评估 AI M&A 中的专有训练数据

介绍

数据通常被描述为 AI 交易中的资产。该描述在方向上是有用的，但在财务上并不完整。在了解目标控制什么、允许什么用途、哪些技术特征影响模型性能、数据衰减的速度以及哪些现金流依赖于持续访问之前，买家无法评估训练数据资产的价值。包含图像、对话或传感器历史记录的文件夹并不等同于开发模型并将其商业化的可执行权利。

随着AI公司寻求资本、战略合作伙伴关系和退出，这个问题变得更加重要。买家可能会遇到基于记录数量、注释支出、收集年份、稀有性、领域覆盖范围或在数据集上训练的模型性能的索赔。每个主张都可以是相关的。当出处不完整、权限狭窄、标签不一致、记录重复、客户可以撤销访问、数据过时或者模型在没有数据的情况下也能表现得差不多时，每个人都可能夸大价值。

产权组织将数据、算法和商业秘密视为带来估值挑战的新兴无形资产，其知识产权估值材料强调可识别性、证据、可转让性和可衡量的经济效益[1-4]。财务报告标准将确认与经济价值区分开来，并要求对企业合并中的可识别无形资产进行收购日期分析[5-8]。隐私、版权、数据库、商业秘密、竞争和 AI 规则可以决定允许的使用和转让 [9-26]。技术框架强调来源、文档、测试、安全和生命周期管理[27-40]。

本文专为董事会、企业发展团队、私募股权投资者、风险投资者、贷款人、创始人、估值专家和整合领导者而设计。它提供了一个交易决策系统。它不提供法律、监管、会计、税务、技术安全或估值建议。适用法律、合同条款、技术证据和市场情况需要针对特定​​目标的专业审查。

1 在讨论价值之前先定义资产

训练数据一词可以指原始源记录、清理后的观察结果、标签、特征、提示、偏好排名、综合记录、评估集、红队案例、人工反馈、检索语料库或连续生成它们的数据管道。这些组件可以有不同的所有者、限制、经济寿命和贡献。因此，单一整体估值需要组件库存。

清单应确定记录类别、发起方、收集事件、适用合同、法律依据、允许目的、领土、保留规则、转换历史、质量控制、安全分类、模型使用和商业工作流程。它应该区分目标拥有的记录和其根据客户指示许可、托管、访问或从公共来源获取的记录。它还应该将数据权利与软件、模型、专有技术、客户关系和集合劳动力区分开来。

有用的记账单位是具有连贯的权利包和可衡量的经济用途的最小集合。许可用于一项诊断任务的临床图像库可以是一个单元。技术人员标记的特定设备系列的故障历史可能是另一个原因。根据不同条款收集的客户对话应按合同群体分开。将它们合并到一个数据湖中并不合并权利。

买方应映射依赖关系。标签可能依赖于专家注释者、客户确认或后续结果。功能可能取决于专有软件。数据集可能仅具有分类法、本体论、检索层或反馈循环才有价值。事务范围应显示每个依赖项是否已转移、在过渡安排下是否保持可用或需要替换。

拟议的尽职调查记录；法律、会计、税务、隐私、竞赛和技术专家应测试每个材料数据类别。

2 建立权利链和交易边界

价值始于可执行的使用。 WIPO的估值指南将可量化价值与可识别资产、存在证据、可执行性、可转让性和可衡量效益联系起来[2-4]。训练数据通常具有重叠的权利和义务。版权可以保护源作品或选择和安排。数据库权利可能适用于相关司法管辖区。商业秘密保护可能取决于保密和合理的保护措施。合同可以创建更广泛或更狭窄的权限。即使数据集受到商业控制，隐私法也可以规范处理。

买方应重构从起源到结束的权利链。对于每个材料来源，应确定谁创建或收集了信息、应用了哪些通知和权限、哪个实体与来源签订了合同、发生了哪些转换、数据和模型托管在哪里、谁可以访问它们、保留哪些客户或贡献者权利以及控制权变更是否会影响使用。分析应分别涵盖培训、微调、评估、推理、检索、基准测试、产品改进、再许可和终止后保留。

