一句话定位：FDE 把大模型塞进客户真实业务的那一刻，技术决策就变成了法律义务与伦理责任。本专题梳理中外法规红线、行业准入门槛、LLM 特有风险与负责任 AI 落地清单，目标是让一线工程师在驻场现场能"按图索骥地做合规"，而不是把合规甩给法务事后补。

24.1 FDE 为什么必须把合规当成第一性约束

在传统软件交付里，合规通常是"上线前最后一道关"——产品经理提需求，工程师写代码，法务盖章。但大模型应用改变了这个节奏，原因有三：

第一，模型本身就是风险源。一段 CRUD 代码不会自己产生歧视性言论，但一个未对齐的 LLM 可能在客户对话里输出种族歧视内容、泄露训练语料中的隐私、或编造一份导致客户误签合同的"法律意见"。FDE 在 Engineer 阶段每一次 prompt 调整、每一批数据灌入，都在重新塑造这个风险面的形状。

第二，合规义务前置到部署环节。中国《生成式人工智能服务管理暂行办法》第十七条要求"具有舆论属性或社会动员能力"的生成式 AI 服务上线前必须做安全评估并完成算法备案；欧盟《AI Act》把部分高风险系统（如招聘、信贷评分、关键基础设施）的合规义务压在"投放市场之前"。这意味着 FDE 在 Context 阶段就要判断"这个应用踩不踩红线"，而不是 Engineer 完了再回头补。

第三，责任主体明确且可追溯。个保法第六十六条对违法处理个人信息可处以上一年度营业额 5% 以下罚款；生成式 AI 暂行办法第十九条对违反规定的提供者可处 1 万元以上 10 万元以下罚款，情节严重最高 50 万元并暂停服务。FDE 所在的公司作为"提供者"或"受托处理者"，留下的每一行日志、每一份 prompt 模板、每一次数据流转记录，都是事后追责或自证清白的证据。

红线意识：FDE 不是把"合规"当作交付清单上一项 checkbox，而是把它内化成"这条数据能不能进训练集""这个输出能不能直接给到 C 端用户""这次失败要不要人工兜底"的日常工程判断。

24.2 法规全景：中国

24.2.1 三部基础法构成的"数据三法"

中国数据治理的底层是三部法律并行：

• 《网络安全法》（2017 年 6 月施行）：确立网络运营者的安全保护义务、关键信息基础设施保护、数据本地化存储要求。FDE 在政务、能源、金融驻场时，"等保 2.0"（GB/T 22239-2019）的定级备案是绕不开的环节。
• 《数据安全法》（2021 年 9 月施行）：建立数据分类分级制度（一般数据、重要数据、核心数据），重要数据出境需安全评估。FDE 处理的客户业务数据中，凡是涉及行业"重要数据目录"的（如金融、能源、医疗），跨境传输必须走网信办评估。
• 《个人信息保护法》（PIPL，2021 年 11 月施行）：明确"告知—同意"原则、单独同意（敏感信息、出境、公开等场景）、个人信息处理者的安全义务。对 FDE 而言，最常踩坑的是"受托处理"角色——客户把用户数据交给 FDE 团队做模型微调，FDE 公司在法律上是"受托处理者"，必须按客户约定目的、方式处理，不得超范围使用，且合同终止后必须删除或返还。

24.2.2 生成式 AI 专项：暂行办法 + 算法备案 + 深度合成

法规/规章	文号	核心要点
《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 7 月发布，8 月 15 日施行	第 7 条训练数据合法来源、第 8 条标注规则与质量评估、第 9 条个人信息训练许可、第 15 条生成内容标识、第 17 条安全评估与备案
《互联网信息服务算法推荐管理规定》	2022 年 3 月施行	算法备案、用户权益保护、反沉迷、劳动者保护
《互联网信息服务深度合成管理规定》	2023 年 1 月施行	深度合成（含 AI 生成内容）显著标识、不可见水印、合成类算法备案

