，为后续对外授权与数据交易铺平了路。证书样式如下（权利人信息已脱敏）：

三、AI 语料登记的三个特殊要点

与一般行业数据相比，AI 语料登记的合规门槛更高，实践中主要卡在三个环节：

① 来源合规性审查更严格——登记平台对语料来源的合法性审查严于一般行业数据：网络采集需说明采集方式与协议遵守情况，授权采购需提供合同或协议支撑，来源存在瑕疵的语料很难通过审查；
② 含个人信息需先匿名化——语料中如包含个人信息，须先完成匿名化或去标识化处理，并留存处理过程的记录，未处理的语料无法通过合规审查；
③ 加工与筛选过程要留痕——清洗规则、去重标准、质量过滤条件、语料配比方案等加工环节的记录，是证明「实质性加工」的关键材料，建议在加工阶段就同步归档。

四、AI 企业可登记的数据类型清单

结合本案例与本机构 126 份证书样本的统计（AI 语料与算法数据类 13 件），AI 企业可重点盘点以下五类数据：

登记并非 AI 企业的专属动作——同一批样本中，农业培育数据同样完成了登记，可参考农业数据知识产权登记案例；制造业企业的打包登记策略见制造业数据知识产权登记案例。

五、三类语料来源的合规处理方式

语料登记的成败，八成取决于来源能不能说清。按来源分三类，处理方式差别很大：

三类里最容易出问题的是授权采购。数据采购合同里若不写明「允许再加工并形成衍生数据集」，那么加工后的语料集合在权属上就站不住——你加工投入很大，但授权基础不覆盖这个用途。这种情况需要先补签条款，再谈登记。

开源语料的问题则更隐蔽：很多团队直接用了「网上能下载」的语料，没核对许可类型。CC-BY-NC、CC-BY-ND 这类许可禁止商业使用或禁止衍生，基于它加工的数据集不能用于商业登记。核对一次许可，比事后返工便宜得多。

六、常见疑问（FAQ）

Q：AI 训练语料可以登记数据知识产权吗？
A：可以。经过采集、清洗、去重、标注等加工形成的结构化语料数据集，来源合法、有明确应用场景的，可申请登记，本文案例即为预训练垂直语料的登记实践。

Q：爬取的数据能登记吗？
A：需视来源合规性而定。需说明采集方式、遵守目标网站协议、不涉及个人信息与侵权内容，并提供相应证明；来源存在瑕疵的语料难以通过合规审查，建议先做合规体检再申报。

Q：语料登记会公开数据内容吗？
A：不会全量公开。登记提交的是数据集合的存证摘要、加工说明与应用场景描述等材料，不是语料全文；具体披露范围以各登记平台规则为准。

Q：语料确权对 AI 企业有什么实际价值？
A：权属清晰的语料可用于数据交易所挂牌、对外授权、数据资产入表与质押融资，也是应对训练数据权属争议时的重要凭证。