如何用 Label 309 锚定 AI 数据集清单

要在日后证明某次数据集快照包含了什么，就锚定它的清单：对清单文件计算哈希，把这个哈希作为一条 Label 309 记录发布到 Cardano 上，而数据集本身保持私密。从此以后，任何拿到交易引用的人都能确认：该清单在某个公开区块时间或更早，就以那个确切形态存在过——无需信任你的服务器，也看不到你的数据。

数据集清单是某次数据集快照的稳定清册：它记录了在某一时间点纳入了哪些文件、记录、URL、许可、哈希、来源与处理步骤。Label 309 让你对这份清单计算哈希或做 Merkle 锚定，把承诺固定在公开记录里，而数据仍留在原处。

这一点对 AI 公司、研究团队、法务与合规团队，以及任何日后可能需要解释模型的训练或评估数据从何而来的人——尤其是在数据湖早已物是人非之后——都至关重要。

什么是 AI 数据集清单？

AI 数据集清单是一份结构化的清册。

它不必包含完整的训练数据，可以只包含数据的稳定引用与哈希。其目标是让一次数据集快照足够可审计、可复现，使日后的审阅者能够理解当时纳入了哪些内容。

一份清单可以描述：

文件
行
文档
图像
音频片段
视频
网页
许可
来源系统
采集日期
转换
过滤规则
去重步骤
哈希算法
模型训练的数据集划分归属
内部数据集版本号

没有清单，数据集往往只是一个文件夹、存储桶、数据表或归档包。这在实验阶段或许够用，但日后作为证据就很薄弱。

AI 团队为什么要给清单打时间戳？

因为数据集的历史会变得难以还原。

AI 团队会持续地增删、清洗、过滤、去重、标注、脱敏并重新划分数据。三月用来训练某个模型的数据集快照，到了七月可能已经不再是同一形态。

团队日后可能需要回答：

这个模型是用哪些数据训练的？
用的是哪个评估集？
这份客户数据当时是否存在于数据集中？
我们是什么时候移除受限内容的？
某项政策变更之前纳入了哪些来源？
在某次纠纷发生之前，我们是否已经持有这份数据？
这个模型是否用到了受某项特定许可覆盖的数据？

一份打了时间戳的清单，能为答案提供一个固定的基准点。

Label 309 如何契合其中？

Label 309 把清单承诺到公开时间上。简化版的流程是：

生成一份确定性的清单；
对清单文件计算哈希；
把这个哈希作为一条 Label 309 记录发布到 Cardano 上；
让清单与源数据保持私密；
日后通过重新计算清单哈希并与记录比对来验证。

对于大型数据集，应当锚定一个 Merkle 根，而非一个扁平的哈希。一条 Label 309 记录可以承载一份 Merkle 承诺——一组绑定到单一根的有序 32 字节叶子，外加一个叶子数量——这样链上的一个根就能代表一份任意大的链下叶子列表：

把每个清单条目计算哈希得到一个叶子；
对叶子做确定性排序；
构建 Merkle 树；
把根发布到记录中；
保留叶子列表与包含证明。

公开记录证明某份数据集承诺曾经存在，私密清单则解释承诺的内容是什么。这与让一条记录代表数千个文件的批处理模式如出一辙。

清单里应该放什么？

清单应当平实、确定且有用。

适合纳入的字段包括：

数据集 id
快照 id
创建时间
创建者或流水线 id
来源系统
来源 URI 或中性的来源引用
文件或记录 id
字节长度
内容哈希
哈希算法
媒体类型
许可或权利状态
同意或政策状态（如适用）
采集日期
转换流水线版本
去重分组
训练 / 验证 / 测试划分
已移除条目的排除原因
Merkle 叶子索引

不要把敏感个人数据放进公开清单。如果清单本身敏感，就让它保持私密，或将其封存。

是什么让清单具有确定性？

确定性意味着相同的输入产生相同的清单。

这需要清晰的规则：

规范化路径
选定一种稳定的字符编码
定义排序顺序
定义时间戳格式
尽可能避免使用本机的本地路径
准确记录哈希算法
冻结转换版本
包含 schema 版本
避免那些每次导出都会变化的字段

