EDPB于2026年7月7日通过《生成式人工智能语境下网络抓取指南 03/2026》公众咨询版本。指南覆盖来源选择、角色认定、透明度、数据最小化、合法利益、特殊类别个人数据以及模型输出控制。本文提供结构完整的中文全文翻译，并附企业落地要点。

EDPB 于2026年7月7日通过了《生成式人工智能语境下网络抓取指南 03/2026》公众咨询稿，讨论私营实体为了训练或微调生成式人工智能模型，从外部互联网来源抓取数据，或者使用他人已经抓取的数据集时，怎样处理 GDPR 合规问题。训练数据长期处在模型治理的上游，很多风险到了训练完成后才被发现，届时再处理往往已经十分困难。这份指南的价值，在于把法律要求放进数据收集、训练和模型使用的全过程。我选择全文翻译，也是希望读者能够看到这些要求怎样落到具体环节。

指南的讨论范围限于 GDPR 下的个人数据保护。网络抓取还可能涉及版权、数据库权、网站服务条款、反不正当竞争以及计算机系统访问规则，这些问题仍需另行分析。即使某项处理能够通过 GDPR 审查，也不能据此推导出抓取行为在其他法律维度同样成立。当前文本仍处于公众咨询阶段，企业可以用它检查现有做法，同时需要继续关注 EDPB 后续版本和监管实践。

公开网页仍有使用边界

指南首先纠正了一个常见误解：个人信息可以在网页上被看到，不代表数据主体同意它被用于人工智能训练。网站没有设置 robots.txt，也不会因此产生 GDPR 意义上的同意。即便人们知道网上内容可能被第三方接触，控制者仍不能笼统推定数据主体对任何主体、任何目的和任何数据类型的处理都已有合理预期。来源网站的性质、访问限制、数据类型以及平台向用户作出的说明，都要放回具体场景中判断。

robots.txt、ai.txt 和 CAPTCHA 等反抓取信号在指南中承担了几种不同作用。它们缺席时，不会自动产生同意；网站设置这些限制后，控制者在落实数据最小化时应当考虑排除相关来源；如果数据主体知道网站采取了限制措施，第三方仍然抓取，其对这种处理具有合理预期的可能性也会降低。这些信号虽然不能单独决定处理是否合法，却会同时影响来源选择和合法利益权衡。

合法利益需要落实到数据选择

EDPB 没有认定大规模训练天然违反数据最小化原则，但控制者需要说明所处理的个人数据与目的之间的关系，并把范围压缩到必要限度。“模型需要更多数据”无法替代必要性分析，数据来源和收集标准应在抓取开始前确定，包含高度私密信息、主要面向未成年人或者明确反对抓取的网站也需要提前识别。抓取期间和入库之后，还要使用过滤、合成数据、匿名化或假名化等措施，减少无关个人数据进入训练集。

私营实体很可能考虑以合法利益作为处理依据，但这需要经过完整论证。企业要先说明所追求的利益真实、明确并且现实存在，再判断个人数据处理是否必要，有没有同样有效且侵扰更低的方案，最后结合数据性质、处理规模、潜在后果和数据主体的合理预期完成权衡。缓解措施会影响权衡结果，但不能替代控制者原本就应履行的 GDPR 义务。

透明度需要有可核查的来源记录

大规模抓取可能涉及数量庞大、年代久远且难以识别的数据主体，逐一告知有时确实不可能，或者会带来不成比例的工作量。控制者需要对这一例外作出论证，并且仍要公开提供 GDPR 第14条要求的信息，说明数据类别、处理目的、合法性基础、来源类型和爬虫特征。EDPB 还把以可检索方式提供被抓取网页的域名、网址以及收集日期或期间列为良好做法。因此，一份面向抓取活动的透明度说明应尽量与实际来源记录相互对应，后续发生权利请求时也能据此查找相关数据。

指南同时提醒，控制者无须为了履行 GDPR 而额外收集信息来识别原本无须识别的数据主体。企业设计访问、反对、退出和删除流程时，需要同时考虑第11条的边界，在必要时允许数据主体提供补充信息完成识别和匹配。对于能够匹配的数据，可以继续追踪到原始数据、训练集版本和相关模型；暂时无法落实到模型层面的请求，则应保留技术限制、风险判断和替代措施的记录。

特殊类别个人数据仍受严格限制

指南援引 GC 等人案，讨论采取防止措施后仍然偶然、残余地收集特殊类别个人数据的情形。EDPB 没有据此创造新的第9条例外，也没有认定偶然抓取当然合法。搜索引擎判例中的“责任、权力和能力”逻辑，对于特定人工智能训练抓取活动可能具有参考价值，但要先逐案确认处理活动和具体情形具有足够相似性。企业如希望援引这一有限责任范围，还需证明自己在抓取前、抓取后、模型开发期间和部署以后采取了与风险相关且能够有效运行的措施。

这里真正值得关注的是技术能力与法律责任之间的联系。控制者能够采取哪些措施，已经采取的措施是否有效，以及新技术出现后有没有及时更新，都会进入责任范围的判断。指南要求的证据也因此超出了制度文本，还包括过滤记录、删除结果、模型测试、输出监测和定期复核。企业很难仅凭一份政策证明自己已经在“责任、权力和能力范围内”尽到义务。

准确性还要看到模型输出

指南对准确性的讨论延伸到了训练完成之后。控制者应从可靠且持续维护的来源抓取数据，记录抓取时间，并在训练前核验格式和抽查事实；如果模型预计会输出构成个人数据的信息，相关输出也应符合准确性原则。这项要求与模型幻觉、陈旧信息和错误归因直接相关，尤其值得会生成人物履历、联系方式或身份信息的产品团队关注。训练集清洗只能解决其中一部分问题，模型上线后的准确性测试、纠错和更新机制同样重要。

