AI 訓練資料並不存在放之四海而皆準的保留期限，但確實存在一個站得住腳的模式：原始資料的保留時長，只應覆蓋有檔案記錄的用途與監管要求的範圍；按風險分層設定保留期；並用自動化執行刪除——因為真正的執法風險來自監管者，而不是儲存成本，違反儲存限制原則的 GDPR 罰款最高可達 2,000 萬歐元或全球營業額的 4%。答案是一個在設計階段就建好的分層、自動化保留框架，而不是資料已經堆積如山之後補寫的一份政策檔案。
核心洞察：研究反覆發現，企業留存的資料中有相當大一部分是冗餘、過時或無關緊要的——行業研究給出的比例高達 52%——而每一條被保留的記錄，都意味著一項保護它、響應訪問請求、併為其存在提供正當理由的義務。監管框架同樣已經收緊：GDPR 的儲存限制原則適用於訓練 AI 模型所使用的資料集，而不只是生產資料庫；韓國《人工智慧框架法》於 2026 年 1 月生效，新加坡長期要求保留期限必須有限且有記錄，亞太地區的新興 AI 立法也在納入同類原則。
為什麼 AI 訓練資料的保留會成為治理問題？
資料保留之所以變成一個 AI 治理問題，正是因為 AI 改變了資料的用途。運營資料一直有自己的生命週期——產生、使用、歸檔、刪除——由監管要求與業務需要共同約束。訓練資料則不同：它是模型的原材料，而這個模型可能在數年內被反覆重訓、重新評估或接受審計，於是企業的應對方式是把一切都留下來，理由是資料多一點總比少一點安全。這個假設如今既昂貴，又在法律上危險。
資料主體權利體系與「什麼都留」的本能之間存在嚴重衝突：刪除權、更正權、訪問權都附著在資料之上，一份包含個人資料的訓練資料集，會把這些權利原封不動地繼承下來，而無限期保留只會成倍放大暴露面。與此同時，把個人資料用於訓練往往還涉及超出原始收集目的的處理，這又回到了目的限制與合法性基礎的判斷上。企業真正需要回答的問題已經不是「我們能留多久」，而是「我們憑什麼留住它」。
訓練資料的保留為什麼這麼難落地？
第一個難點在於，訓練資料並不是一樣東西。它橫跨原始源資料抽取、清洗去重後的版本、特徵工程檢視、標註資料集、模型版本以及評估留出集——每一類的保留需求不同，法律屬性也不同。一份為「訓練資料」這個籠統類別寫成的保留政策，要麼過於嚴苛，要麼危險地寬鬆，因為它無法區分一份必須刪除的原始購買歷史抽取件，與一份本身就是企業資產、有自己的生命週期的模型權重檔案。
第二個難點是刪除權與模型完整性之間的張力。行使刪除權的客戶希望自己的資料徹底消失，但這些記錄可能已經嵌入訓練好的模型權重中，無法做外科手術式的移除。這不是假設性問題：企業必須在第一次訓練之前就做出決定——是從訓練中徹底排除易被要求刪除的資料，還是週期性重訓以履行刪除義務，或是建立一套檔案體系來調和保留與資料主體權利。第三個難點是自動化：依賴人工刪除的保留政策必然會失敗，因為沒有人會按計劃去刪資料，而每一次漏刪都是一處潛伏的合規暴露。
AI 訓練資料究竟應該保留多久？
誠實的回答是：只要你有檔案記錄的用途需要保留，就保留；用途結束，就不再保留——這意味著真正的問題在於，把用途定義得足夠精確，使保留期站得住腳。用於訓練模型的原始源資料，通常可以保留至模型的執行生命週期結束，再加上法定或合同約定的審計視窗，視司法轄區與行業不同，常見區間為兩到七年；為未來、尚未明確的訓練用途而持有的資料根本不應保留，因為沒有任何記錄在案的用途可以支撐它。已經匿名化或聚合到無法識別個人程度的資料，則在很大程度上脫離了個人資料的監管範疇，可以採用更靈活的週期——這也是為什麼去識別化常常比刪除更聰明。
站得住腳的框架是分層的。第一層是有明確用途的個人資料：按有記錄的期限加上必要的審計餘量保留，然後自動刪除。第二層是去識別化或聚合後的資料：只要仍有分析價值就可以保留，但需定期複核。第三層是模型與評估製品——權重、訓練配置、評估結果：保留至模型生命週期結束再加上監管審計要求，因為它們是決策如何做出的證據。第四層是其他一切：預設短週期保留，並配套有記錄的例外流程。讓框架站得住腳的不是具體數字，而是結構——每個類別都有負責人、用途、期限，以及自動化的執行機制。
哪些保留實踐在生產環境中真正有效？
