微软 MAI 模型训练数据来源与宣传说法存在出入

微软最新发布的 MAI 系列 AI 模型，其训练数据的来源引发了争议。微软此前在宣传中强调，该系列模型“完全基于干净数据从零开始训练，未使用来自第三方模型的蒸馏数据”，并声称仅采用“企业级、干净且商业授权数据”。

然而，根据微软官方披露的 MAI 技术论文，这些模型实际采用了“公开可得数据”与“授权的人类生成数据”的混合方案，其中部分数据来自 Common Crawl 等开放网络数据。这与微软此前对外强调的“企业级、干净且商业授权数据”表述存在明显落差。

在数据获取方式上，微软称其使用自有爬虫并遵守 robots.txt 协议。但争议在于，对于未明确屏蔽的内容，微软默认视为可抓取，这种逻辑被批评为“没有锁门就等于同意进入”，将内容保护责任更多转嫁给了网站所有者。