以下内容是我依据指南提出的实施建议，方便企业把原文要求转换为内部控制和证据安排。可以先选择一个真实训练项目，把网址发现、抓取、清洗、数据集构建、模型训练、微调、部署和输出监控画成处理活动图，再逐段记录目的由谁决定、数据来自哪里、保留多长时间以及采用了哪些关键技术措施。委托第三方抓取不会自动转移责任，共同决定来源和收集标准时，还要评估双方是否形成共同控制关系。

项目台账可以围绕目的、必要性和来源展开，避免用“改进模型”概括所有处理。业务团队需要说明个人数据在实现目标中的具体作用，比较范围更窄的来源、假名化数据和合成数据能否达到相同效果，并让这些分析与来源清单、排除规则和合法利益评估相互对应。抓取和清洗规则也要保留版本，记录反抓取信号、过滤命中、例外批准和删除结果，才能在后续审查中还原当时的数据选择过程。

权利响应机制需要与这些记录衔接。企业可以评估访问、反对、退出和删除请求能够追踪到哪些数据层级，并为第11条情形设计补充识别信息的提交和匹配路径。对能够重新识别的数据主体，可以设置在下一次抓取前生效的退出名单；对模型层面暂时无法删除的数据，应当留下技术说明并评估其他降低风险的措施。这套流程是否有效，最终仍要通过实际请求和抽样测试来检验。

可问责性依赖持续积累的运行证据。来源与抓取规则版本、过滤日志、删除记录、合法利益评估、数据保护影响评估、准确性抽查、模型记忆与复现测试、隐私攻击测试以及权利请求处理记录，都可以成为审计材料。企业还应定期复核这些措施是否继续有效，并根据模型能力和技术水平的变化作出调整。沿着“来源选择—抓取—清洗—训练—输出—权利请求”完成一次端到端检查，通常比重新写一份原则性政策更容易发现真实断点。

阅读后面的全文时，可以重点观察每项义务落在哪个处理阶段，以及控制者需要保存什么证据。指南没有给出一张可以直接照用的网站白名单，也没有提供自动成立的合法性基础。它呈现的是一条贯穿来源、数据集、模型和输出的问责链，读者可以结合自己的训练项目逐段对照。

网络抓取是一种常用技术，用于从公众可访问的网络服务中提取大量数据。它是一项大规模处理活动，并且经常在数据主体不知情的情况下进行。这会给个人的权利和自由，尤其是其个人数据受保护的权利，带来特别风险。

本指南聚焦于为训练生成式人工智能而从互联网来源抓取数据的情形。指南涵盖组织自行从组织外部的互联网来源抓取数据，或者委托另一方进行抓取的情形。指南仅适用于私营实体开展的网络抓取。

当网络抓取包含个人数据的收集、存储、整理和检索等处理操作时，GDPR 即适用。当网络抓取所收集的数据包含个人数据时，满足 GDPR 的某些要求可能颇具挑战。

为创建人工智能训练数据集，可能有不同组织以不同程度参与数据收集过程。对于参与各项处理的组织应被认定为控制者、共同控制者还是处理者，应当逐案分析。

控制者必须遵守目的限制原则以及透明度原则。就后者而言，这包括向数据主体告知其个人数据处理情况的义务。根据数据处理的具体设计方式，如果提供信息被证明不可能或需要付出不成比例的努力，控制者可能无需就网络抓取逐一通知数据主体。

为遵守数据最小化原则，控制者应当采取措施，确保仅收集实现预定目的所必需的信息。此类措施可以包括：在收集数据之前，考虑使用合成数据代替个人数据；界定精确的收集标准；开展数据映射和盘点；应用过滤器排除对某些类别数据的收集；将结构上包含某些类型数据的网站以及明确反对抓取的网站排除在收集范围之外。收集数据之后，控制者可以应用基于语法的过滤机制，并在可行的情况下，以合成数据替换部分或全部真实数据，或者对数据进行匿名化或假名化。

为确保个人数据的准确性，建议控制者从可靠来源进行抓取，为数据加注时间戳，并在将其用于人工智能训练之前验证数据。

私营实体为生成式人工智能训练而进行抓取时，经常以合法利益（GDPR 第6条第1款(f)项）作为合法性基础。为合法适用第6条第1款(f)项，必须同时满足三个条件：控制者或第三方追求合法利益；为实现所追求的合法利益而处理个人数据具有必要性；数据主体的利益、基本权利和自由并未优先于控制者或第三方所追求的合法利益（即通过所谓的“权衡测试”）。作为权衡测试的一部分，控制者可以采取技术或组织措施，以缓解在生成式人工智能语境下进行网络抓取时发现的任何风险。

此类缓解措施可以包括但不限于：确保不收集某些数据类别，或者默认将某些来源排除在数据收集之外；将收集限于可自由访问的数据；建立有助于提高透明度的保障措施；便利个人行使权利；尽快删除个人数据或将其匿名化，并对个人数据进行假名化。与人工智能开发后续阶段相关的其他补充措施同样具有相关性，例如采取措施，限制人工智能模型或系统发生记忆、复现或遭受攻击的风险。

原则上禁止处理特殊类别个人数据。对于涉及处理特殊类别个人数据的网络抓取，除须具备 GDPR 第6条规定的合法性基础外，还须适用第9条第2款规定的例外。EDPB 认为，如果控制者采取技术和组织措施防止数据的收集和传播，法院在 GC 等人案（C-136/17）中的裁决，对于评估控制者在为训练人工智能模型而进行网络抓取时，“在其责任、权力和能力范围内”偶然、残余地收集特殊类别个人数据的情形，可能具有相关性。EDPB 提醒，控制者应当个案分析该判决的论证能否在特定处理活动中加以参照。

— 从来源到输出的问责链

欧洲数据保护委员会：

鉴于欧洲议会和理事会2016年4月27日关于在个人数据处理方面保护自然人、关于此类数据自由流动并废止第95/46/EC号指令的《条例（EU）2016/679》（以下简称“GDPR”）第70条第1款(e)项；

