AI 的資料授權：為什麼爬來的資料不能用
以下從五個層面說明，為什麼爬來的資料在實務上「不能用」，而不只是「有點風險」。
理由一：著作權重製與改作的紅線
如前所述，爬蟲的第一個動作就是重製。雖然各國對「合理使用」的認定標準不同，但通常會考量四個因素：使用的目的與性質（商業性或教育性）、著作的性質、使用的比例與實質性、以及對原著作市場的影響。AI 訓練幾乎必然涉及「商業目的」與「大規模重製」，而模型輸出有時甚至會「記憶」並重現原文片段，這對原著作市場造成直接替代效果。這正是《紐約時報》訴訟的核心主張之一。
換句話說，當你的模型能夠生成與訓練資料高度相似的內容時，法院很難認定這是「轉化性使用」（transformative use）。一旦被認定侵權，賠償金額可能以「每一件著作」計算，規模化爬取的情況下，金額會是天文數字。
理由二：資料庫權利與網站契約條款
除了著作權，還有兩層常被忽略的權利：
此外，robots.txt 雖然不是法律，但它是網站經營者表達「不歡迎爬取」的明確意思表示。刻意繞過 robots.txt、偽造 User-Agent、使用代理 IP 規避封鎖，這些行為在訴訟中都會被視為「惡意」，大幅提高敗訴與懲罰性賠償的機率。
理由三：個資與隱私風險
爬下來的資料裡，往往混雜著大量個人資料：論壇帳號、對話紀錄、履歷、醫療討論、地理位置、甚至是未成年人的內容。這些資料一旦進入訓練集，就可能被模型「記住」，並在未來輸出時洩漏。GDPR、台灣《個人資料保護法》、中國《個人信息保護法》等法規，都對「蒐集」、「處理」、「利用」個人資料設下嚴格要件，包括：
必須有特定目的與合法基礎（同意、契約、正當利益等）。
必須告知當事人資料來源與利用方式。
當事人有查閱、更正、刪除（被遺忘權）的權利。
而「從網路上爬來」這件事，幾乎不可能滿足上述要件。你無法向數百萬名網友逐一取得同意，也無法在模型訓練完成後，有效地從權重中「刪除」某個人的資料。這使得爬取個資訓練模型，在隱私法規下幾乎注定違法。
理由四：資料品質與可追溯性不足
除了法律問題，爬來的資料在技術上也有嚴重缺陷：
這些問題在模型上線後會轉化為具體的商業成本：客訴、品牌傷害、合規稽核失敗，甚至產品下架。
理由五：商業風險與聲譽成本
最後，也是最現實的一點：投資人與合作夥伴越來越在意「資料權利是否乾淨」。在併購、募資、IPO 的盡職調查中，「訓練資料來源」已經成為標準提問。若發現核心資料來自未授權爬取，可能導致：
估值下修或交易破局。
被要求提撥鉅額賠償準備金。
遭內容產業聯合抵制、公開點名。
無法進入對合規要求嚴格的市場（如歐盟、日本、美國部分州）。
聲譽的損失更難量化。當一家 AI 公司被貼上「內容小偷」的標籤，要重新贏得創作者與企業客戶的信任，往往需要數年時間。
三、國際法規與判例趨勢：紅線正在快速收緊
過去几年，全球對 AI 訓練資料的規範從「模糊」走向「明確」，企業若還停留在「先做再說、被抓再說」的心態，風險只會越來越高。
歐盟：AI Act 與 GDPR 的雙重夾擊
歐盟《人工智慧法》（AI Act）要求通用型 AI 模型提供者必須揭露訓練資料的摘要、遵守著作權法，並允許權利人選擇退出（opt-out）。同時，GDPR 對個資處理的嚴格要求，使得「大規模爬取個資訓練模型」幾乎不可能合規。歐盟資料保護委員會（EDPB）也曾明確表示，AI 模型若儲存了可識別的個人資料，即受 GDPR 規範。
美國：合理使用仍是主戰場
美國目前沒有專門的 AI 訓練資料法，主要靠著作權法中的「合理使用」判例。近年幾起判決出現分歧：有些法院認為「用作品訓練模型」具轉化性，偏向合理使用；但也有法院強調，若模型能重現原著作、或訓練涉及盜版取得，則難以主張合理使用。可以預期，未來幾年會有更多上訴與最高法院層級的釐清，但在塵埃落定前，企業承擔的訴訟風險仍然可觀。
亞洲：日本、中國、台灣的發展
