工业自动化采购方如今越来越多地面临一类合同条款：这些条款决定供应商是否有权利用宝贵的生产与运营数据训练共享模型。
目前没有业内公认的方法，能够量化模型从你的厂区数据中获得了多少增益；即便供应商可以清除数据带来的影响，清除之后也无法返还任何可供你使用的成果。工业自动化使用者所依赖的各类法规、标准合同，都没有触及模型这一层面，相关权利只能依靠双方协商在合同中约定。
在投身物理AI 领域之前，笔者曾管理电力与天然气大宗商品交易基金。工业自动化行业一直忽略的这个区分，却是每一位能源交易员都熟知的：天然气属于可拥有的商品，可以储存、交付、拆分，所有权随分子本身转移。天然气燃烧发电后，电能并入电网，混合在一起，再也无法单独取回。世上没有任何电表，可以把属于你的电子单独返还给你。
图片来源：KUKA
共享模型的学习成果无法剥离
一旦工厂运营方的数据被用来训练共享模型，这份数据带来的影响就再也无法从模型中分离。它已经成为模型行为逻辑的一部分，和其他所有厂区贡献的数据融合在一起。不存在一份单独的“属于你的那部分学习成果”可以交还给你。
想要从已训练完成的模型中删除某一家工厂的数据，通常意味着重新训练模型并剔除该数据；对于大规模机器人集群来说，这种方式几乎不具备可行性。精准 “遗忘数据” 仅在特定模型架构下才能实现。无论如何，“删除数据”本身并不是合适的评判标准：就算系统成功遗忘客户数据，也无法把客户贡献的知识单独提取出来，作为独立资产交还客户。
衡量贡献同样困难。没有公认的商业手段，可以判定某一家工厂的数据对整个机器人集群模型性能贡献了多少。前后对比测试只能证明训练起到了效果，却无法区分是谁的数据带来的提升。原始数据可以拆分剥离；但已经融合进共享模型的学习成果不能拆分，除非模型在训练之初就设计了数据移除机制。
就算是大家直觉上觉得可行的折中方案（“你的微调模型归你所有”），也存在同样局限。厂区微调一般只是少量参数调整，用来把供应商的通用模型适配到单个工厂场景。和融合后的共享学习成果不同，微调文件可以单独保存、交付。但微调模型只能在配套的基础模型与运行环境上才能运行。技术层面可以单独分离，不等于它可以独立使用，这一点合同也无法改变。合同能做到的，是授予客户在合作终止后继续运行该微调模型的许可。
法律管辖尚未触达模型层
带着这个底层逻辑，我们再来看现有法律文件。
美国联邦贸易委员会（FTC）针对John Deere拟定的和解协议，本会成为维修权领域标志性成果。协议明确说明：获取维修资源 “并不代表获得Deere任何知识产权的所有权”。农户拿到的是诊断工具，而非模型本身。这份裁决完全没有触及 “See & Spray” 智能喷洒系统背后的机器学习模型。模型仍归Deere所有，并非通过专门的排除条款，而是法律规则本身对此保持沉默。
自 2025 年 9 月起实施的《欧盟数据法案》，赋予设备使用者法定权利，获取由设备产生的数据。法案覆盖原始数据与预处理数据。但法案第 15 条说明（Recital 15）将 “由专有复杂算法衍生出的信息” 排除在外，“除非另行约定”。短短一句话，把整个模型层的权利交还给合同约定，实践中也就是由供应商的制式合同说了算。
两大司法辖区、两份法规，指向同一个结论：法律把模型排除在外。使用者不断争取拿到数据原料，但由数据衍生、持续迭代的模型成果，往往不在这些法规的保障范围内。
图片来源：MathWorks
工业AI模型采购的合同之争
直到不久前，模型相关权利很少在合同中明确约定。但在一些领先的大型企业的自动化采购中，情况正在发生改变。
大型工业自动化采购方现在会直接在物理 AI 协议草案中写入模型相关条款。笔者看过这类草案，也参与过相关谈判。他们的权利诉求层层递进：先是原始数据所有权，再是衍生数据所有权、客户专属权重参数所有权，接着获得运行这些权重所依赖底层模型的永久许可。
诉求的最后一环直指模型架构本身：只要系统和双方联合开发的方案近似，就要触发付费机制。采购方明白，微调成果只能依托供应商的基础模型运行，因此不断争取，直至锁定整个平台。
有两点值得重点关注。
第一，同一份合同，一边要求：只要机器人部署带来增益，相关衍生成果就要给到永久权益；另一边却把硬件只当成成本加成项目。领先的自动化采购方分配谈判筹码时，心里有一张折旧表：硬件会折旧贬值，但模型学到的知识会持续增值、复利累积。