鉴于《欧洲经济区协定》，特别是其附件十一和第37号议定书（经2018年7月6日欧洲经济区联合委员会第154/2018号决定修订）；

鉴于其《议事规则》第12条和第22条；

通过如下指南：

1. 本指南旨在澄清 GDPR 下，为开发生成式人工智能（AI）而进行网络抓取所涉及的法律和技术问题。生成式人工智能是一种通过学习现有数据中的模式来创造新内容的技术。它使用专门的机器学习模型，旨在生成文本、图像或音频等广泛而多样的输出。

2. 生成式人工智能模型通过不同阶段构建，包括训练以及相关情况下的微调。训练生成式人工智能模型需要来自不同来源的海量数据。在人工智能训练语境下，网络抓取用于从互联网上公众可访问的来源收集大型数据集；这些数据集不仅可用于训练新的生成式人工智能模型，也可用于针对特定使用场景微调现有模型。

3. 为训练人工智能模型而抓取数据的典型情形如下：

4. 本指南将聚焦于上述情形。本指南不讨论如下数据经纪商的角色：其抓取数据后，仅持有数据集供其他组织使用，而自身并无训练人工智能模型的意图。

5. 此外，本指南聚焦于从组织外部来源获取（抓取）个人数据的情形，不讨论组织处理其自有个人数据的情形。这并不意味着被排除的情形不受数据保护法律规范。

6. 鉴于为开发生成式人工智能而进行的网络抓取主要由私营部门主体实施，本指南也仅聚焦于私营实体开展的网络抓取。

7. 网络抓取是一种常用技术，它利用自动化工具从公众可访问的网络服务中提取并存储信息，例如公共登记簿、开放数据门户、新闻媒体、社交媒体、讨论论坛和个人网站（“博客”）。这些网站中有许多很可能包含个人数据。

网络抓取与内容的类型

8. 根据收集活动的具体程度和限制程度（而非所使用的技术工具），可以对定向抓取和非定向抓取作一项总体区分：

定向抓取依据限制程度不一的收集标准进行。例如，标准可以是：所有以 europa.eu 结尾的网址、以特定语言编写内容的网址，或者涵盖特定主题的网址。

非定向抓取（例如不设收集标准的网络爬取）在限制较少的基础上进行，软件获准探索并跟随每一个发现的链接，继续开展探索。这可以通过网络爬虫完成；网络爬虫会自动更新待访问网址清单，并存储服务器响应。这一过程由爬虫程序（spider）完成，即预先接收指令（任务）的小型软件程序。此类任务可以是：“将你在爬取所列网址时遇到的所有网址加入清单。”任务也可以限制待访问网址清单，例如：“只要仍处于 www.edpb.europa.eu 域名范围内，就跟随所有链接。”根据向爬虫程序发出的指令，一份相对较短的网址清单，可能随着爬虫不断发现新网址并将其加入待访问页面队列而显著扩张。由于相关网址不断增加，这可能导致互联网中很大一部分被探索和搜索。这会增加如下风险：控制者对所收集和处理的个人数据知之甚少。

9. 还可以区分网站中的静态内容和动态内容。在同一网站或网页上同时使用静态内容和动态内容，是常见做法。

静态内容不会因用户行为而改变（例如博客中某一篇帖子的文本）。从网页抓取静态内容时，目标数据直接存在于网页的 HTML 中，因此只需获取并解析页面即可提取。以静态网站为目标的大多数抓取工具，都依赖 HTML 的直接结构定位所需数据。

动态内容可以为响应用户行为而发生变化（例如用户向下滚动页面时加载更多内容）。从网页抓取动态内容时，网络爬虫需要在内部渲染页面，模拟人类用户与页面的交互。此类抓取工具等待页面渲染出附加内容，再读取并提取动态渲染的数据。

10. 网站经常改变其结构。抓取工具可能需要定期监控和更新，才能继续正常运行（例如，需要更新后的数据以使模型准确运行时）。

网络抓取过程的不同步骤

11. 网络抓取过程通常可以分为若干独立步骤。

第一步与界定数据收集标准有关。这包括根据后续人工智能开发的目的等因素，界定将被抓取的相关来源，同时界定其他标准，以排除收集处理活动并不需要的个人数据。如果按照选择标准得到相应指令，抓取工具可能利用在来源处发现的链接，更新待访问网址清单。这一步还意味着采取措施，将某些来源排除在收集范围之外（例如通过 robots.txt 或 CAPTCHA 等措施反对网络抓取的网站）。更多详情见第3.2.2部分关于数据最小化的内容。

第二步是“提取”，其间将选定来源中的数据传输至指定存储位置。

第三步是“清洗”。自动化过程传输的原始数据通常需要经过清洗，以提高数据质量，例如避免重复数据、删除无关的 HTML 标签或代码、统一格式（如日期、数字），以及删除不必要的数据。

第四步是“结构化和存储”。在此期间，构建训练数据集的组织可能会适用进一步规则，通过排除低质量互联网内容来细化数据。完成该细化步骤后，剩余数据将被整理为可用格式。

3.1 一般说明

12. 当网络抓取包括提取、清洗、结构化和存储个人数据等处理操作时，GDPR 即适用。例如，相关数据可能直接识别个人（如姓名、照片或联系方式），也可能间接识别个人（即考虑所有合理可能使用的手段后，可以与可识别个人建立联系的信息）。

13. 使用网络抓取收集个人数据时，遵守 GDPR 的某些要求可能颇具挑战，例如：依据 GDPR 第6条确定处理的合法性基础；履行第9条关于处理特殊类别个人数据的义务；遵守对数据主体确保透明度的义务（GDPR 第5条第1款(a)项及第12至14条）；以及遵守包括但不限于目的限制（第5条第1款(b)项）、数据最小化（第5条第1款(c)项）、公平性（第5条第1款(a)项）和准确性（第5条第1款(d)项）等原则。EDPB 提醒，对于“混合”数据集（同时包含个人数据与非个人数据），GDPR 适用于其中个人数据的处理。组织必须审慎考虑这些要求。组织开展抓取活动的方式，应当使其能够确保遵守这些原则和要求；同时，应当纳入保护个人数据的保障措施，以便利 GDPR 合规并避免侵害个人权利。

