溯源如今是一项规格：EU AI Act 与机器人数据
在 EU AI Act 之下，数据溯源不再是事后的文书工作，而是你必须设计进采集流程的工程规格。为什么采集当时就留档才是赢家。
一支机器人团队想采购 500 小时的操作数据。采购合同摆到工程师桌上，多了一条一年前还没有的条款：对每一段片段，卖方都要提供同意记录、传感器标定，以及一条从采集到交付、不曾中断的保管链条。卖方有素材，却没有那份日志。价格随之下跌。
这就是 EU AI Act 对训练数据所做的事，而多数团队仍把它当成法律问题，它其实是一个工程问题。Regulation (EU) 2024/1689 并不要求你事后补交文书。它要求你证明数据从何而来。而证明，要么是你在传感器运行时就记录下来的，要么根本不存在。
这个区分，就是本文的全部。溯源经不起事后重建。你可以从像素里估计手部姿态，却无法估计画面里的人是否同意、那天下午深度相机的标定值是多少、又是哪位标注员依据哪份指南标了哪段片段。这些事实只在采集那一刻存在，随后便消失，除非有什么东西把它们写了下来。
没有记录下来的溯源，就没了
文本模型运气好。互联网自带审计线索：一个网页有 URL、有时间戳、有作者，还有一份你至少还能争论的许可。第一人称机器人数据没有这种自带的线索。一个人戴上采集装备，把某个任务做一遍，那一刻就过去了。如果装备没有记下谁同意了、每一帧是何时拍的、传感器如何设置，这些上下文就无法找回。没有人能仅凭视频把它们重新推导出来。
同意是最尖锐的例子。对某人双手、住所与面孔的记录属于个人数据，European Data Protection Board（EDPB）也如此认定，无论你之后拿它训练什么。如果你当时没有采集一份绑定到那个人、那一场次的同意记录，事后就无法凭空造出一份。一旦面孔被打码、原始数据被删除，你也一并删掉了证明这次记录合法的能力。那个看上去干净的匿名数据集，恰恰是你再也无法为之辩护的那一个。
同样的逻辑贯穿每一个溯源字段。标定在一场采集中会漂移，它要么被当场测量，要么之后靠猜。各通道要么在采集时对齐到同一个时钟，要么事后靠手工重新对齐，留下你永远无法完全还原的偏移。每条标注要么带着标注员、指南版本与时间，要么只是一个毫无制作记忆的扁平标签文件。每一种情形里，诚实的记录在采集当时几乎不花成本，事后却出多少钱都买不到。
Article 10 把数据质量变成一个有据可查的过程
读一读法案自己对高风险系统的表述，Article 10 就不再像合规条文，而更像一份数据流水线的规格。它要求支撑这类系统的训练、验证与测试数据集，在数据治理实践下产生，涵盖采集过程、数据来源，以及标注与打标程序。说白了，它要的是一份关于数据如何被制作出来的书面说明，而不只是数据里有什么。
对机器人数据集而言，这对应到具体的构建决策。数据溯源意味着一条保管链条。采集过程意味着被记录下来的采集条件。标注程序意味着带版本的标注指南，以及谁应用了它们的记录。对一个早已把数据当作工程产物的团队来说，这些都不稀奇。法案只是让这个产物变得不可或缺，让它的文档变得可供检视。
能被你重建出来的溯源，从来就不是真正的溯源。那是你事后讲的一个故事。法案要的，是你在传感器仍在运行时就保存下来的那份记录。
欧洲议会的通俗解读把走向说得很直白：高风险系统负有文档与可追溯义务，而执行是在 2026 与 2027 年间分阶段落地，并非一次性到位。确切的适用日期在实施中已有变动，因此应把时间表看作一段斜坡，而非单一的悬崖。实际含义不变：你在 2026 年采集的数据，可能就是你 2027 年要拿去备案的数据。
采集当时留存，还是事后补上
获得溯源的两种方式之间的差距，不在于费多少力气，而在于什么还是可知的。下表选取买方会追问的六个字段，展示当你试图在采集之后、而非在传感器处补上每一项时，它各自会变成什么。
| 字段 | 采集当时留存 | 事后补上 |
|---|---|---|
| 同意 | 按被采集者逐一记录，绑定到其出现的每一段片段 | 一旦被采集者离开或面孔被匿名，便无法再取得 |
| 身份与匿名化 | 依据政策做打码与假名化，并将可逆密钥托管保存 | 事后补一遍打码会丢失映射关系，删除请求无从履行 |
| 传感器标定 | 每一场次都记录内参与外参 | 从素材里估计，粗略、漂移无据可查 |
| 时间同步 | 所有通道在采集时对齐到同一个时钟 | 靠手工重新对齐，亚帧级偏移无法还原 |
| 标注谱系 | 每条标签都带有标注员、指南版本与时间 | 一个扁平标签文件，不记录由谁、何时、依据哪套标准 |
| 许可与使用权 | 在采集当时就按被采集者、按场景固定条款 | 靠记忆和邮件拼凑，缺口即成法律风险 |
把右边那一栏读作尽调会挖出来的清单。每一处缺口都是一次折价，有些缺口则直接出局。一个无法证明同意的数据集，不是便宜，而是对一个要进入欧盟市场的系统根本不可用。
溯源，成了采购里的一个条目
这里有一个工程师往往低估的商业转折。当一家机器人 OEM 为它打算在欧洲销售的系统采购训练数据时，它把你的溯源一并继承过去。它自己那份 Article 10 档案，强不过你交出的那份清单。于是买方的律师会在签约前就索要这份清单，就像芯片买家索要数据手册。
这份清单是一项具体的交付物，而不是一种感觉。对每一段片段，它都回答：谁在什么条款下同意、原始数据如何匿名化、能否应请求删除、传感器如何标定、通道如何同步、谁依据哪份指南标注了什么、以及下游使用受哪份许可约束。附带这样一份文档交付的数据集能卖出溢价。没有它的数据集，则是买方必须计入定价、或干脆掉头走开的一项负债。
The Robot Report 这类媒体的报道，已经在追踪人形机器人从实验室示范走向商业试点。随着这些系统逼近欧盟市场，对其训练数据的尽调也同步收紧。胜出的数据集不是最大的那个，而是律师一个下午就能签字放行其溯源的那个。
一项采集当时的规格，如同帧率
没有哪个正经团队会在录完之后才决定帧率。你在按下录制前就把它定好，因为你无法补上从未采到的帧。溯源如今属于同一类。同意采集、标定记录、时间同步与标注谱系，是采集场次的参数，在设计阶段就固定下来，而不是你在清洗时才撒上去的功能。
GDPR 从另一侧强化了这一点。由于第一人称影像里满是个人数据，合法性基础与留存期限从第一帧起就适用，而 AI 法案明确保留这些义务不受影响。一条把同意与溯源作为结构化元数据记录下来的流水线，其实已经离同时满足两套制度不远。一条把它们往后拖的流水线，则在积累债务，等审计者或买方上门那天连本带利地爆发。
所以，听懂 EU AI Act 的有用方式，不是把它当作一部要熬过去的规则书，而是当作一份可供构建的规格。它实际上是在说：一个数据集的价值，不会超过它「如何被制作」的那份记录。而那份记录，只能在它唯一能被写下的时刻写下：趁传感器还在运行。溯源不是你事后附上的文书。它是一项采集当时的规格，而把它当成规格来对待的团队，将是那些手里还有数据可卖的团队。