提供服务的许可不会自动建立训练通用模型的许可。使用内容的许可可能不包括机器学习、衍生数据集或再分发。客户协议可以授权改进该客户的实例，同时禁止集中学习。公开可用性本身并不能解决版权、隐私、合同、保密或数据库问题。美国版权局在生成 AI 培训方面的工作以及欧洲数据保护委员会对 AI 模型的意见说明了特定来源和特定用途分析的持续重要性 [15-18]。

权利应根据证据成熟度进行评分。签署的包含明确培训和转会条款的协议比历史政策、一般代表或无证实践更有分量。分数应反映可撤销性、排他性、期限、地域、使用领域、再许可、审计权、赔偿、生存和控制权变更条款。具有狭窄但明确权利的数据集可能比使用仍存在争议的较大集合更有价值。

3 衡量独特性，不要混淆稀缺性和有用性

独特性有几个维度。数据集可能包含竞争对手无法轻易获得的观察结果。它可能涵盖罕见事件、困难环境、专家判断或长期观察到的结果。它可能具有异常一致的标签、丰富的背景或干预与结果之间的直接联系。这些功能在改善商业决策时可以支持价值。

仅有稀缺性是不够的。稀有数据集可能与买家的目标任务无关。大型语料库可能是多余的，因为类似的信息许可成本低廉或通过普通操作生成。当公共数据集、合成数据、客户拥有的数据或改进的基础模型降低原始记录的边际效益时，专有集合可能会失去独特性。

买方应将目标数据集与现实的替代方案进行比较。比较应包括直接许可、更新收集、合作伙伴关系、客户提供的数据、公共来源、模拟、合成增强和收购另一家公司。它应该考虑获得权利的时间、实现可用质量的时间、领域覆盖范围、罕见事件密度、注释可靠性、可更新性以及买方集成替代方案的能力。

唯一性应该在决策层面进行测试。对于欺诈模型来说，罕见的确认结果和不断变化的攻击模式可能比总交易数更重要。对于工业维护，与操作条件和干预措施相关的故障历史可能比未标记的传感器体积更重要。对于企业助理来说，当前的权限和检索质量可能比语料库的年龄更重要。对于自主系统，边缘情况和场景覆盖可能比平均条件观察更重要。

目标应提供最接近的替代证据。有用的记录包括数据许可报价、内部收集预算、注释产量、重复分析、重叠测试、领域覆盖、基准测试结果和专家访谈。买方应测试管理层是否选择了使数据集看起来人为稀缺的比较。

拟议的评分框架；结论应基于当前目标和替代证据。

4 重建来源质量和可用数量

记录计数是一个起点。删除重复项、损坏的文件、超出允许用途的记录、未解析的身份、不一致的标签、受污染的评估示例和不代表预期部署人群的观察结果后，可用数量会降低。 NIST 的生成式 AI 概要强调将培训数据来源和文档作为风险管理实践 [27-30]。 ISO 和 OECD 材料同样支持系统治理、可追溯性和问责制 [31-36]。

买方应重现目标的数据沿袭。它应该从每个源队列中选择代表性记录，并通过收集、清理、注释、转换、特征生成、训练、评估和删除过程来跟踪它们。哈希值、版本标识符、清单、访问日志和代码提交应支持跟踪。没有记录级对应关系的完善数据目录是较弱的证据。

质量应该由任务来定义。相关维度可以包括准确性、完整性、一致性、及时性、覆盖范围、类别平衡、标签协议、结果成熟度、测量误差和对分布变化的稳健性。买方应测试质量指标是针对整个资产还是仅针对精选的子集进行计算。它应标明从生产中排除的记录以及排除的原因。

评估泄漏值得特别关注。如果来自同一客户、患者、资产、文档系列或时间段的示例同时出现在训练和测试集中，则报告的性能可能会夸大概括性。基准污染也会产生类似的效果。买方应检查分割逻辑、近似重复检测、临时保留和独立复制。锁定的评估集需要访问控制和版本治理。