14. 在数据主体通常并不知情的情况下，收集海量个人数据以及可能的敏感数据，¹ 可能使控制者获得关于数据主体的极为详尽的信息，无论这是否出于其本意。考虑到网络抓取的技术特征和目的，实施抓取的组织以及取得抓取数据的组织，可能难以准确确定数据集中包含哪些个人数据，以及这些数据涉及哪些数据主体。因此，在为人工智能开发处理此类数据集时，如何满足 GDPR 第5条第2款规定的可问责性原则，并不显而易见。尽管如此，控制者仍必须满足第5条第2款的合规要求。此外，如果人工智能模型记忆并复现训练数据集中所含数据，将给个人隐私和数据主体权利带来额外风险。人工智能模型记忆的信息可能被直接用于任意目的。其他风险还包括：人工智能模型可能利用关于某一数据主体的训练数据，并结合关于其他数据主体的附加信息，推断出该个人的更多信息。模型基于训练数据形成的推理能力，也可能给个人带来额外风险。

15. 总之，网络抓取可以成为生成式人工智能开发的有力工具，但会带来重大数据保护风险。本指南旨在帮助控制者在使用网络抓取训练生成式人工智能时，理解并应对 GDPR 的要求。

3.2 关于 GDPR 具体规定的指引

3.2.1 控制者／共同控制者／处理者

16. 为创建人工智能训练数据集，可能有不同组织以不同程度参与数据收集过程。对于参与各项处理的组织在 GDPR 意义上应如何定性（即控制者和处理者），应当个案分析。定性应当源自对案件事实要素或具体情况的分析，包括有关数据处理的组织方式。² 不过，仍可提出以下一般性考虑：

17. 实施抓取的组织，不必然是 GDPR 下的控制者。

18. 可能存在如下情形：计划训练人工智能模型的组织（人工智能开发者）委托另一方实施抓取（抓取方）。如果抓取方代表人工智能开发者，并依据其书面指示（尤其是关于数据来源和类别方面如何构成数据集的指示）创建训练数据集，抓取方可以被视为处理者。人工智能开发者通常就抓取的目的和基本手段决定相关指示，因此将被视为控制者。

19. 人工智能开发者使用已由另一实体（抓取方）抓取的数据集训练人工智能模型时，有必要区分不同数据处理活动的责任。原则上，抓取方和人工智能开发者各自对其独立的处理活动负责，因为二者分别决定其各自处理活动的目标和基本手段。原则上，抓取方不对数据的再利用负责。

20. 抓取方和人工智能开发者也可能共同对处理活动负责。当抓取方和人工智能开发者共同决定处理的目的和手段时，便可能属于这种情形。

3.2.2 与个人数据处理有关的原则

合法性

21. 个人数据应当以合法、公平且对数据主体透明的方式处理。³ 在评估个人数据处理是否合法时，作为控制者的生成式人工智能模型开发者，必须考虑其拟使用的数据集（包含抓取的数据），和／或其拟从中抓取数据的网站类型。

22. 此外，网络抓取个人数据的目的本身也应当合法。⁴

目的限制

23. 收集个人数据应当基于具体、明确且合法的目的，不得以与这些目的不相容的方式进一步处理。EDPB 已在《关于人工智能模型语境下个人数据处理若干数据保护问题的第28/2024号意见》中，进一步阐述了人工智能模型开发语境下的目的限制原则。⁵

透明度

24. 个人数据的处理应当对数据主体保持透明。⁶ 这包括向数据主体告知其个人数据处理情况的义务。然而，从互联网抓取大量数据时，要有效识别并告知数据主体，往往十分困难、不可行，甚至在客观上不可能。这使遵守透明度原则颇具挑战。

25. 根据数据处理的具体设计方式，如果提供信息被证明不可能或需要付出不成比例的努力，网络抓取的控制者可能无需就网络抓取逐一告知数据主体（GDPR 第14条第5款(b)项）。

26. 不可能或需要付出不成比例的努力，通常发生在个人数据并非从数据主体处取得的情形。⁷

27. 尤其是为公共利益存档、科学或历史研究或者统计目的而进行处理时，在遵守 GDPR 第89条第1款所述保障措施的前提下，逐一告知数据主体可能不可能，或需要付出不成比例的努力。⁸ “尤其”一词表明，还可能存在其他无法告知数据主体或告知需要付出不成比例努力的情形；⁹ 但并非为了公共利益存档、科学或历史研究或者统计目的而处理个人数据的控制者，不应例行援引这一例外。¹⁰

28. 控制者拟援引 GDPR 第14条第5款(b)项的例外时，应当将其向数据主体提供信息所需付出的努力，与不向数据主体提供信息会给数据主体造成的影响和后果进行权衡。¹¹ 权衡应当针对整个数据集进行，而不是针对每一项个人数据分别进行，并应考虑：

29. 如果个人数据处理并不要求控制者识别数据主体，控制者没有义务仅为遵守 GDPR 要求而保存、获取或处理额外信息以识别数据主体。在此情形下，控制者无须履行第15至20条项下的相应义务，除非数据主体提供能够识别其身份的额外信息。¹³

30. 如果逐一告知数据主体被证明不可能或需要付出不成比例的努力，控制者必须采取适当措施保护数据主体的权利、自由和合法利益。根据第14条第5款(b)项，控制者必须始终采取的一项适当措施，是公开提供相关信息。¹⁴ 例如，可以在控制者网站上发布隐私政策和／或专项通知。该政策应当包含 GDPR 第14条第1至2款要求的信息，包括所涉个人数据类别、处理目的、处理的合法性基础，以及对数据来源的精确说明。相关信息尤其应当说明来源是公众可访问的来源还是非公众可访问的来源；如果数据是从在线来源爬取和抓取的，还应当包含爬虫的特征。如果提供完整来源清单不可能或需要付出不成比例的努力，则应当尽可能将来源列入清单，同时说明未列入清单的来源类型以及未将其列入的理由。

