引言
“AI 就绪数据”已经成了这样一种说法：使用它的人需要它是什么意思，它就是什么意思。对数据平台供应商而言，它通常意味着整洁的数据模式和完善的文档。对模型提供商而言，它往往意味着足够的数据量和多样性。但当监管机构、审计师或事件调查人员提出一个窄得多的问题时，这两种定义都经不起检验：您能否现在就证明，这个系统究竟是用哪些数据训练的、或正在基于哪些数据运行，并且自这些数据获准使用以来，其中没有任何内容发生过变化？
传统定义没有错，只是不完整。
干净、标注良好且具有足够代表性的数据，对模型质量无疑至关重要，欧盟《人工智能法》(AI Act) 第 10 条就明确指出了这一点。但质量与完整性是两种不同的属性。一个数据集在汇集完成当天可能完全干净、均衡且文档齐全，但如果无法证明它此后没有被篡改、补充或悄悄更换了数据来源，六个月后它仍然可能站不住脚。大多数“AI 就绪”检查清单止步于数据集汇集完成的那一刻。可审计性从那一刻开始，并且永不停止。
一个可操作的定义
数据满足以下四项属性，并且持续满足，才算 AI 就绪
第一，溯源：每条记录的来源都有文档记录且可验证，而不只是一种声明。第二，不可变性证据：自认证以来对数据集的任何更改，都能通过密码学手段检测出来，而不只是记录在一个本身也可能被篡改的数据库中。第三，访问可问责性：每一个接触过这些数据的主体及其接触时间，都是永久记录的一部分。第四，可复现性：基于数据集经认证的状态，用于训练或微调某个特定模型版本的确切数据可以按需重建，而不是凭记忆或依据事后编写的文档进行近似还原。
为什么“有文档记录”与“可验证”不是一回事
一份描述训练数据来源的电子表格是文档。它由希望审计顺利通过的同一方编写，而且事后可以被修改而不留任何痕迹。可验证的溯源意味着，来源记录在数据摄取的那一刻就已固定下来，独立于被审计方，并且日后无法在不留下修订证据的情况下被悄悄修改。这一区别，即一项声明与一项无法被悄悄更改的声明之间的区别，正是合规叙述与合规证据之间的全部差异。
- 溯源：这条记录源自何处？这一来源能否得到证明，而不只是被声称？
- 不可变性证据：如果这条记录在认证后发生了变化，这一变化能否通过密码学手段被检测出来？
- 访问可问责性：对于每一个接触过这些数据的主体，是否存在一份永久记录，且任何篡改都会在其中留下痕迹？
- 可复现性：任何特定模型版本背后的确切数据集，能否按需重建？
“AI 就绪”正迅速成为一个合规术语，而不仅仅是一个数据质量术语。依据欧盟《人工智能法》、NIS2 以及各行业 AI 治理规则开展的审计已经到来，无法证明自身历史的数据将经不起这些审计。了解 ROOTKey 如何持续锚定数据的溯源信息与完整性，而不仅仅是在采集之时。