FDE 必须分清"算法备案"与"大模型备案"两个层次：

• 算法备案：针对具有舆论属性或社会动员能力的算法推荐/生成服务，应在提供服务之日起 10 个工作日内通过"互联网信息服务算法备案系统"完成备案，主体是公司，对象是算法机制。
• 大模型备案（生成式 AI 专项安全评估）：面向公众提供生成式 AI 服务的，需通过 省级网信办初审 + 国家级技术测试（内容包括违法不良信息拦截率、价值观对齐、训练数据安全等），通过后由网信办公示"已备案信息"并分配备案号。截至 2024 年 4 月，国家网信办已分批公示备案大模型清单，FDE 接入第三方基座模型时应优先选用已备案模型，并在应用显著位置或详情页公示模型名称与备案号。

24.2.3 数据出境的三道闸门

依据《数据出境安全评估办法》（2022 年 9 月施行）、《个人信息出境标准合同办法》（2023 年 6 月施行），数据出境按规模和敏感度分流：

1. 安全评估：关键信息基础设施运营者、处理 100 万人以上个人信息的处理者出境、重要数据出境，必须报国家网信办评估。
2. 标准合同（SCC）备案：不触发评估的，签署《个人信息出境标准合同》并向省级网信办备案。
3. 个人信息保护认证：通过国家网信部门认定的机构进行认证。

实务提醒：FDE 接入海外 LLM API（OpenAI、Anthropic 等）时，用户 prompt 与上下文会出境。一旦涉及客户业务数据或个人信息，必须先判断走哪一道闸门，再决定是否启用。很多驻场项目因此选择国内基座模型或私有化部署。

24.3 法规全景：海外

24.3.1 欧盟 GDPR + AI Act

• GDPR（2018 年 5 月施行）：确立"合法、公平、透明""目的限制""数据最小化""准确性""存储限制""完整性保密性"七大原则，赋予数据主体访问权、更正权、删除权（被遗忘权）、可携权、自动化决策反对权。罚款上限为 2000 万欧元或全球营业额 4%（取高者）。LLM 训练数据若包含欧盟数据主体的个人信息，即落入 GDPR 管辖；用户对自动化决策（如 AI 拒贷、AI 招聘筛选）有权要求人工介入与异议。
• EU AI Act（2024 年 8 月 1 日生效，2026 年 8 月 2 日全面适用）：采用风险分级框架——
  • 不可接受风险（第 5 条禁止实践）：社会评分、潜意识操纵、工作场所/学校实时远程生物识别等，自 2025 年 2 月 2 日起全面禁止。
  • 高风险：覆盖招聘、教育录取、信贷评分、司法、关键基础设施、执法等八大领域，自 2026 年 8 月 2 日起适用完整义务（风险管理体系、数据治理、技术文档、日志、透明度、人工监督、准确性/稳健性/网络安全）。
  • 有限风险：透明度义务（如 chatbot 须告知用户在与 AI 交互、深度合成须标识）。
  • 最小风险：无强制义务。
  • 通用目的 AI 模型（GPAI）：自 2025 年 8 月 2 日起，提供者须公开训练摘要、遵守版权法、配合下游高风险系统提供者；系统性风险模型（算力阈值 10^25 FLOPs）须做模型评估、对抗测试、事件上报。

24.3.2 美国：行业化、分散式

美国无统一 AI 法，但形成"垂直行业法 + 州法 + 行政命令 + 自律"组合：

• HIPAA（1996）：医疗领域的"受保护健康信息"（PHI）处理规则，覆盖 18 类标识符，违规最高单笔 200 万美元。医疗 AI 必须在 BAA（业务伙伴协议）框架下处理 PHI。
• CCPA/CPRA（加州）：消费者对个人信息享有知情、删除、退出销售/共享、限制敏感信息使用的权利，2023 年起适用。
• NIST AI RMF 1.0（2023 年 1 月发布）：自愿性风险管理框架，核心是 Govern—Map—Measure—Manage 四大职能，已成为企业 AI 治理事实标准。
• 白宫 AI 行政令 14110（2023 年 10 月）：要求基础模型开发者向商务部报告安全测试结果（红队）、关键基础设施领域 AI 安全标准。