可用数量应以瀑布形式报告。由于权利不确定性、重复、腐败、标签不充分、群体不匹配和评估孤立，起始记录被减少。其余数据应按任务、地理位置、时期和客户群体进行分组。这提供了比单个 TB 或创纪录的数字更有用的估值输入。

5 隔离数据集对模型和工作流程性能的贡献

培训数据通过对产品或决策的影响来创造经济价值。目标应该通过受控比较来证明这种效果。使用所声称的数据集训练的模型应与没有使用该数据集训练的可靠基线、较小的样本、替代来源以及买方的现有数据进行比较。测试设计应保持架构、计算、调整和评估条件足够恒定，以隔离贡献。

性能应该在使用环境中进行衡量。准确性、精确度、召回率、校准、排名质量、延迟、鲁棒性和幻觉率都很重要。经济指标可以是避免损失、缩短审查时间、提高转化率、减少停机时间、加快批准速度或提高保留率。如果发生在低价值案例上，统计上可见的改进可能没有什么现金价值。如果集中于罕见且代价高昂的事件，适度的平均改进可能是有价值的。

买方应要求置信区间、分组结果和时间检验。它应该确定数据集在哪些方面可以提高性能，在哪些方面没有影响以及在哪些方面会损害性能。目标应披露失败的实验和选择决定。可行时，卖方生成的结果应在受控环境中独立重现。

贡献可以与模型架构和工作流程设计进行交互。数据集可能在一种表示形式下很有价值，但在基础模型升级后却不太有用。检索语料库可以通过事实基础创造价值，而无需改变模型权重。人类反馈可能很重要，因为它反映了特定的客户工作流程。评估应具体说明观察到的贡献的配置以及维持它的成本。

买家还应该测试模型提取和记忆风险。如果可以从模型中导出受保护的信息或个人信息，则经济资产可能会带有补救、索赔和部署限制。 EDP​​B 指南将匿名和非法处理视为针对具体案例的问题，并对以后的部署产生潜在后果 [16-18]。因此，安全测试应该将数据沿袭与模型行为联系起来。

提议的证据记录；应针对每个材料用例独立审查测试设计。

6 模型更新成本衰减与经济寿命

训练数据通常同时是一种浪费和可再生的资产。标签可能会变得陈旧，产品分类会发生变化，语言会发生变化，欺诈策略会发生变化，传感器会被更换，客户行为也会发生变化。数据集可能需要持续获取、裁决、删除、安全、记录和重新验证。这些经常性活动会影响可持续收益和资产的经济寿命。

买方应为每个物料数据类别创建一个刷新分类帐。分类账应显示观察频率、收集率、同意或合同续签、注释时间、专家审查、争议解决、质量控制采样、存储、安全、隐私操作、模型再训练、验证和退役。它应该确定哪些活动是由稀缺的员工、客户、承包商或嵌入式产品工作流程执行的。

历史支出应分为创建、维护和失败的工作。重置成本应排除理性买家会避免的浪费。它应包括当前获得可比合法权利、重建分类法、招募专家、复制标签、收集罕见结果、建立控制和等待结果成熟的成本。时间会产生巨大的机会成本，而结果需要多年的观察。

经济寿命应与数据集在更换或大幅更新之前提供增量现金的时间段相关联。合同条款、法律变更、客户流失、模型架构、源连续性、竞争和领域漂移可以缩短这一时期。永久增长的假设很少与有限的权利期限和高刷新依赖性兼容。

刷新成本也会影响EBITDA。如果管理层将数据工作资本化或将基本注释和治理归类为增长投资，则报告的营业利润可能会夸大可持续收益。在应用交易倍数之前，买方应标准化维持当前收入和业绩所需的成本。

7 重建可持续收益并避免重复计算

培训数据评估应与企业评估一致。如果预测收入和利润已经反映了专有数据创造的产品优势，那么将该优势的全部价值添加为单独的资产可能会重复计算。评估桥梁应确定每项福利进入模型的位置以及贡献资产的收费方式。

