投资AI项目，传统尽调不够用了——李章虎律师拆解算法、数据、算力三大雷区
摘要：投资AI项目，传统的尽调方法不够用了——算法权属怎么核查？训练数据有没有版权隐患？模型能力是实打实的还是PPT演示出来的？李章虎律师团队聚焦AI+87个行业的投融资项目，拆解AI项目尽调的独特维度、高频雷区和应对策略。
一、AI项目尽调，难在哪？
如果你投的是一个传统制造企业，尽调的重点是固定资产、客户合同、应收账款，律师都知道怎么查。但当你面对一个做AI制药的团队、一个做自动驾驶数据标注的公司、或者一个面向金融行业的算法服务商，传统尽调方法论立刻捉襟见肘。
核心差异在于，AI项目的价值不在厂房和设备里，而在算法、数据、算力和人才这四个看不见的东西里面。而这四个东西，任何一个出问题，交易都可能崩盘。
先说算法。一家AI公司的核心算法，很可能是从开源社区复现的，或者核心研发人员是从某大厂带着前东家的代码来的。代码是不是"干净"的？有没有侵犯前雇主的商业秘密？这个问题在传统尽调中几乎不存在，但在AI项目中是致命风险。我们在一个AI医疗的项目中遇到的情况是：核心算法确实跑通了临床试验，但溯源发现，预训练模型的权重是从一个未授权的第三方镜像站下载的——这意味着未来有被"断供"或被追索的风险。
再说数据。大模型时代，训练数据的合规性比代码本身更容易出问题。OpenAI、Google被集体诉讼的案例比比皆是，国内对训练数据来源的监管也日益收紧。如果一家待投的AI公司，训练数据是从全网抓取的、没有授权、没有清洗过个人信息、甚至混入了竞争对手的受保护数据——那这笔投资可能不是买一个资产，是买一个定时炸弹。
算力也不容忽视。AI公司通常不自建计算集群，而是依赖云服务商的GPU算力。如果有一项关键合同是跟外资云服务商签的，而该服务商恰恰在出口管制名单上，供应链断裂就在眼前。
人才是第四个维度。AI公司的核心资产是人——核心研发人员离职了，公司还剩什么？但很多早期AI项目恰恰在这方面最脆弱：核心团队没有签竞业限制、职务发明的归属靠口头约定、股权激励方案设计不合理导致骨干流失。
这就是为什么AI项目尽调需要一套完全不同的思维框架。不是传统尽调查什么就去查什么，而是先问自己一个问题：这个AI项目最值钱的东西是什么？然后反推该查什么。
二、AI项目尽调六步法
法律尽调需要节奏和方法论。以下六个阶段是我们在多个AI+87个行业的投融资项目中总结出来的标准流程。
第1步：定制化资料清单。 传统尽调的清单模板拿到AI项目来用，至少一半是废的。我们会根据目标公司的AI技术路线（大模型/小模型/强化学习/知识图谱）、应用行业（医疗/金融/制造/教育等87个行业各有不同的监管框架）、和商业模式（toB/toC/API调用/私有化部署）做三重定制。比如AI医疗项目，除了常规公司资料外，必须加查医疗器械注册证、算法备案证明、临床试验伦理审批——缺任何一项，产品的商业化就是空中楼阁。我们的书籍《人工智能+87个行业应用的法律风险与应对指南》总结了每个行业的监管差异和尽调侧重，在清单定制阶段就能做到"对症下药"。
第2步：资料收集与交叉验证。 收到资料后第一件事不是阅读，是交叉核对。工商年报的数据跟审计报告一致吗？专利证书上的权利人跟公司名字对得上吗？核心软件有没有做著作权登记？标注的训练数据量跟实际存储的数据量匹配吗？我们曾经在一个AI教育项目中遇到的情况是：标的公司宣称训练数据覆盖2000万道题目，但核查发现实际存储的建议数据只有约300万道——“2000万"是把每一次数据增强（旋转、加噪）算作独立样本后的数字。这种算法层面的"注水”，传统尽调根本识别不出来。
第3步：公开信息多维核查。 除了传统的工商、涉诉、失信记录查询，AI项目尽调必须额外关注：计算机软件著作权登记情况（中国版权保护中心）、专利申请及审查状态（国家知识产权局——注意区分发明和实用新型，只有发明经过了实质审查）、算法备案公示信息（国家网信办算法备案系统——查备案类别、应用领域、安全评估报告提交情况）。还有就是GitHub等技术社区的开源代码痕迹——核心算法是不是"借鉴"了某个GPL许可证的开源项目？如果是，商业化的法律基础在哪里？