31. 在可能的情况下，最佳实践是提供被抓取网页的域名和网址信息，以可检索格式提供这些信息，并列明收集日期或期间。

32. 组织取得已抓取的数据集用于开发人工智能模型时，建议同时提供联系向其提供该数据集的控制者的方式。最佳实践是直接链接至网络抓取控制者的网站，并附上清晰、简明的说明，解释个人数据是在何种条件下收集的。此类信息应当使用清晰、平实的语言提供。

33. 还应当告知数据主体其在 GDPR 下享有的权利以及如何行使这些权利。信息应便于用户查找和理解。这样做不仅能使控制者满足 GDPR 要求，也能与个人数据遭到抓取的数据主体建立信任。

34. 除公开提供信息之外，根据处理活动的具体情况，用于保护数据主体权利、自由和利益的其他适当措施还可以包括：开展数据保护影响评估并予以公开；对个人数据应用匿名化或假名化技术；尽量减少所收集的数据和存储期限；以及采取技术和组织措施，确保高水平安全性。¹⁵

数据最小化

35. 数据最小化原则规定，个人数据应当与处理目的相适应、与之相关，并限于实现处理目的所必需的范围。¹⁶

36. 这意味着，控制者只能收集处理目的所必需的个人数据。抓取大量数据的同时将个人数据限制在实现预定处理目的所必需的范围内，固然是一项重大挑战，但数据最小化原则并不禁止使用大量数据训练人工智能模型或人工智能系统。相反，数据最小化原则要求不得处理不必要、不相关或不适当的个人数据。为遵守这一要求，控制者应当在抓取开始前进行评估，从而避免收集开发模型并不需要的个人数据。

37. 在收集数据之前，控制者应当：

38. 在收集数据期间及之后，控制者应当：

准确性

39. 准确性原则意味着，所处理的个人数据必须准确，并应当针对其具体处理目的保持更新。¹⁹ 如果使用抓取处理从不同来源和／或不可靠来源取得的数据，确保个人数据准确将十分困难，甚至不可能。如果抓取的个人数据长期存储并已不再是最新数据，遵守准确性原则也可能颇具挑战。

40. 准确性原则不仅适用于个人数据本身的收集和处理，也意味着控制者应当考虑人工智能训练的最终结果，以尽量减少错误输出的风险。如果人工智能模型投放市场后，预计会输出构成个人数据的数据，则该模型应当符合准确性原则。

41. 将个人数据收集限于必要范围，不仅对于遵守数据最小化原则至关重要，也有助于控制者开展个人数据映射，并使数据保持最新和准确。

42. 建议控制者在最大可能范围内：

3.2.3 处理个人数据的合法性基础

43. 在开展涉及收集个人数据或再利用抓取数据的抓取操作之前，控制者必须确定处理的合法性基础。²⁰ 私营主体在开发生成式人工智能的过程中进行抓取时，经常以合法利益作为合法性基础。对于私营主体在开发生成式人工智能的过程中实施的网络抓取，GDPR 第6条第1款所列其他依据通常较不可能适用。

同意

44. 同意很可能不是适用的合法性基础，因为个人数据以间接方式大规模收集时，往往难以取得个人的同意。从互联网抓取数据（作为“第三方数据”）²¹的组织与数据主体没有直接关系，并且很可能无法在抓取数据之前识别每一位数据主体并逐一取得其同意。

45. 有时，数据主体甚至不知道其数据已在网上公开。数据主体在网上提供其个人数据，例如将数据置于所有人均可访问的网页上，并不意味着数据主体同意为特定目的抓取其个人数据。特别是，网站不存在 robots.txt 文件，或者该文件不适用，并不构成 GDPR 意义上的同意。

合法利益

46. GDPR 第6条第1款(f)项规定，为控制者或第三方所追求的合法利益而处理个人数据具有必要性时，该项可以作为处理的合法性基础；但数据主体的利益、基本权利和自由优先于该合法利益的除外，尤其是在数据主体为儿童时。

47. 为合法适用第6条第1款(f)项，必须同时满足三个条件：控制者或第三方追求合法利益；为实现所追求的合法利益而处理个人数据具有必要性；数据主体的利益、基本权利和自由并未优先于控制者或第三方所追求的合法利益（即通过所谓的“权衡测试”）。²²

— 合法利益三步测试

条件一：合法利益

48. “利益”的概念与处理目的密切相关，但二者并不相同。²³ 利益是控制者或第三方从事特定处理活动时可能享有的更广泛权益或益处。GDPR 和欧盟法院已认可若干利益具有合法性，²⁴ 但对特定利益合法性的评估，应当以逐案分析为基础。

49. 正如 EDPB 在合法利益指南中所重申，如果一项利益合法、表述清晰准确、真实且现实存在而非推测性，则可被视为合法利益。²⁵

50. EDPB 此前指出，在人工智能模型语境下，下列示例可能构成合法利益：(i) 开发用于协助用户的对话代理服务；(ii) 开发检测欺诈内容或行为的人工智能系统；以及 (iii) 改进信息系统中的威胁检测。²⁶ 对于通用目的人工智能模型的开发和改进，即使尚未确定模型的具体用途，也建议说明开发模型所追求的目标，特别应说明该目标是商业性质、公共利益性质还是科学研究性质，以及是组织内部目标还是外部目标。

条件二：必要性

51. 评估的第二步，是确定为实现所追求的合法利益而处理个人数据是否必要。评估包括两个要素：²⁷ (i) 处理活动是否能够实现该目的；以及 (ii) 是否存在同样有效但侵扰性更低的目的实现方式。²⁸