日本著作權法第 30 條之 4 對「資訊分析」設有較寬鬆的例外，但也附有「不得傷害著作權人利益」的限制。中國則透過《生成式人工智能服務管理暫行辦法》，要求訓練資料必須來源合法、不得侵害智慧財產權。台灣方面，雖然尚未有專法，但《著作權法》的合理使用規定與《個人資料保護法》同樣適用，且智慧財產局與司法實務的態度逐漸明確。整體而言，「授權」正在成為全球共同的合規基準。
四、企業該怎麼做：從「爬」到「授權」的實務路徑
既然爬取資料不可行，企業該如何建立可持续的資料策略？以下提供一套可落地的實務框架。
步驟一：建立資料治理與授權紀錄
首先，必須為每一筆進入訓練集的資料建立「履歷」：
來源 URL、取得時間、取得方式。
授權類型（CC 授權、商業授權、自有、公共領域）。
授權範圍（可否商用、可否改作、可否再授權）。
權利人聯絡方式與授權憑證。
個資含量評估與去識別化紀錄。
這套紀錄不只是合規需求，也是未來模型審計、爭議處理、客戶盡職調查的基礎。建議以「資料血緣」（data lineage）系統化管理，並定期稽核。
步驟二：分層取得授權，建立長期合作
授權不是一次性採購，而是長期關係的經營。實務上可以分層進行：
購買商業資料集：透過資料市集取得已授權、已清洗、可追溯的訓練資料。
步驟三：以合成資料與替代方案降低依賴
並非所有任務都需要真實世界的爬取資料。合成資料（synthetic data）、資料增強、差分隱私、聯邦學習等技術，可以在降低個資與著作權風險的同時，維持模型效能。此外，針對特定領域，可以改採「少量高品質授權資料＋微調」的策略，而非無限制地擴大爬取規模。
步驟四：尊重退出機制與下架請求
即使已完成授權，仍應建立 opt-out 與下架處理流程，讓權利人與當事人能夠要求移除資料或停止利用。這不僅是法規要求，也是展現企業責任、維繫品牌信任的關鍵。
五、常見問答
Q1：只爬「沒有著作權標示」的網頁，就沒問題嗎？
不行。著作權在作品完成時即自動產生，不需要標示。沒有 © 符號，不代表沒有著作權。唯一安全的情況是資料明確屬於公共領域，或授權條款允許商業利用與改作。
Q2：用爬來的資料訓練模型，但模型輸出沒有重現原文，也算侵權嗎？
可能仍然構成侵權。侵權的判斷點在「重製」與「改作」的行為本身，而不只是輸出結果。也就是說，訓練過程中的重製行為，就可能已經侵害著作權。輸出是否重現原文，則是影響損害賠償與合理使用判斷的因素之一。
Q3：小規模、非商業的研究用途，可以爬資料嗎？
風險較低，但不代表零風險。研究用途在部分法域可能主張合理使用或學術例外，但仍需遵守 robots.txt、網站條款與個資法。若研究成果後續被商業化，原本的「研究例外」就可能失效。
Q4：我們已經用爬來的資料訓練好模型了，現在補救來得及嗎？
可以補救，但難度較高。實務做法包括：停止使用該資料、重新以授權資料訓練或微調、建立資料移除機制、與權利人協商授權或和解、以及進行模型審計以評估風險。越早處理，成本越低。
結語：資料的價值，來自於「乾淨」
AI 的競爭，表面上是模型與算力的競爭，本質上卻是「資料品質與資料權利」的競爭。爬來的資料或許能讓你在三個月內做出一個看起來很厲害的 Demo，但它同時也種下了法律訴訟、合規稽核、品牌信任與商業擴張的長期風險。相對地，願意投入時間建立授權管道、治理框架與退出機制的團隊，雖然起步較慢，卻能走得更遠、更穩。
對台灣的 AI 團隊而言，這更是一個策略選擇的時刻。我們沒有超大規模的內部資料，也沒有無上限的授權預算，但我們有活躍的創作者社群、成熟的內容產業與靈活的商業模式。與其加入「先爬再說」的紅海，不如及早建立「授權優先」的資料生態，讓資料的價值建立在尊重與共創之上。畢竟，能被合法使用、被追溯、被信任的資料，才是真正能放進產品、放進財報、放進未來的資料。
下一次當你想寫下第一行爬蟲程式碼時，不妨先問自己一個問題：這些資料，我真的有權利使用嗎？如果答案不夠肯定，那麼答案就是——不能用。