第二，谈判中争夺最激烈的条款，往往不是数据所有权，而是数据池准入权：客户现场的生产实时数据，是否可以用来训练面向所有客户的共享集群模型。如果你花一个季度让集群模型学会处理你最难加工的货品 SKU，这项能力很可能在下一次版本更新中，被交付给使用同一家供应商的竞争对手。单家厂区的部署数据在全部训练数据里占比或许很小，但这些生产中的边缘案例，价值极高。
目前集群模型依然带有很强的场景局限性，在 A 工厂调好的微调模型，放到另一家工厂效果经常变差。但现在签署的永久许可，将约束五年之后的模型——如果跨厂区迁移模型能力成熟的话。这项资产在它完全成型之前就开始划分归属，而现在正是争取权利成本最低的时候。
自动化采购方要求为模型训练设置“许可闸门”，而这个闸门在技术上是可行的：厂区专属微调可以单独部署在本地 GPU 上，生产数据不用流出工厂。但数据混训并非必然结果，这是上游在合同阶段就定下的技术路线选择。
供应商则固守其迭代的飞轮逻辑：依托所有厂区匿名数据训练基础模型，持续优化，惠及全部客户。部分新合同草案提出了相对公允的方案：单独约定训练数据的授权使用费。还有一些草案提前设置模型溯源义务，要求记录训练输入、决策逻辑，远早于监管出台强制要求。
与此同时，一些采购方还在索要源代码：代码仓库、驻场工程团队、触发条件宽松的代码托管提存（escrow）。但获取源代码算不上完备的解决方案：它拿到的只是某一个时间点的快照，而不是持续迭代学习的闭环。
供应商早已主张拥有学习成果
把多家机器人厂商公开销售条款放在一起对比，会发现相同的规则：客户保留原始数据与厂区专属信息所有权；供应商通过性能优化、数据聚合条款，获得运营遥测数据的永久免费许可。数据训练出来的学习成果，跟着这份许可归供应商。
就算合同里写了禁止训练，限制范围也往往只针对个人数据，并不覆盖运营数据、衍生数据、客户专属资产。波士顿动力 Spot 机器人的销售条款是我见过表述最明确的：“机器人技术数据” 包含机器人在现场采集的几何、地形、图像信息，供应商无限期保留，并被授予为产品改进而永久使用性能和应用数据的权利。
市场就此分化：大客户逐条谈判，争取各项权益；中小客户直接使用标准模板合同，在默认条款下把模型权益拱手让出。
合同必须划分清楚的资产和要素
可以借鉴电力行业的先例。电力市场无法把属于任何人的电子单独返还，于是他们把物理上不可拆分的属性进行拆分、计量，以凭证形式交易。机器人领域同样存在数据融合，但没有工具计量学习成果，因此只能在合同层面提前做好约定：定义衍生资产、划分归属、单独定价。这类条款并不新奇：生命科学领域的协议很早就使用阻断许可条款，防止后续知识产权困住合作一方的平台。
一份协议至少要分开界定四项资产归属：
1. 原始数据源
2. 模型训练授权
3. 厂区专属模型与厂区记忆
4. 合作终止后，使用上述资产所需的运行许可
其中第三项，厂区专属模型与厂区记忆，范围比训练模型更广。如今机器人集群的优化不只是依靠模型训练，还依靠记忆：记录在某个厂区哪些方案有效、哪些失败，后续任务直接复用这些经验，不需要重新训练模型。单单这份厂区记忆本身就是资产。它归谁、谁可以复用、合作结束后客户能否带走，都需要明确约定。因为供应商从厂区获取知识，不再只有“训练模型”这一条途径。
这一可行的解决方案，在时下市场头部客户正在进行的谈判中已现雏形。供应商保留基础模型及跨客户飞轮（数据—训练—增强的正循环）的所有权；客户则拥有其厂区专用微调模型、配置参数及厂区记忆，并配以保障其可用的运行时许可。训练权须单独定价，而非暗藏于服务格式条款之中；文档化相关权利，保障整套体系可审计。
就算可以认证删除单个客户数据，也只是提升客户谈判筹码，仍然无法返还任何可用资产。真正会改变这套商业逻辑的是另外两种情形：基础模型变成标准化大宗商品，或者跨厂区模型迁移始终无法落地，那么集群模型增长飞轮的价值就会低于供应商宣称的水平。但当下正在谈判签署的合同，是在分配未来资产——也就是机器人学到的知识。
企业管理层在批准机器人部署前，机器人协议必须包含四项条款：
1.锁定原始数据：原始数据与预处理数据的所有权，明确可以分离并可以返还。
2.训练授权单独定价：审慎决定是否加入共享数据池。如果同意入池，要按独立商业条款给训练授权定价，不能藏在通用服务条款里。
3.明确定义客户专属资产：微调模型、配置参数、厂区记忆都要写进合同，不能靠推定。仔细阅读禁止训练条款，核查它是否覆盖运营数据、衍生数据、客户资产，还是只限制个人数据。
4.保障终止后的可用能力：拿到运行许可与文档权限，确保合作结束后，这些资产仍然可以使用。同时询问供应商，多少比例收入附带跨客户训练授权；这个数字代表供应商已经拿到多少像你一样客户的数据使用权。