52. 当训练生成式人工智能确有必要使用个人数据时，缩小收集标准以排除不必要的个人数据收集，而不是抓取互联网中的广泛部分，可能是确保满足必要性条件的关键。使用经过假名化的个人数据或合成数据，也可能是侵扰性更低的目的实现方式。

条件三：权衡测试

53. 权衡测试要求识别并描述相互对立的不同权利和利益，其中包括：一方面，数据主体的利益、基本权利和自由；另一方面，控制者或第三方的合法利益。处理对数据主体的影响以及数据主体的合理预期，也是权衡中的相关因素。²⁹

数据主体的利益、基本权利和自由

54. 在为训练生成式人工智能模型而进行网络抓取的语境下，数据主体的利益可以包括但不限于自决利益以及保持对其个人数据的控制，即原先为某一目的发布在网站上的数据，随后违背数据主体意愿或在其不知情的情况下，被抓取并用于生成式人工智能训练。³⁰ 此外，在人工智能开发阶段进行大规模、无差别的数据收集，可能使数据主体产生受监视感（“寒蝉效应”）。这可能导致个人进行自我审查，并可能削弱其表达自由。对表达自由产生“寒蝉效应”，可能源于人工智能模型被用于识别原本意图匿名表达的数据主体，尤其是人工智能模型连接网络搜索工具时；也可能源于人工智能模型被用于开展 GDPR 意义上的画像分析。³¹ 生成深度伪造内容（图片、视频、语音）也会增加对数据主体利益、权利和自由的潜在影响，并可能影响有关个人的人格尊严权。³²

处理对数据主体的影响

所处理数据的性质

55. 从互联网抓取数据时，应当注意：除分别依据 GDPR 第9条和第10条受到特别保护的特殊类别个人数据以及与刑事定罪和犯罪有关的数据之外，还可能抓取某些能够揭示高度私密信息的个人数据，例如位置数据或金融数据。还可能收集未成年人的个人数据。处理此类个人数据可能给数据主体带来重大后果，在评估侵扰程度时应当考虑这一点，尤其是在涉及未成年人个人数据的情况下。

56. 一般而言，拟处理数据的性质越敏感或越私密，处理这些数据越可能对数据主体产生负面影响，在权衡测试中也就应当赋予该因素更大权重。

处理的具体情境

57. 处理的具体情境和具体数据处理方法，可能影响处理对数据主体权利和利益造成的影响。EDPB 此前指出，在缺乏充分保障措施的情况下，开发阶段使用网络抓取可能给个人带来重大影响，原因在于所收集数据数量巨大、所涉数据主体人数众多，以及个人数据的无差别收集。³³

58. 由于互联网上发布的信息很少被删除，抓取的数据可能是在很长一段时间内陆续发布的。被抓取网站的数量越大，对隐私权和个人数据保护权等基本权利的干预就越严重。

对数据主体的后果

59. 预期的处理活动可能影响数据主体的权利、自由和利益。对数据主体的影响越大，控制者能够依赖合法利益的可能性就越低。

60. 实践中，数据主体可能难以行使其在 GDPR 下的权利并反对抓取其数据，尤其是在第三方实施抓取时。这意味着，即使数据主体知道其个人数据将被抓取，也很难使抓取工具无法取得这些数据。在生成式人工智能语境下，抓取带来的主要后果之一是：按照当前技术水平，模型一旦完成训练，便难以从模型中删除个人数据。

61. 分析处理可能造成的进一步后果时，还应考虑这些进一步后果实际发生的可能性。评估这种可能性时，应当考虑已采取的技术和组织措施以及案件的具体情况。³⁴

数据主体的预期

62. 在权衡合法利益与数据主体的利益或基本权利和自由时，数据主体的合理预期发挥重要作用。

63. 合理预期不一定取决于向数据主体提供的信息，因为仅仅履行 GDPR 第12、13和14条规定的信息义务，本身不足以认定数据主体可以合理预期某项具体处理。³⁵ 不过，在评估数据主体能否合理预期其个人数据受到处理时，可以考虑向数据主体提供的信息。³⁶

64. 鉴于近年来生成式人工智能的技术发展，人们可能知道其在网上发布的数据可能被第三方访问、收集和再利用。然而，不能认为其始终可以预期：在所有情形、为所有目的、基于所有控制者利益，并针对与其有关且可在线访问的所有类型数据，都会发生此类处理。此外，生成式人工智能模型的影响可能随模型能力变化，也可能随时间发生变化。控制者尤其应当考虑：

缓解措施的作用

65. 对于某项具体处理，如果数据主体的利益、权利和自由优先于控制者或第三方所追求的合法利益，控制者可以考虑采取缓解措施，限制处理对数据主体的影响。缓解措施属于保障措施，应当根据案件具体情况量身确定。此类补充措施不得与控制者为确保 GDPR 合规而无论如何均依法必须采取的措施混淆。³⁸ 如果数据主体的利益、权利和自由优先于所追求的合法利益，而控制者又未采取充分缓解措施，则处理不能以 GDPR 第6条第1款(f)项为依据。

66. 措施可以包括以下技术或组织措施：

a. 排除可能包含以下个人数据的网络发布内容或发布材料：此类个人数据一旦公开，可能使特定个人或群体遭受虐待、偏见甚至人身伤害；

b. 确保不收集某些数据类别，或者默认将某些来源排除在数据收集之外。这不仅对于遵守数据最小化原则十分重要，也有助于限制抓取对数据主体的影响。例如，可以排除因主题敏感而具有特别强侵扰性的某些网站；

c. 通过排除对某些个人数据的抓取来限制收集，例如：

d. 对收集施加其他相关限制，其中可以包括基于时间范围的标准；

e. 建立有助于提高透明度的保障措施。例如，控制者可以尽可能广泛地发布并提供有关数据收集和数据主体权利的信息（例如通过在线文章），并确保公布一份不断更新的被抓取网站清单；