第4步：技术访谈与代码审计。 文件是静态的，技术是动态的。必须安排与技术负责人（CTO/首席科学家）的一对一访谈，核心问题包括：核心算法的原创性比例？使用了哪些第三方基础模型或开源组件？训练数据的来源、授权方式和清洗流程？有没有对个人信息做去标识化处理？有没有技术文档记录每一次模型迭代的参数、数据和性能变化？我们会要求对核心代码库做抽样审计，重点排查开源代码的许可证兼容性和前雇主的代码痕迹。这一步在很多传统尽调中是不存在的，但对AI项目来说直接决定交易安全性。
第5步：法律风险分级评估。 把收集到的所有信息按"风险等级×发生概率×影响程度"三维模型逐项评分。高风险（红色）：算法侵犯第三方知识产权、核心人员从前雇主处携带代码、训练数据包含未授权个人信息。中风险（黄色）：模型依赖特定第三方API存在供应链风险、算法偏差可能导致合规义务。低风险（绿色）：知识产权登记不完备、数据标注质量不达标等可在交割后整改的问题。每一条风险必须附带可操作的缓释建议——不是"建议关注"，而是具体的整改方案、时间节点和责任人建议。
第6步：尽调报告出具。 报告结构：交易概述→尽调范围与方法→各维度发现与风险分析→交易建议（明确写"继续"“附条件继续"或"建议终止”）。AI项目的尽调报告有一个特殊部分：技术资产专章，将算法的权属、合规性和独立性作为核心资产单独描述，而不是像传统尽调那样混在"知识产权"章节里一笔带过。
三、AI项目尽调的六个专属维度
3.1 算法权属与知识产权
这是AI项目尽调的第一顺位。传统尽调查IP就够了，AI项目必须深入到代码级别。
首先要查算法的"出身"。核心算法从哪来的？是创始人独立研发，还是在某大厂的实验室里做出来的？后者的话，离职前后有什么竞业限制和知识产权归属约定？如果核心研发人员在加入目标公司后12个月内提交了与在前公司工作内容高度相关的专利申请，那么根据《专利法》第六条和《专利法实施细则》第十二条，这个专利的权属可能不属于目标公司，而属于前雇主。这是实打实的交易杀手。
其次要查开源代码的许可证兼容性。AI项目几乎不可能从零写代码，一定会用到开源框架（PyTorch、TensorFlow）和预训练模型（LLaMA、BERT等）。问题在于开源许可证有传染性——如果你的产品代码中混入了GPL许可证的代码，你可能被迫也必须开源自己的代码。这对于做私有化部署的AI公司来说是不可接受的。我们的做法是做一个许可证兼容性矩阵，逐一排查核心代码库中的每一个第三方依赖的许可证类型和触发条件。
还要查API依赖的稳定性。很多"AI公司"本质上是GPT-4或文心一言的套壳应用。如果核心功能完全依赖第三方大模型API，投资方需要评估"如果明天API涨价三倍或切断服务，公司还能不能活下去"？
3.2 训练数据的来源合规
2024年以来，训练数据的合规压力从欧美蔓延到国内。核心问题是：训练数据是怎么来的？
如果是网络爬虫抓取的，有没有遵守目标网站的robots.txt协议和用户协议？有没有剔除个人信息？如果是购买的数据集，有没有数据供应商的授权合同和质量保证？如果是用户提交的数据（比如用户上传到某AI应用中的文件），用户协议中是否已经取得了足够的授权？如果是合成数据，生成质量如何，有没有"模型坍塌"的风险？
我们之前遇到过一个AI营销项目的尽调，标的公司声称训练数据"覆盖10亿用户画像"。核查发现，这些数据来自一个第三方数据交易平台，平台本身没有个人信息保护影响评估（PIA）备案，也没有获得用户的单独同意。这种情况下，不仅投资风险极高，甚至整个商业模式都建立在违法基础上。
3.3 算力供应链安全
算力不是传统尽调会查的项目，但在AI项目中，这是"能不能活下去"的基础设施问题。
核心关注：目标公司依赖哪些GPU供应商？是NVIDIA还是国产替代（华为昇腾、寒武纪）？是否涉及出口管制风险？有没有因制裁导致"断供"的概率？GPU采购合同里有没有不可抗力或终止条款？云计算服务合同（AWS/Azure/阿里云/华为云）的到期时间和续约条件？如果是自建计算集群，机房租赁合同是否稳定？
一个实际的案例：某AI芯片创业公司，核心GPU依赖NVIDIA的A100。但A100从2023年起受美国出口管制政策限制不能直接向中国市场供货。公司购买的是"灰色通道"进来的水货——性能没问题，但法律合规性有问题，且无法获得原厂维保。这直接影响了后续融资的估值。
3.4 核心人才与职务成果归属