從設計階段就把保留寫進資料生命週期。當一份訓練資料集被建立時，它應當攜帶一份保留計劃作為後設資料——用途、期限、負責人、刪除觸發條件——這樣政策就成了資料本身的屬性，而不是一份沒人讀的獨立文件。在資料攝入時按層級給資料集打標籤，並把保留計劃編碼進資料管道，讓刪除與歸檔成為自動事件，而不是人工瑣事。這是槓桿率最高的一步：自動化的生命週期管理，把保留從一種願望變成了一項執行屬性。
其次，在保留思路上把資料與模型分開。模型權重、配置與評估記錄是企業做過什麼的證據，必須為了審計與訴訟目的而保留；它們背後的訓練資料則有著更短、由用途驅動的生命週期。把兩者混為一談的企業，要麼刪掉了本該留下的證據，要麼留下了本該釋放的個人資料。第三，在存在業務價值的地方，優先選擇去識別化而不是刪除：匿名化後的資料支援重訓與分析，卻不觸發完整的個人資料義務，它把一個非此即彼的保留決策，變成了一個可以靈活調整的決策。蜂啟諮詢的平台在實踐中支撐這一紀律——按資料來源與司法轄區可配置保留規則的受治理資料聯結器、讓刪除影響可見的血緣追蹤，以及在適當情況下建於去識別化層之上的分析能力——使企業能夠重訓、審計並回應監管，而不必揹負無限的資料負債。
最後，演練審計。監管者不會抽象地問「你們的資料保留多久」，他們問的是「請展示政策、用途、時間表，以及執行的證據」。能夠展示自動化執行的企業——刪除日誌、生命週期後設資料、例外登記冊——會把保留從一個弱點變成一項有據可查的優勢。把這件事做對的組織，把 AI 訓練資料集的資料保留當作一門設計紀律：分層、受用途約束、自動化，並且可證明。
保留規則如何適用於模型權重與衍生製品？
訓練好的模型不是其訓練資料的副本，但它是從訓練資料派生出來的，而這一區別決定了下游的每一個保留決策。有四類製品需要分別對待。
| 製品 | 是什麼 | 保留姿態 |
|---|---|---|
| 原始源資料抽取件 | 從運營系統中取出的原始記錄 | 生命週期最短；訓練執行驗證完成後即刪除，除非存在合同或法定的保留要求 |
| 加工與標註資料集 | 清洗、去重、特徵工程與標註後的版本 | 保留至模型執行生命週期結束再加審計視窗；復現結果時需要它們 |
| 模型權重與配置 | 訓練產物以及產生它的引數 | 保留至模型生命週期結束，並滿足監管證據要求 |
| 評估與血緣記錄 | 留出集結果、訓練執行後設資料、資料血緣 | 保留時間最長；它們是證明決策做出過程合規的證據 |
之所以要把它們分開，是因為合併成一份政策會導致兩種經典失敗。把一切都當作訓練資料，你會刪掉那些證明模型經過測試的評估記錄——而事發之後，監管者第一個要看的就是這些證據。把一切都當作模型製品，你就會以「重訓時可能用得上」為由無限期保留原始個人資料，而這恰恰是儲存限制原則所禁止的堆積。
血緣是讓這種分離變得可操作的關鍵。如果每一個模型版本都能追溯到確切的輸入快照、預處理程式碼與產出它的資料集版本，你就可以在快照捕獲之後放心刪除原始抽取件，因為可復現性不再依賴保留原件。沒有血緣的組織之所以什麼都留著，正是因為他們無法證明什麼依賴於什麼。
資料已經進入模型之後，如何處理刪除請求？
刪除是訓練資料保留中最困難的問題，而且用設計來解決它，比用刪除來解決它更好。一旦個人資料影響了模型權重，就不存在可靠的外科手術式移除：資訊已經分佈在整個引數空間裡，而試圖「遺忘」它的做法，往往會損害模型效能，或留下殘餘痕跡。
有三種設計是站得住腳的，多數企業最終會組合使用：
- 從訓練中排除易被要求刪除的資料。被要求刪除的可能性較高的資料類別——客服對話記錄、營銷互動歷史，以及任何依附於短期同意的資料——按政策排除在訓練語料之外，只用於刪除操作很直接的檢索場景。在這些資料對模型質量並非必需時，這是最乾淨的方案。
- 按既定節奏重訓。維護一份刪除登記冊，並按有記錄的間隔——視資料量按季度或按月——從經過整理的語料重新訓練，使被刪除的記錄不出現在下一個模型版本的語料中。執行上的要求是版本紀律：舊模型必須按計劃退役，而不是與新模型並行執行。