f. 便利个人行使权利，包括设置一项由控制者酌情提供、且可以事先行使的反对权，以加强个人对其数据的控制。控制者还可以建立退出名单；数据主体可以提供能够在某些网站或在线平台上识别其身份的信息，从而反对收集其在这些网站或平台上的数据，包括在数据收集发生之前提出反对；

g. 尽快删除不必要的个人数据或将其匿名化；

h. 如 EDPB 假名化指南所述，假名化可以作为降低数据主体被直接识别可能性的一项措施。在某些情况下，可以通过占位符替换直接标识符，并在人工智能训练期间使用这些占位符；

i. 采取与人工智能开发后续阶段有关、用于保护相关个人数据的其他补充措施，包括限制人工智能模型或系统发生记忆、复现或遭受攻击风险的措施（例如去重）。

上述措施并非穷尽性清单。控制者应当逐案评估，确定哪些措施适当。

3.2.4 特殊类别个人数据

67. 原则上禁止处理特殊类别个人数据，例如揭示种族或族裔出身、政治观点，以及与健康或性取向有关的数据。⁴⁰ 对于有意抓取此类数据的情形，除须具备 GDPR 第6条规定的合法性基础外，还须适用第9条第2款规定的例外。

68. 尽管控制者应当采取措施防止收集此类个人数据，但在数据完成抓取、因而处理活动已经发生之前，并非总能合理确定抓取是否会导致收集 GDPR 第9条所界定的特殊类别个人数据。

69. 即使采取组织和技术措施，控制者仍很可能残余地处理其并无意收集和后续处理的特殊类别个人数据。如果此类处理无法依据欧盟数据保护法得到正当化，则控制者为人工智能开发而抓取此类个人数据将构成违法（但须遵循下文所述考虑）。

*GC 等人案*（C-136/17）

70. 对于搜索引擎活动语境下的个人数据处理，欧盟法院（以下简称“法院”）强调，处理和传播特殊类别个人数据，会对隐私权和个人数据保护权等基本权利构成特别严重的干预；搜索引擎活动并不豁免于 GDPR 第9条或第10条所载的禁止或限制。不过，法院承认，搜索引擎运营者所实施处理的具体特征，可能影响该运营者在上述条款下的责任和义务范围；⁴¹ 第9条第1款的禁止应当“在其责任、权力和能力范围内”适用。⁴²

71. 在此背景下，法院认为，第9条和第10条规定的禁止与限制之所以适用于搜索引擎运营者，是因为其在根据个人姓名进行搜索后，于搜索结果页面中对相关网页进行引用；对于该引用是否符合上述规定，应根据数据主体提出的请求进行核查。⁴³

责任、权力和能力测试

72. EDPB 认为，该判决对于评估为训练人工智能模型而进行网络抓取时偶然、残余地收集特殊类别个人数据的情形，可能具有相关性。⁴⁴ 该判决的论证只能在有关处理活动及具体情形与原判决相似时加以参照，不应被视为对 GDPR 第9条和第10条要求的一般性豁免。

— 特殊类别个人数据的四阶段控制

73. 控制者应当逐案分析是否满足以下条件：

a. 处理活动与法院判决所述搜索引擎的处理活动具有相关相似性；

b. 处理仅包括对特殊类别个人数据的偶然、残余处理，不包括任何有意处理；

c. 难以或无法评估处理是否以及在何种程度上包含特殊类别个人数据，因而难以或无法防止收集此类数据；以及

d. 控制者按照法院判决所述，“在其责任、权力和能力范围内”采取措施，防止传播特殊类别个人数据。

为开发生成式人工智能模型而进行网络抓取时的责任、权力和能力

74. 如果经逐案分析，特定处理活动符合 a 至 c 项所述条件，并且控制者“在其责任、权力和能力范围内”采取措施防止传播特殊类别个人数据，则 GDPR 第9条第1款规定的禁止，仅在控制者的责任、权力和能力范围内适用于该控制者（条件 d）。此类责任、权力和能力至少包括采取以下措施：

i. 在收集数据之前，控制者应当界定精确标准并应用过滤器，防止收集特殊类别个人数据。控制者还应当排除某些类别的网站，例如主要由未成年人使用的网站或社交网络；这些网站在结构上包含此类数据，例如关于未成年人等弱势人群的数据或某些敏感数据。

ii. 在收集数据之后，控制者应当确保，尽管采取上述措施仍可能被收集的特殊类别个人数据，在收集后立即从数据集中删除，或者一经识别便尽快删除。特别是，如果数据主体的请求构成可信迹象，表明有关数据确实属于 GDPR 第9条第1款规定的禁止范围，控制者应当根据其请求删除特殊类别个人数据。

iii. 在人工智能模型开发期间，控制者应当防止从模型中提取特殊类别个人数据，并确保模型具备符合现有技术水平的隐私攻击抵抗能力。控制者应当训练和测试模型，并对人工智能系统应用内容（输出）过滤器，防止系统生成会揭示特殊类别个人数据的结果并向用户提供此类信息。

iv. 在人工智能模型开发完成之后，将该模型作为人工智能系统一部分使用的控制者，应当实施持续监控人工智能系统生成输出的流程。如果已经采取组织和技术措施，输出中仍包含特殊类别个人数据，控制者应当立即采取措施防止生成此类数据，例如更新或加强输出过滤器、限制某些提示词或功能。从长期看，必要时还应考虑机器遗忘，或者技术进步可能带来的其他具有同等效果的流程。如果随着技术进步，机器遗忘算法能够保证从模型中删除特定数据，则其可以成为输出过滤器或重新训练模型的替代方案。

75. 控制者应当能够按照可问责性原则证明：特定处理活动符合 a 至 c 项所述条件；其“在责任、权力和能力范围内”采取的措施（条件 d），对于防止收集和传播特殊类别个人数据具有相关性和有效性。

76. 在实施这些措施时，应当定期核查和评估网络抓取活动中所实施措施的有效性，同时兼顾人工智能模型的开发和使用。核查和评估可能表明，已采取的措施并不有效，控制者因而需要采取额外或不同的组织和技术措施。