AI公司的核心资产是人。尽调中要回答这些问题：
核心研发人员的劳动合同是否完整？竞业限制协议是否已经签署并支付了经济补偿？职务发明、职务软件著作权的归属是否有书面协议？有没有核心人员是从前东家"带代码跳槽"的？（这一点特别敏感，我们一般要求核心研发人员签署书面声明，承诺其带来的技术成果不侵犯任何第三方的知识产权）
股权激励方案是否合理。很多早期AI公司把期权的"行权价"设得过高，或者vesting条款不合理，导致激励变成了反激励——核心人员在融资前就开始流失。投资方进入后，ESOP的池子还剩多少？需不需要在Pre-IPO轮次扩大激励池？这些问题要在尽调阶段就搞清楚。
3.5 AI合规监管环境
AI行业的监管环境变化极快，尽调时必须预判法律趋势。
首先是算法备案。根据《互联网信息服务算法推荐管理规定》和《生成式人工智能服务管理暂行办法》，具有舆论属性或社会动员能力的算法推荐服务必须备案。目标公司的算法是否已经完成备案？如果没有，是否在法定期限内可以完成？备案失败的风险和后果是什么？
其次是深度合成标识。根据《互联网信息服务深度合成管理规定》，AI生成内容必须进行标识。目标公司的产品是否已经实现了内容标识功能？如果没有，改造成本多大？
再次是行业专项监管。AI在医疗行业的应用需要医疗器械注册（《医疗器械监督管理条例》），在金融行业受《金融信息服务管理规定》的规制，在自动驾驶领域需要道路测试许可。87个行业各有各的"准入证"，缺一个就可能导致整个商业模型被叫停。
3.6 商业模式与收入真实性
AI公司经常出现的陷阱是"看起来很赚钱，实际上不赚钱"。
核心关注：合同收入中多少是一次性的项目定制费，多少是可持续的SaaS订阅费？如果客户主要来自政府或国企，这些合同是否经过了完整的招投标程序？（没有走正规招投标的合同，在合规上有被追诉的风险）有没有"左手倒右手"的关联交易虚增收入？应收账款周转率是否健康——有些AI公司的客户付款周期长达180天，这本质上是用供应商的钱在帮客户的现金流。
产品的商业化验证程度也是关键。模型在实验室里的测试精度和在真实场景中的表现是完全两回事。尽调时我们会要求目标公司提供一个"失败案例清单"——不是看他们成功了什么，而是看他们失败过什么、怎么失败的、从中学到了什么。一味强调"100%准确率"的公司往往最不可信。
四、AI项目五大高频风险及应对
风险一：算法侵权或"带代码跳槽"。 核心研发人员从前雇主处携带代码和技术秘密加入目标公司，可能导致目标公司的核心IP被前雇主追索。应对：要求核心人员签署不侵权声明和背景调查授权，对核心代码库做开源许可证和代码来源审计，在交易协议中设置知识产权陈述保证与特殊赔偿条款。
风险二：训练数据来源不合法。 训练数据包含未授权的版权作品或未脱敏的个人信息，面临著作权侵权集体诉讼和个人信息保护行政处罚的双重风险。应对：要求提供数据来源清单和授权文件，抽查训练数据样本排查个人信息残留，合规评估后设置"数据合规整改期"作为交割前置条件。
风险三：算力供应链中断。 核心GPU受出口管制无法采购，或云服务合同到期后无法续约。应对：做供应链替代方案的压力测试——如果是NVIDIA被禁怎么办？有没有国产芯片的移植方案？云计算合同是否有多供应商备选？
风险四：核心人员流失。 关键研发人员离职可能导致项目延期、技术停滞甚至商业机密泄露。应对：核查竞业限制协议签署率和补偿支付情况，评估股权激励的锁定效果，交割后设置"核心人员保留期"（通常12-24个月），在交易协议中约定分期付款与关键人员在职状态挂钩。
风险五：监管政策突变。 新的AI监管法规可能在交割前后出台，改变标的公司的合规成本和商业模式。应对：在尽调报告中设置"监管预判专章"，分析已知立法动态及其对目标公司的潜在影响，在交易协议中设置重大不利变化条款（MAC条款），明确监管政策变化导致商业模式不能持续时投资方的退出权利。
五、AI项目尽调核心清单
以下是我们团队在AI+87个行业的投融资尽调项目中常用的核心清单条目（精简片段）：
一、算法与知识产权相关：核心算法的技术文档和架构说明；计算机软件著作权登记证书及源代码存证记录；开源代码使用清单及其许可证类型；第三方基础模型/API的授权协议和使用条款；核心研发人员的职务发明归属协议和不侵权声明。