24.3.3 其他主要辖区

• 英国：倾向"pro-innovation"弹性监管，2023 年发布《AI 监管白皮书》，由现有行业监管机构（如 ICO 管 GDPR、MHRA 管医疗器械）各管一段。
• 新加坡：Model AI Governance Framework（2024 更新第二版）、AI Verify 测试工具箱。
• 日本：2024 年 4 月成立 AI 战略本部，倾向软法引导，对生成式 AI 发布《事业者ガイドライン》。

24.4 行业监管纵深

24.4.1 金融：穿透式监管下的双线合规

金融行业 FDE 必须同时满足"行业监管 + 数据合规"两套要求：

• JR/T 0171-2020《个人金融信息保护技术规范》：将个人金融信息按敏感度分为 C1（一般危害）/ C2（较大危害）/ C3（最高危害） 三级，账户密码、生物识别等属 C3，禁止明文存储。FDE 做风控、客服、营销类 LLM 应用时，必须按分级实施加密、访问控制、脱敏。
• JR/T 0197-2020《金融数据安全数据安全分级指南》：金融数据按"重要性 + 安全影响"分 5 级，重要数据安全等级不低于 5 级；个人金融信息相关数据参照 JR/T 0171 定级。
• **JR/T 0158-2018《云计算技术金融应用规范》**等：金融上云的合规底线。
• 巴塞尔委员会对模型风险（model risk）的要求（SR 11-7 框架源头）：模型须有完整的开发文档、独立验证、持续监控。LLM 类信用评分模型同样适用——不能因为"黑盒"就豁免可解释性要求。
• 反洗钱（AML）：《反洗钱法》及央行 2 号令要求可疑交易识别与上报。FDE 若用 LLM 做客户尽调（KYC）摘要，必须保证输出可追溯、可复核，不能让模型直接决定是否上报可疑交易。
• 金融营销：《金融营销宣传管理办法》禁止未持牌机构做金融营销宣传；LLM 生成营销文案必须经过持牌审核，且不得含有保本保收益等违规承诺。

24.4.2 医疗：三类医疗器械证是入场券

医疗 AI 监管的核心是《医疗器械监督管理条例》及配套规则：

• NMPA 分类界定：根据《人工智能医用软件产品分类界定指导原则》，凡是基于医疗器械数据、采用 AI 技术实现医疗用途的独立软件，涉及辅助诊断、辅助检测、辅助分诊与评估、辅助决策的，一般按第三类医疗器械管理；仅用于成像、存储、传输、检索等非决策用途的，按第二类管理。
• 注册审查：《人工智能医疗器械注册审查指导原则》（2022 年第 8 号）要求申请人建立完整的 AI 系统生存周期过程（设计、开发、验证、确认、部署、维护、退役），并提供训练/测试数据集说明、算法性能评估、泛化能力评估、对抗攻击鲁棒性评估。
• 《深度学习辅助决策医疗器械软件审评要点》（2019 年第 7 号）：聚焦数据集质量控制、算法泛化、网络信息安全、运行环境、版本更新管理。
• 真实案例：2023 年 7 月，数坤科技缺血性卒中 CT 图像辅助评估软件获批 NMPA 三类证；截至 2024 年，已有数十款 AI 影像辅助诊断产品拿到三类证。FDE 在医疗驻场时，任何向医生输出诊断建议、病灶标注、用药推荐的 LLM/视觉模型，未获三类证前不得用于临床诊断决策，只能用于科研、教学、内部辅助、非诊断性提示。
• 电子病历：《电子病历应用管理规范》要求电子病历真实、完整、可追溯，签名须符合《电子签名法》。LLM 自动生成病历摘要若被纳入正式病历，必须保留原始记录并经医生签字确认。

