微软近期推出的MAI系列人工智能模型，其训练数据的来源引发了广泛关注。据科技媒体The Decoder最新报道，该系列模型在训练过程中部分采用了未获授权的开放网络数据，这与微软此前声称的“仅使用企业级、干净且商业授权数据”的承诺存在出入。

微软在推广MAI系列模型时，曾强调其“完全基于纯净数据从零训练，未采用第三方模型的蒸馏数据”。但根据官方发布的MAI技术论文，实际训练数据来源并不纯粹。论文指出，这些模型不仅使用了商业授权数据，还部分包含了来自Common Crawl等开放网络的数据。

数据混合方案引发争议

根据技术论文的描述，微软采用的是“公开可获取数据”与“授权人工生成数据”的混合策略。这意味着训练语料库既包含授权内容，也涵盖互联网上的公开数据。关于网络数据采集方式，微软表示其使用了自有爬虫，并遵循Robots Exclusion Protocol（机器人排除协议，即robots.txt）以及相关的元标签和HTML控制指令。

然而，争议的核心在于：对于未明确禁止访问的内容，微软的爬虫默认视为允许抓取。外界将这种逻辑比喻为“没锁门就等于允许进入”，实质上将内容保护的责任更多地推给了网站所有者。这一做法与微软此前对外宣称的“企业级、干净且商业授权数据”形成了显著反差。