77. 所采取的措施应当符合可用于限制收集和以其他方式处理特殊类别个人数据的现有技术水平。不过，未来可能出现更好的隐私增强技术，用以限制甚至排除对特殊类别个人数据的处理。因此，控制者应当持续监测技术发展，确保符合现有技术水平的措施始终适当。

欧洲数据保护委员会

主席

Anu Talus

〔1〕关于“敏感”数据，参见第29条工作组《数据保护影响评估（DPIA）以及为〈条例（EU）2016/679〉之目的确定处理是否“可能导致高风险”的指南》WP248 rev.01（经 EDPB 认可），第9至10页。

〔2〕EDPB《关于 GDPR 中控制者、共同控制者和处理者概念的第7/2020号指南》，2021年7月7日通过，第52段：“共同控制关系的评估应当以事实分析，而非形式分析为基础，分析对处理目的和手段的实际影响。所有现有或拟议的安排，都应当对照当事方关系的事实情况加以核查。”

〔3〕GDPR 第5条第1款(a)项。

〔4〕参见2026年2月23日发布的《关于人工智能生成影像与隐私保护的联合声明》，该声明涉及制作包含真实个人的未经同意的私密影像、诽谤性描绘及其他有害内容。

〔5〕EDPB《关于人工智能模型语境下个人数据处理若干数据保护问题的第28/2024号意见》，2024年12月17日通过，第64页。

〔6〕GDPR 第5条第1款(a)项。

〔7〕第29条工作组，WP260 rev.01，2017年11月29日，《〈条例（EU）2016/679〉下的透明度指南》（经 EDPB 认可），第62段。

〔8〕GDPR 序言第62段。

〔9〕GDPR 序言第62段。

〔10〕第29条工作组，WP260 rev.01，2017年11月29日，《〈条例（EU）2016/679〉下的透明度指南》（经 EDPB 认可），第61段。

〔11〕第29条工作组，WP260 rev.01，2017年11月29日，《〈条例（EU）2016/679〉下的透明度指南》（经 EDPB 认可），第64段。

〔12〕GDPR 序言第62段。

〔13〕GDPR 第11条。

〔14〕第29条工作组，WP260 rev.01，2017年11月29日，《〈条例（EU）2016/679〉下的透明度指南》（经 EDPB 认可），第64段。

〔15〕第29条工作组，WP260 rev.01，2017年11月29日，《〈条例（EU）2016/679〉下的透明度指南》（经 EDPB 认可），第62段。

〔16〕GDPR 第5条第1款(c)项。

〔17〕该术语指性质特别敏感的数据，不同于 GDPR 第9条意义上的特殊类别个人数据。另见第29条工作组《数据保护影响评估（DPIA）以及为〈条例（EU）2016/679〉之目的确定处理是否“可能导致高风险”的指南》WP248 rev.01（经 EDPB 认可），第9至10页。

〔18〕EDPB《假名化第01/2025号指南》，供公众咨询的版本，2025年1月16日通过。

〔19〕GDPR 第5条第1款(d)项。

〔20〕GDPR 第6条第1款。

〔21〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》，2024年10月8日通过，第7段。

〔22〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》，2024年10月8日通过；2021年6月17日判决，M.I.C.M，C-597/19，EU:C:2021:492，第106段；2017年5月4日判决，Rīgas satiksme，C-13/16，EU:C:2017:336，第28段；Bundeskartellamt，第106段；Koninklijke Nederlandse Lawn Tennisbond 诉 Autoriteit Persoonsgegevens，C-621/22，EU:C:2024:858，第37段；Mousse 诉 Commission nationale de l’informatique et des libertés、SNCF Connect，C-394/23；HTB，合并案件 C-17/22 和 C-18/22，EU:C:2024:738，第49段。

〔23〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》版本1.0，2024年10月8日，第14段。

〔24〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》版本1.0，2024年10月8日，第16段。

〔25〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》，2024年10月8日通过，第17段。

〔26〕EDPB《关于人工智能模型语境下个人数据处理若干数据保护问题的第28/2024号意见》，2024年12月17日通过，第69段。

〔27〕EDPB《关于人工智能模型语境下个人数据处理若干数据保护问题的第28/2024号意见》，2024年12月17日通过，第72段。

〔28〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》，2024年10月8日通过，第29段。

〔29〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》，2024年10月8日通过，第32段。

〔30〕EDPB《关于人工智能模型语境下个人数据处理若干数据保护问题的第28/2024号意见》，2024年12月17日通过，第77段。

〔31〕GDPR 第4条第4项。

〔32〕另见本指南第59至61段“对数据主体的后果”一节。

〔33〕EDPB《关于人工智能模型语境下个人数据处理若干数据保护问题的第28/2024号意见》，2024年12月17日通过，第86段。

〔34〕EDPB《关于人工智能模型语境下个人数据处理若干数据保护问题的第28/2024号意见》，2024年12月17日通过，第90段。

〔35〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》，2024年10月8日通过，第53段。

〔36〕EDPB《关于人工智能模型语境下个人数据处理若干数据保护问题的第28/2024号意见》，2024年12月17日通过，第92段。

〔37〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》，第54段。

〔38〕EDPB《关于基于 GDPR 第6条第1款(f)项处理个人数据的第1/2024号指南》，2024年10月8日通过，第57段。

〔39〕关于“用户代理”一词，参见 User agent - Wikipedia，或 RFC 9110《HTTP 语义》。

〔40〕GDPR 第9条第1款。

〔41〕欧盟法院大审判庭，2019年9月24日判决，GC 等人案，C-136/17，第45段。

〔42〕C-136/17，第48段。

〔43〕C-136/17，第47段。

〔44〕偶然、残余的数据收集，应当理解为控制者无意实施，但即使采取防止此类收集的措施，仍会在一定程度上发生的数据处理。