24.4.3 政务：等保 + 信创 + 国产化

• 等保 2.0（GB/T 22239-2019）：政务系统一般定三级及以上，FDE 部署大模型应用须同步完成定级、备案、建设整改、等级测评。
• 信创要求：政务关键领域要求 CPU/OS/数据库/中间件国产化替代。FDE 选型时基座模型、推理框架、向量库都需考虑国产化适配（昇腾、海光、寒武纪；麒麟、统信；达梦、人大金仓等）。
• 政务数据共享：《政务信息资源共享管理暂行办法》要求"以共享为原则，不共享为例外"，但涉及国家秘密、商业秘密、个人隐私的须脱敏。

24.4.4 汽车：数据出境与车云协同

• 《汽车数据安全管理若干规定（试行）》（2021 年 10 月施行）：重要数据包括涉及 military 区域的地理位置、车流量、人脸与车牌等，原则上境内存储，出境须安全评估。
• 智能网联汽车 OTA、座舱语音助手接入 LLM 时，座舱内语音指令可能含个人信息与地理信息，须按个人信息处理并做数据本地化。

24.5 LLM 特有的伦理风险清单

传统软件的风险集中在"功能 bug 与安全漏洞"，LLM 则引入了一类统计性、概率性、不可完全复现的风险：

1. 偏见与公平（Bias & Fairness）：训练语料中的性别、种族、地域、年龄偏见会被模型继承甚至放大。典型案例：2018 年亚马逊内部招聘模型因训练数据来自历史男性主导简历，系统性压低女性候选人评分，最终被叫停；ProPublica 2016 年调查 COMPAS 再犯预测系统对黑人被告误报率显著高于白人。LLM 用于简历筛选、信贷预审、绩效评估时，必须做群体公平性测试（demographic parity、equal opportunity、disparate impact ratio）。

2. 幻觉与误导（Hallucination）：模型对事实性问题生成看似合理实则错误的内容。2019 年 Steven Schwartz 律师在 Mata v. Avianca 案中用 ChatGPT 撰写诉状，引用 6 个不存在的判例，被法官罚款 5000 美元并通报。LLM 用于法律咨询、医疗建议、金融研究时，FDE 必须强制接入 RAG（检索增强）+ 引用源标注 + 输出置信度阈值 + 人工复核。

3. 隐私泄露（Privacy Leakage）：训练数据记忆导致的"反向提取"风险。2023 年研究显示，通过特定 prompt 攻击可使 ChatGPT 吐出训练语料中的真实 URL、邮箱、电话片段。FDE 须对训练数据去标识化、对成员推断攻击（membership inference）做测试、对 prompt 与上下文做日志脱敏。

4. 透明度与可解释性（Transparency & Explainability）：高风险场景（信贷、医疗、司法）下用户有权知道"为什么是这个结果"。GPAI 黑盒特性与这一要求存在结构性矛盾。FDE 须分层应对：决策路径日志、特征贡献（如对 LLM 接收的 RAG 文档片段做归因）、模型卡（Model Card）、数据卡（Datasheet for Datasets）。

5. 问责（Accountability）：当 LLM 输出导致损害时责任如何分配？是模型提供者、应用集成方、终端用户还是部署工程师？目前法律仍未形成共识。FDE 的实务做法：合同明确责任边界、关键输出保留人工签字链、对自动化决策保留"人类最终拍板"通道（EU AI Act 第 14 条人工监督义务）。

6. 滥用（Misuse）：LLM 用于批量生成钓鱼邮件、深度伪造色情内容、自动生成恶意代码、舆论操纵。FDE 须在产品侧加护栏：内容安全过滤器、生成速率限制、用户身份核验、滥用模式监控、举报与响应机制。深度合成须按《深度合成管理规定》做显著标识（音频/视频/图像）与不可见水印（元数据）。