二、训练数据相关：训练数据的来源渠道和获取方式说明；数据采购合同/数据授权协议/用户数据采集的同意机制；个人信息保护影响评估（PIA）报告；数据去标识化和匿名化处理的技术方案和验证报告。
三、算力与基础设施相关：GPU/计算资源的采购合同或租赁协议；云计算服务合同及续约条款；涉及出口管制产品的合规声明；如涉及进口替代方案，提供可行性评估报告。
四、核心人才相关：核心研发团队的劳动合同、竞业限制协议及补偿支付记录；股权激励计划全套文件（方案、协议、行权记录）；近三年核心人员的离职率统计及离职原因分析。
五、AI合规相关：算法备案完成的证明或备案申请的进度说明；深层次合成内容标识的技术实现方案；如涉及行业专项监管（医疗、金融、自动驾驶等），提供对应的行业准入资质和许可文件。
六、商业合同相关：前十大客户的合同及最近一年交易详情；关键客户的招投标文件和政府采购成交记录；是否存在"A公司签单、关联公司收款"的合同分流情况。
六、FAQ
问：投资AI项目，最容易被忽略的风险是什么？
答：开源代码的许可证传染风险。很多AI团队引以为豪的"自研算法"，深挖下去发现是基于GPL许可证的开源代码修改的。按照GPL的传染性条款，如果你的代码二次分发了GPL衍生作品，你必须也以GPL开源你的代码。这对于打算做私有化部署收费的AI公司是致命的。我们的习惯是：尽调一开始就让技术团队把所有第三方依赖列出来，逐一标许可证，有GPL的立即亮红灯。
问：多大规模的AI项目需要全面尽调？
答：不在于金额大小，而在于风险类型。一个500万的种子轮AI项目，如果核心算法存在侵犯前雇主商业秘密的嫌疑，它的风险可能比一个5亿的传统制造项目更大。建议至少对算法权属和训练数据合规这两个维度做一次"深度尽调"，哪怕其他维度做简化版。我们的书籍《人工智能+87个行业应用的法律风险与应对指南》中，有一整章专门讨论不同规模和行业的AI项目该做多深的尽调。
问：尽调周期通常多长？
答：常规AI投融资项目，尽调周期4-6周。如果涉及大模型、算法备案、训练数据溯源等复杂技术核查，可能需要8-12周。建议在Term Sheet签署后立即启动，其中算法审计和数据溯源这两步最耗时——不是因为技术难度高，而是因为目标公司自己往往也没有系统的技术文档，需要一边尽调一边补材料。
问：尽调发现的问题怎么处理？
答：三种方式。第一，交割前整改——比如完成算法备案、补登记软件著作权。第二，调整交易条款——比如把部分对价改为对赌分期支付，跟核心算法通过第三方独立审计挂钩。第三，在SPA中设置特殊赔偿条款——比如训练数据侵权风险的赔偿上限不设Cap。具体选哪种，取决于风险的严重程度和你跟对方的谈判筹码。我们团队的原则是：算法和数据的问题能提前解决就提前解决，尽量不要依赖交割后的陈述保证条款——真出了问题打官司，远不如尽调阶段就把风险堵住。
李章虎律师团队简介
【李章虎律师团队】隶属于上海锦天城（重庆）律师事务所，由高级合伙人李章虎律师领衔，拥有15年以上法律服务经验，核心领域涵盖知识产权、重大商事争议解决、政府与企业法律顾问、投资并购、前沿科技法律事务。团队汇聚多名兼具律师执业资格与专利代理师资格的"双证"律师，具备从专利行政确权到司法保护的全流程服务能力。
李章虎律师为中国中小企业协会《中小企业合规评价认证标准》起草人，连续六届获评国际权威法律评级《Benchmark Litigation》诉讼之星，入选《The Legal 500》中国精英榜单、律新社2025知识产权（商业秘密）律师20佳，承办案件多次入选最高人民法院典型案例。出版《人工智能成果：确权与资产化》《人工智能+87个行业应用的法律风险与应对指南》《商业秘密：保护与维权指南》等多部专业著作，服务各类单位500家以上。
免责声明：本文内容仅为基于公开法规信息及律师执业经验的客观介绍，不构成对任何具体项目或案件的法律意见。当事人应根据具体情况自行决策，并在委托前核实律师执业信息。过往业绩不保证未来结果。
参考文献：
《中华人民共和国公司法》（2023年修订，2024年7月1日起施行）
《生成式人工智能服务管理暂行办法》（国家网信办等七部门，2023年8月15日起施行）
《互联网信息服务算法推荐管理规定》（国家网信办等四部门，2022年3月1日起施行）
李章虎，《人工智能+87个行业应用的法律风险与应对指南》，2024年