如果清单因为导出工具在每次运行时都添加一个新的随机 id 或时间戳而发生变化，那它就更难验证。

清单应当为充当证据而设计，而不只是为了方便。

私密数据集如何保持私密？

发布的是承诺，而非数据集。

一条 Label 309 记录包含一个哈希或一个 Merkle 根。两者单凭自身都不会泄露数据——哈希是单向摘要，而根只承诺一种叶子结构，并不暴露叶子本身。公司在内部保留清单、文件与访问控制。

日后，你可以针对那个固定的承诺有选择地披露：

单个文件及其 Merkle 包含证明
清单中的某一行
某个子集或来源类别
某次训练快照
在 NDA 之下披露整份清单
一个面向法律顾问、审计方或监管方的封存材料包

这让团队既能证明此前已作出承诺，又不必把私密数据集变成公开的——其思路与无需公开文件的保密披露相同。封存记录会把载荷加密给特定接收方的密钥，但要清楚它的局限：它只保证明文仅对持有密钥的人可读，并不保证匿名性，而且接收方随时都可能把自己解密出的内容泄露出去。

这对 AI 治理有什么帮助？

治理需要能经受审计的记录。

AI 治理团队越来越需要展示数据集是如何获取、过滤、记录、批准与变更的。清单并不等于整个治理体系，但它能给治理体系提供一些具体可验证的东西。

例如：

模型卡可以引用数据集快照 id；
内部审批工单可以引用清单哈希；
数据保留流程可以证明受限数据是何时被移除的；
红队评估可以锚定其评估集；
合规审查可以把所声称的数据集与已承诺的清单作比对；
客户合同可以引用可审计的数据集快照。

这一证明层让数据集记录更难被悄悄改写。

这与 AI 信息披露规则有何关系？

各项规则正朝着更完善的文档化方向演进。欧盟《AI 法案》（EU AI Act）包含针对通用 AI 的义务；2025 年，欧盟委员会发布了一份说明性通知与模板，用于为这类模型公开训练内容摘要。其他法域与平台也在不断更新各自对透明度与来源溯源的期待。

Label 309 并不替你决定必须披露什么，单凭锚定一份清单也无法满足任何特定法规——那取决于你所处的法域和你承担的义务。它能做的，是为你日后需要披露、概述、抗辩或审计的任何内容，在背后保留一份可识别篡改的证据。

这一区别很重要：证明可以支撑一项透明度主张，但它不是法律裁定，也不能取代法律顾问。

清单应该多久锚定一次？

按决策的节奏来锚定。

常见的做法包括：

每次训练运行
每次评估运行
每次数据集发布
每次政策过滤规则更新
每次面向特定客户的数据集构建
每个每日或每周的摄入批次
每次大规模去重
每次红队数据集快照

高吞吐量的团队应当使用 Merkle 批处理。重要的单次发布，可能还值得配上已签名记录与封存归档。

这不能证明什么？

时间戳证明的是时间与完整性——而非真实性、所有权或权利。对边界要坦诚：

它不能证明数据是合法采集的。
它不能证明已获得同意。
它不能证明某个模型确实是在这份数据集上训练的——除非你的流水线与日志把那次模型运行与该清单关联起来。
如果你的团队遗漏了条目，它也不能证明这份清单是完整的。

它确实能证明的东西既狭窄又持久：所承诺的清单或 Merkle 根，在某个公开区块时间之前就以那个确切形态存在过，事后任何人都无法回溯标注日期或悄悄修改它。这很有力，但前提是它真正接入了你的流程。要全面了解这一边界，请参阅证明不能证明什么。

简短版

AI 数据集需要稳定的清册。

数据集清单把一个不断变动的数据湖，变成一份你日后可以验证的快照。Label 309 用一个哈希或一个 Merkle 根锚定那份快照，还可以选择用一个 Ed25519 记录签名为其签名，并能向指定接收方封存一份私密材料包。公开的链从不需要数据集——只需要那份承诺。

保留清单。保存叶子列表。记录流水线。这样，当数据集受到质疑时，你拿出的是证据，而不是记忆。

Label 309 是一项开放、厂商中立的标准，目前已提交至 Cardano 的 CIP 流程，正作为一项 Metadata 类别的提案接受 CIP 编辑的审阅。其参考实现——网关、各个 SDK，以及 cardanowall CLI（它的 merkle-build 与 merkle-verify 命令负责处理上文提到的叶子列表与包含证明）——以开源形式托管在 github.com/cardanowall。