说明性目标报告收入 USD 210 million 和 EBITDA 的 USD 34 million。尽职调查确定 USD 5 million 为真正的非经常性费用。它还确定了重复注释和数据采集的 USD 8 million，隐私、来源和安全操作的 USD 4 million，以及模型评估和客户特定维护的 USD 3 million，这些对于维持当前性能是必要的，但未完全反映。因此，可持续的EBITDA是USD 24 million。每个数字都是管理假设，仅用于演示该方法。

数据带来的收入并不是产品总收入。软件、模型架构、计算、品牌、客户关系、分销、劳动力和营运资本也有所贡献。多期超额收益分析应对这些贡献资产收取费用。有无分析应该模拟持续合法访问数据与最佳现实替代方案之间的现金流差异。如果存在可比较的许可证据并且可以一致地定义许可资产，则可以考虑使用特许权使用费减免方法。

买方应将数据评估与购买价格分配进行协调，而不假设会计确认等于交易价值。 IAS 38 通过可分离性或合同权利和法定权利定义了可辨认无形资产，而 IFRS 3 和 IFRS 13 则管辖相关的业务合并和公允价值概念 [5-8]。实际交易需要专业的会计和估值判断。

USD 百万；管理假设仅用于演示该方法。

8 应用三种估值方法并协调它们

成本法估计重建具有同等效用的资产所需的当前支出和时间。当买方可以定义替换规范并观察收集、许可、注释、控制和验证成本时，它非常有用。成本并不能体现所有的经济效益。它可能高估了浪费的努力，而低估了罕见的观察、时间优势、独家访问权或经过验证的反馈循环。

收益法估计数据带来的现金流量并对其风险进行贴现。有无方法将具有持续访问能力的业务与最佳可用替代方案进行比较。多期超额收益法扣除缴款资产费用。在存在可辩护的可比证据的情况下，特许权使用费减免方法可估算避免的许可费用。收入方法需要仔细地将数据贡献与模型、软件、劳动力、客户和品牌效应分开。

市场方法使用可比资产的价格或许可条款。训练数据集是异构的，交易细节通常是保密的。可比性应涵盖权利、排他性、领域、质量、规模、罕见事件密度、新近度、允许使用、地理范围、更新访问和特定于买方的协同效应。当记录的效用和权利不同时，每条记录的价格可能会产生误导。

说明性的重置成本分析从当前收集、注释、验证、治理和等待时间成本的 USD 51 million 开始。它扣除了可避免的历史低效率的 USD 9 million，生成 USD 42 million。收入分析在缴纳资产费用、更新成本、税收和风险后生成 USD 76 million。有限的市场分析表明 USD 45 million 至 USD 70 million。考虑权利不确定性、集中度和刷新依赖性后，证据加权的结论为USD 58 million。这些数字展示了该方法，并不描述公司或市场。

9 将不确定性转化为证据加权结论

估值不确定性应通过情景、范围和明确的扣除来表达，而不是通过错误的点估计来表达。买方应区分事实的不确定性和商业选择性。缺少源合同、未解决的删除职责或未经测试的模型贡献会降低对现有资产的信心。未来可能的许可产品是一种需要投资和市场证据的选择。

证据加权模型可以对权利、出处、独特性、质量、贡献、可更新性、安全性和现金变现进行评分。权重应反映交易主题。购买 AI 安全平台的买家可能会更加重视代表性评估数据和事件结果。购买垂直工作流程产品的买家可能会强调客户权限、结果链接和嵌入式刷新。

分数应该改变估值机制。权利的不确定性可能会减少合格的数据集、缩短寿命、增加概率加权补救成本或支持特定的赔偿。贡献证据薄弱可能会将价值从预先考虑转移到收益。客户集中度会影响预测现金和持续数据访问。高刷新依赖性会降低可持续利润，并且需要有资金支持的运营计划。

结论应与企业整体价值相一致。在示例性案例中，管理层的 USD 110 million 声明超出了每个独立支持的指示。证据加权的 USD 58 million 金额纳入企业估值中，而不是机械添加。假定有一个单独的 USD 12 million 保留用于修复、重新许可和删除工作。买方应避免重复计算和忽略已反映在收益中的数据资产的相反错误。