7. 就业与社会影响（Labor & Societal Impact）：客服、翻译、初级文案、基础代码等岗位受到显著冲击。负责任的企业应制定员工再培训计划、提供转型通道，而非简单裁员。FDE 在项目立项时应评估"人机协作"而非"机器替代"的方案路径。

24.6 负责任 AI 框架：六大支柱

综合 OECD AI 原则、NIST AI RMF、欧盟可信赖 AI 伦理指南、信通院《可信人工智能白皮书》，可凝练为六支柱：

支柱	内涵	FDE 落地抓手
公平（Fairness）	不同群体获得同等结果分布，无不当歧视	偏见审计、群体公平指标、对抗样本测试
透明（Transparency）	用户知道在与 AI 互动，知道数据用途	显著标识、隐私政策、模型卡、数据卡
可解释（Explainability）	决策依据可被理解和追溯	RAG 引用、特征归因、决策日志、案例库
隐私（Privacy）	个人信息最小化采集与处理	数据脱敏、联邦学习、差分隐私、去标识化
安全（Safety & Security）	抵御攻击、鲁棒、可靠	红队测试、对抗训练、护栏、限流、监控
问责（Accountability）	责任可追溯到具体主体	人工监督、审计日志、责任矩阵、第三方验证

这六项不是装饰品，而是工程可验收的指标。例如"公平"要落到"性别/地域 disparate impact ratio 在 [0.8, 1.25]"，"可解释"要落到"每条高风险输出附带可点击的 3 条来源"，"问责"要落到"每次自动化决策保留 6 个月可回放日志"。

24.7 FDE 的合规设计清单：全链路五段

FDE 在 CDEF 全流程中应把合规嵌入每一阶段，形成可验收清单：

Context 勘探阶段

• [ ] 客户业务场景是否落入高风险类别（信贷、医疗诊断、招聘、司法）？
• [ ] 数据源是否涉及个人信息、重要数据、国家秘密？分级如何？
• [ ] 是否跨境（数据出境、模型 API 境外调用）？走哪一道闸门？
• [ ] 客户所在行业的准入资质（金融牌照、医疗器械证、等保级别）是否齐备？
• [ ] 是否触发算法备案/大模型备案/深度合成备案？

Design 设计阶段

• [ ] 是否优先选用已备案基座模型？
• [ ] 数据采集是否取得合法授权（告知同意 / 单独同意）？是否最小化？
• [ ] 训练/微调数据是否经去标识化、版权清洗、敏感内容过滤？
• [ ] 架构是否支持人工兜底（human-in-the-loop）？
• [ ] 是否设计护栏层（输入过滤、输出审核、敏感词拦截）？
• [ ] 是否预留审计日志、决策追溯、版本管理？

Engineer 工程阶段

• [ ] 红队测试覆盖：越狱、prompt 注入、成员推断、数据提取、对抗样本？
• [ ] 公平性测试覆盖关键受保护属性？
• [ ] 性能/延迟/成本可观测，幻觉率有量化指标？
• [ ] 隐私保护措施（差分隐私、联邦学习、本地推理）是否到位？
• [ ] 深度合成是否做了显著标识 + 不可见水印？

Feedback 反馈阶段

• [ ] 用户投诉/异议渠道是否建立（PIPL 第 50 条、GDPR 自动化决策反对权）？
• [ ] 模型漂移监控（数据分布、输出分布）是否上线？
• [ ] 事故响应流程（误判、泄露、违规输出）是否演练？
• [ ] 持续训练的数据合规是否闭环（增量数据授权）？
• [ ] 定期重新评估备案状态（模型重大变更需变更备案）。