- 訓練之前先做去識別化。當分析價值在於模式而不在於個體時，在訓練步驟之前先做去識別化或聚合。經過妥善匿名化的資料在很大程度上脫離了個人資料監管範疇，這意味著刪除請求根本不會觸及模型。需要達到的標準是真正的匿名化——即重新識別在合理情況下已不可能——而不是仍然屬於個人資料的假名化。
這個設計決策應當在第一次訓練之前做出，而不是在收到第一份刪除請求之後。給一個已經上線的模型補上刪除策略，通常意味著從零重訓，而這筆成本正是及早決策的理由。
不同司法轄區的保留要求應如何區分？
保留規則在全球範圍內並未趨同，而一個用多地區資料訓練的 AI 專案，要麼適用其中最嚴格的一條規則，要麼把語料隔離。有三種模式覆蓋了大部分差異。
- 受用途約束、並設有明確上限的保留。GDPR 的模式：個人資料的保留不得超過有記錄的用途所需，違反儲存限制原則的罰款最高可達 2,000 萬歐元或全球年營業額的 4%。行業規則會疊加其上——例如金融服務業的記錄儲存要求，可能規定最低保留期，從而推翻「能刪就刪」的一般偏好。
- 行業特定的最低期限。受監管行業往往設定的是最低期限而非最高期限：銀行不能刪除它被要求提供的交易記錄。可行的處理方式，是把強制儲存的記錄與訓練語料分開——記錄按法定期限儲存，同時把它排除在原本會按更短週期保留的訓練資料之外。
- 有檔案記錄、並附帶跨境限制的保留。若干亞太地區的制度要求保留期限必須有限且有記錄，並附加影響訓練語料儲存與處理地點的本地化或傳輸條件。2026 年 1 月生效的韓國《人工智慧框架法》，是這一組中最新的成員。
由此產生兩個運營決策。第一，在資料攝入時給資料集打上司法轄區標籤，因為給一份已經混合的語料補標籤極其昂貴。第二，決定是全域性適用最嚴格規則，還是按地區隔離語料。全域性適用操作更簡單、也更容易辯護；隔離保留了更多資料可用性，但需要強制保證地區語料永不混合，而這比看起來要困難得多。
如何向監管者證明保留合規？
幾乎每一次對保留實踐的審查，監管者都會問同樣四個問題，而一個自動化的框架可以用一次查詢、而不是一次重建來回答每一個問題。
- 政策是什麼，誰批准的？每個資料類別的保留時間表，以及負責人、批准記錄與生效日期。
- 每個保留期限背後的用途是什麼？每個類別有記錄在案的用途，並與持有該資料的業務或法律基礎掛鉤。
- 政策是否覆蓋了範圍內的所有資料？覆蓋率報告——承載保留標籤與自動化時間表的資料集佔比——要誠實陳述，而不是含糊暗示。
- 能否展示執行情況？帶時間戳的刪除與歸檔日誌，外加一份例外登記冊，列出哪些資料被超期持有、原因是什麼、由誰授權。
例外登記冊纔是多數審查真正的勝負手。每一家組織都會有一些資料超過保留日期仍然持有——訴訟保全、正在進行的調查、合同義務——而一份記錄了這些保全、載明批准人與到期日的登記冊，就是一個受控流程的證據。相反，一份在審查中被發現、卻沒有任何記錄的保全，無論框架其餘部分做得多好，都會被解讀為系統性失敗。
最有用的準備工作是演練：在有人來問之前，先在內部把這四個查詢跑一遍，並修復它們暴露的問題。做這件事的組織通常會發現：有些資料類別從來沒有被打過標籤；有些定時任務幾個月前就已經停了；有些已刪除資料集的副本仍然存在於下游環境與備份中。這三種情況在內部發現時修復成本很低，在被別人發現時解釋成本極高。
訓練資料保留的關鍵結論是什麼？
- 按有記錄的用途與層級來定義保留——個人資料、去識別化資料、模型製品，以及其他預設短週期的資料。
- 在資料攝入時把保留時間表作為後設資料寫在資料集上，並自動化執行刪除。
- 把訓練資料與模型製品分開：證據必須保留，個人資料應當釋放。
- 在存在分析價值的地方，優先選擇去識別化，而不是刪除。
- 演練審計——政策、用途、時間表與執行證據，都必須拿得出來。
AI 訓練資料保留應該從哪裡著手？
AI 訓練資料集的資料保留，是一門調和兩種壓力的管理紀律：一邊是資料用於訓練與重訓的業務價值，另一邊是沒有正當用途卻仍然持有資料所帶來的監管成本。答案不是一個單一的數字，而是一個分層的自動化框架——受用途約束的保留、在有價值處做去識別化、把模型製品作為證據保留，以及在資料管道中而非日曆上執行的執行機制。蜂啟諮詢幫助企業把這套框架建進自己的分析基礎，讓 AI 專案不是建立在不斷累積的合規負債之上，而是建立在能夠自我辯護的資料之上。