敏感性分析应该揭示影响价值的假设。最重要的变量通常是具有持久转让权的记录的百分比、剩余权利期限、模型贡献衰减的速率、年度更新成本、构建替代方案所需的时间、客户保留以及可以合理归因于数据的工作流现金部分。董事会应该单独看到每个变量的变化以及连贯的下行组合。相关性很重要，因为失去主要客户会减少收入、消除更新源并同时缩小部署群体。

评估日期也应明确。权利、记录、模式和替代方案可能会迅速变化。稍后的基础模型发布、监管决策、客户修正或新可用的数据集可能会改变结论。因此，交易模型应包括截止日期更新流程。签署和交割之间的重大变更应发送至负责的工作流程，纳入合格数据登记册，并在适当的情况下反映在价格、条件或整合计划中。

USD 百万和定性分数；管理假设仅用于演示该方法。

10 围绕可重复证据进行设计尽职调查

数据尽职调查应在受控环境中进行。卖方可以提供数据室清单、合同矩阵、谱系摘录、代表性样品、模型卡、评估报告、访问日志、安全证据和成本记录。高度敏感的记录可能保留在洁净室或卖方控制的环境中。买方应在访问前同意采样、查询、允许输出和销毁规则。

法律、技术、商业、财务和安全团队应使用一种资产分类法。单独的工作流程经常会产生差距。律师可能会在不知道哪些数据群体推动绩效的情况下审查源协议。数据科学家可以在没有看到目的限制的情况下测试数据集。财务部门可以在不包括刷新成本的情况下对利润进行建模。每个数据类的共享标识符将这些结论联系起来。

重新履行应侧重于材料声明。买家可以跟踪选定的记录、重现重复数据删除、检查注释协议、重建基于时间的分割、重新运行消融测试以及协调账本的刷新支出。它可以将数据目录与存储和访问日志进行比较。它可以测试已删除或限制的记录是否保留在派生数据集或模型中。

卖方应披露已知的争议、删除请求、许可限制、安全事件、监管机构信函和客户反对意见。它应该确定出处是从系统历史中推断出来的，而不是由源文档支持的。陈述应遵循证据，避免任何尽职调查程序都无法证实的绝对主张。

拟议的工作计划；访问应遵循机密性、隐私安全和竞争控制。

11 将调查结果转化为交易条款

价格应遵循证据成熟度。具有明确可转让权利、可再生贡献和可再生资源的资产可以支持前期价值。未解决的权利、未经测试的贡献或依赖于客户的更新可能证明推迟考虑是合理的。交易设计可以分配不确定性，而不假装它已经消失。

陈述可以解决所有权、许可、允许使用、隐私合规、商业秘密措施、安全、出处记录、争议、删除责任和材料模型使用的问题。它们的范围、限定条件、生存和补救措施需要交易咨询。具体赔偿可能涉及已确定的群体、索赔或补救义务。托管可以支持暴露可测量且有时间限制的恢复。

收益应使用买方控制范围内的可观察结果。可能的措施包括保留合格记录、保留培训权利的客户续订、独立再现的性能、接受的部署、经常性收入或更新成本后的毛利润。总数据集大小通常是一个较弱的收益指标，因为它可以奖励低质量的数量。

如果只有部分遗产拥有明确的权利，则分割或分阶段进入可能是合适的。买方可以排除受限数据、许可定义的语料库、要求交割前补救或为交割后权利转换计划提供资金。过渡服务可以保留对注释团队或数据生成工作流程的访问，同时买方建立自己的控制。

关闭条件可能要求交付经过验证的数据清单、转让关键许可证、征得客户同意、删除不合格的副本、修复关键安全漏洞以及成功复制商定的测试。董事会应了解哪些项目会影响成交、价格、契约或整合计划。

说明性结构；交易顾问应根据事实、法律谈判立场和补救限制来制定条款。

12 集成而不破坏资产

如果买方在解决权利之前混合数据集、在不保留沿袭的情况下更改标识符、删除维护标签的专家或将模型转移到数据尚未验证的工作流程，那么集成可能会降低价值。整合计划应保持可逆性，直到有证据支持整合为止。

