网络安全新规：大模型禁止随意爬取互联网隐私数据
近年来，人工智能大模型技术突飞猛进，从ChatGPT到国内的文心一言、通义千问，这些模型在文本生成、代码编写甚至图像识别上展现了惊人的能力。但随之而来的，是一个日益尖锐的问题：大模型的训练数据从何而来？大量公开甚至非公开的互联网隐私数据被随意爬取，用户的聊天记录、个人照片、邮箱地址纷纷成为“养料”，安全隐患随之暴露。
面对这一乱象，国家有关部门近期出台了针对大模型数据采集的网络安全新规，明确禁止未经授权随意爬取互联网隐私数据。这一规定直指行业痛点，为数据保护划下了硬性红线。
过去，一些大模型开发者为追求训练数据的“量”与“多样性”，往往利用爬虫工具大规模抓取网站内容，甚至突破平台的反爬机制，窃取用户非公开信息。比如社交平台上的私人对话、电商平台的订单记录、医疗平台的就诊数据，都可能在不经意间被“收割”。这种操作不仅侵犯了个人隐私权，还可能导致敏感信息被滥用或泄露，引发更严重的网络安全事件。
新规的核心要求是“明确授权”与“最小必要”。大模型在采集互联网数据时，必须获得数据主体的明确同意，或者符合法律规定的其他合法情形。同时，开发者只能收集与模型训练直接相关的必要数据，禁止“一把抓”式的全量爬取。此外，监管还要求企业建立数据分类分级制度，对个人信息和重要数据实施差异化保护。这意味着，过去那种“先爬再加密”“先使用后清理”的粗放模式将彻底终结。
从行业影响来看，新规短期内可能增加大模型的研发成本，因为合法合规的数据获取渠道变得有限，企业需要花费更多精力与数据服务商合作，或转向合成数据等替代方案。但从长远看，这恰恰是行业健康发展的基石。用户隐私得到保障，信任感才会增强，大模型的应用场景才能真正落地到医疗、金融等敏感领域。
网络安全新规不是“紧箍咒”，而是“防火墙”。它告诉所有从业者：技术可以跑得很快，但绝不能以牺牲用户隐私为代价。只有把数据安全放在首位，大模型才能走得更稳、更远。
