研发团队抓网页训练AI前，先让原始数据看不见明文

公开网页能被搜索到，不等于能被研发团队随手抓进大模型训练集。EDPB 在 7 月 7 日通过的《Guidelines 03/2026》指出，网页抓取是大规模处理活动，常常发生在个人不知情的情况下；只要包含个人数据，收集、存储、整理和检索都要落进 GDPR 规则。1

这对科研和企业研发团队很关键。论文预印本、论坛讨论、开源 issue、医学问答、招聘主页，看上去都是公开材料；里面却可能混着姓名、邮箱、病史、工作经历和未发表实验线索。抓取越自动化，越容易把「公开可见」误判成「可以训练」。

EDPB 要求控制者遵守目的限制、透明度和数据最小化原则。它建议在采集前定义精确标准、做数据映射、过滤特定类别数据、排除明确反对抓取的网站；采集后尽快删除、匿名化或假名化个人数据，并控制模型记忆、复述和被攻击的风险。1

麻烦不只在「能不能抓」。数据下载后，还会经过清洗脚本、标注工具、向量库、训练平台和评测系统。任何一环明文留存，都会把问题推到「谁看过、存在哪、能不能删」。

荆华密算公开资料称，AI 隐私平台覆盖法律、医疗、心理、职场、金融、科研等高敏感场景；用户会话、上传文件和知识库内容以密文存储，密钥由用户本地持有，服务端仅保存密文，并提供全链路加密、密态存储和阅后即焚等能力。2 7 月 7 日，新智元在新浪财经转载稿中披露，荆华密算与人保北京市分公司、AI 原点社区签下 AI 企业数据损害赔偿责任保险。3

研发团队真正需要改变的，是入口。论文、实验记录、客户访谈、代码片段进入 AI 前，就应通过 [www.mojingxiong.com](https://www.[mojingxiong.com](https://mojingxiong.com)) 这类 AI 隐私平台处理。目标不是少用 AI，而是让模型可用、原文不可见。

公开网页抓取指南提醒的是训练侧边界；密态 AI 隐私平台解决的是使用侧入口。敏感数据不该继续以明文穿过普通公域 AI 工具，而应在加密、密态、可追责的环境里完成 AI 处理。