第一阶段应冻结库存、记录哈希值、访问控制、源术语、模型版本、评估集和责任所有者。限制人群应保持隔离。新的访问权限应遵循最小权限规则。买方应在扩大使用之前建立事件、删除和客户请求程序。

第二阶段应该重现优先性能和经济性。团队应运行商定的测试，确认当前的刷新流程，协调成本，采访工作流程所有者并验证客户的接受度。这建立了一个截止日期基线，可以根据该基线来衡量整合效果。

第三阶段应通过记录的接口迁移选定的数据和管道。每次迁移都应保留沿袭、目的限制、保留规则和审计证据。组合模型实验应使用批准的队列和锁定的评估。应审查结果的性能、亚组效应、隐私、安全和商业相关性。

最后阶段应该逐步释放价值。产品扩展、跨客户学习、再许可或新地域只有在权利、技术性能、控制和客户接受度支持的情况下才能进行。整合激励措施应该奖励经常性现金和控制质量，而不是原始数据整合。

13 建立董事会报告和交割后减值信号

董事会应该收到一个紧凑的仪表板，连接权利、质量、贡献、更新和现金。标题记录计数应附有合格记录覆盖范围、出处置信度、标签协议、偏差、每个可用记录的成本、测试性能、工作流程采用、客户集中度、未解决的索赔以及可归因于相关产品的经常性现金。

应在关闭前定义阈值。合格记录覆盖范围的下降可能会引发补救措施。失去主要来源可能会促使评估评估。更新成本上升会降低可持续利润。减少数据集增量贡献的模型升级可能会缩短经济寿命。客户限制或监管结果可能会改变允许的用途。

交割后报告应保留观察到的事实和管理层估计之间的区别。实际记录、合同、成本、测试结果和现金可以作为证据报告。未来的采用、协同效应和期权价值仍然是假设，直到得到可接受的使用和收集的收入的支持。董事会应该了解情景范围和变化的原因。

会计团队应在适用的报告框架下监控与已确认无形资产和商誉相关的指标。交易估值、购买价格分配和后续减值是具有不同目的和标准的关联决策。实际账目需要专业建议。

审计追踪应该能让后来的审查者了解买方为何支付资产费用、哪些假设是关键的、有哪些证据支持这些假设以及结果与收购案例相比如何。即使最初的估计被证明不准确，这一规则也能改善集成决策和未来的交易。

结论

专有训练数据可以在 AI 采集中创造巨大的价值。价值源自可执行和可更新的权利、可用质量、相对于实际替代方案的稀缺性、可衡量的模型贡献、运营采用和经常性现金。这些特征都不能仅通过记录计数或历史支出来确定。

合理的估值始于组件库存和版权链。它将标题数量减少为可用数据，测试替代品的独特性，再现增量贡献，模型衰减和更新，重建可持续收益并协调成本、收入和市场指标。然后，它将剩余的不确定性转化为价格、托管、赔偿、盈利、成交条件和门控整合计划。

结果是基于证据的交易决策。它使买方能够区分持久的数据生产系统和昂贵的档案，从客户特定的许可中获得可转让的优势，并从未经测试的选项中获得可证明的现金。同样的框架为卖家提供了一条实用的准备途径：记录来源、澄清权利、隔离贡献、资金更新以及将技术性能与可接受的客户结果联系起来。

来源

1. 世界知识产权组织。产权组织支持使估值标准与现代经济保持一致。 2026 年。 阅读主要来源
2. 世界知识产权组织。重视知识产权资产。 阅读主要来源
3. 世界知识产权组织。技术转让中的知识产权评估。 阅读主要来源
4. 世界知识产权组织。有关 AI 和 IP 政策的常见问题。 阅读主要来源
5. 国际财务报告准则基金会。 IAS 38 无形资产。 阅读主要来源
6. 国际财务报告准则基金会。 IFRS 3 企业合并。 阅读主要来源
7. 国际财务报告准则基金会。 IFRS 13 公允价值计量。 阅读主要来源
8. 国际财务报告准则基金会。模块 18 商誉以外的无形资产。 阅读主要来源
9. 欧洲联盟。法规 EU 2016/679 一般数据保护法规。 2016年。 阅读主要来源
10. 欧洲联盟。关于数字单一市场版权及相关权的欧盟指令 2019/790。 2019. 阅读主要来源
11. 欧洲联盟。关于数据库法律保护的指令 96/9/EC。 1996年。 阅读主要来源
12. 欧洲联盟。关于保护未公开的专有技术和商业信息的欧盟指令 2016/943。 2016年。 阅读主要来源
13. 欧洲联盟。关于公平访问和使用数据的统一规则的 EU 2023/2854 法规。 2023 年。 阅读主要来源
14. 欧洲联盟。 EU 2024/1689 法规制定了人工智能的统一规则。 2024 年。 阅读主要来源
15. 美国版权局。版权和人工智能。 阅读主要来源
16. 美国版权局。版权和人工智能第 3 部分生成 AI 培训预发布版本。 2025 年。 阅读主要来源
17. 欧洲数据保护委员会。关于与 AI 模型中的个人数据处理相关的数据保护方面的意见 28/2024。 2024 年。 阅读主要来源
18. 欧洲数据保护委员会。 GDPR原则支持负责AI。 2024 年。 阅读主要来源
19. 英国信息专员办公室。 AI 和数据保护指南。 阅读主要来源
20. 英国信息专员办公室。解释使用 AI 做出的决定。 阅读主要来源
21. 欧盟委员会。数据法解释。 阅读主要来源
22. 欧盟委员会。数据法示范合同条款和标准合同条款。 阅读主要来源
23. 欧盟委员会。 AI 法案监管框架。 阅读主要来源
24. 欧盟委员会。欧洲通用数据空间。 阅读主要来源
25. 欧盟委员会。竞争政策和数据。 阅读主要来源
26. 欧盟委员会。欧盟合并控制。 阅读主要来源
27. 国家标准与技术研究所。人工智能风险管理框架1.0. 2023. 阅读主要来源
28. 国家标准与技术研究所。生成人工智能简介。 2024 年。 阅读主要来源
29. 国家标准与技术研究所。 AI RMF 手册。 阅读主要来源
30. 国家标准与技术研究所。 AI资源中心。 阅读主要来源
31. 国际标准化组织。 ISO IEC 42001 人工智能管理系统。 阅读主要来源
32. 国际标准化组织。 ISO IEC 23894 人工智能风险管理。 阅读主要来源
33. 国际标准化组织。 ISO IEC 27001 信息安全管理体系。 阅读主要来源
34. 国际标准化组织。用于分析和机器学习的 ISO IEC 5259 数据质量。 阅读主要来源
35. 经合组织。人工智能委员会的建议。 阅读主要来源
36. 经合组织。经合组织 AI 原则。 阅读主要来源
37. 欧盟网络安全局。数据保护工程。 阅读主要来源
38. 国家标准与技术研究所。网络安全框架 2.0. 2024. 阅读主要来源
39. 国家标准与技术研究所。隐私框架。 阅读主要来源
40. 国家标准与技术研究所。安全软件开发框架。 阅读主要来源
41. 国际数据管理协会。数据管理知识体系。 阅读主要来源
42. 国际评估标准理事会。国际估值标准。 阅读主要来源
43. 国际评估标准理事会。对无形资产的看法。 阅读主要来源
44. 财务会计准则委员会。企业合并主题 805。 阅读主要来源
45. 美国证券交易委员会。法规 S-K。 阅读主要来源
46. 联邦贸易委员会。人工智能和算法工具。 阅读主要来源
47. 美国司法部和联邦贸易委员会。合并指南。 2023 年。 阅读主要来源
48. 欧盟委员会。人工智能系统定义指南。 阅读主要来源
49. 世界知识产权组织。 2026 年世界无形投资亮点。 阅读主要来源
50. 世界知识产权组织。技术趋势人工智能。 阅读主要来源