24.8 算法备案与大模型备案：操作要点

算法备案系统（互联网信息服务算法备案系统，beian.cac.gov.cn）填写要点：

• 服务形式：APP、网站、小程序；算法类型：生成合成类、个性化推送类、排序精选类、检索过滤类、调度决策类。
• 数据流转：输入数据类型、是否含个人信息、留存时长。
• 算法机制：核心逻辑、模型、参数规模、训练数据来源与规模。
• 风险评估：违法不良信息、意识形态、伦理道德、隐私、未成年人保护。
• 自评估报告与公示。

大模型备案（生成式 AI 专项）流程通常为：

1. 内部安全评估（违法内容拦截、价值观对齐、训练数据合法性、个人信息处理、生成内容标识）。
2. 省级网信办初审，材料包括算法机制说明、安全自评估报告、模型能力说明。
3. 国家级技术测试（黑盒测试、价值观测试、安全能力测试、隐私泄露测试）。
4. 网信办公示备案号。
5. 应用显著位置/详情页公示模型名称与备案号。
6. 重大变更（架构、参数规模、训练数据、应用场景）须变更备案。

FDE 接入第三方已备案模型并非豁免自身备案义务。若 FDE 在已备案基座之上做了显著微调或新增了面向公众的服务能力，仍可能构成"提供者"角色，需重新评估是否触发备案。

24.9 伦理审查委员会与企业 AI 治理

成熟企业的 AI 治理结构通常分三层：

• 董事会/高管层：制定 AI 伦理原则与风险偏好，承担最终责任。例如 Google 2018 年设立 AI Principles 与外部高级技术委员会（后因争议解散重组）；微软设立 Office of Responsible AI； Anthropic 设立"Responsible Scaling Policy"按能力等级触发安全投入门槛。
• AI 伦理委员会（跨部门）：由法务、安全、产品、技术、外部专家组成，对高风险项目做立项审查、上线评审、事故复盘。中国科技部 2023 年发布的《科技伦理审查办法（试行）》要求"涉及人以受试者、可能影响生命健康安全、可能产生重大伦理风险"的科技活动须经伦理审查委员会前置审查。
• 执行层：项目级 AI 风险评估（AIRA）、红队、模型卡发布流程、第三方独立验证、持续监控仪表盘。

FDE 在项目中应主动识别需要伦理审查的节点（如新增涉及未成年人、医疗、司法的能力），提前 4–8 周启动审查流程，避免上线前被卡。

24.10 真实案例与教训

案例一：COMPAS 再犯预测的种族偏见（2016）。ProPublica 调查美国法院广泛使用的 COMPAS 算法，发现其对黑人被告的"高风险"误报率是白人的两倍，而对白人被告的"低风险"漏报率更高。教训：高风险决策场景下，群体公平性测试是强制项，不能只看总体准确率。

案例二：亚马逊招聘 AI 被叫停（2018）。模型在 2014–2017 年内部研发，因训练数据来自十年间以男性为主的简历，自动降权含"women's"字样的简历（如"女子国际象棋俱乐部队长"）。教训：训练数据的历史偏见是模型偏见的根源，数据审计与再平衡必须前置。

案例三：Mata v. Avianca 虚假判例（2023）。律师 Steven Schwartz 用 ChatGPT 撰写诉状，6 个引用判例全部为模型虚构，法官 P. Kevin Castel 对律师及其律所各罚款 5000 美元。教训：LLM 输出在专业领域必须 RAG + 源引用 + 人工核验，绝不可直接采信。

案例四：意大利 Garble 暂时封禁 ChatGPT（2023 年 3 月）。意大利数据保护局认定 OpenAI 缺乏合法处理个人信息的法律基础、未做年龄核验、未告知用户数据如何被用于训练。OpenAI 一个月后完成整改（隐私声明、年龄门、欧洲用户退出训练选项）才恢复服务。教训：GDPR 合规是出海欧洲的硬门槛，"合法基础"必须显式声明。

案例五：澳大利亚地区 AI 错误建议诉讼（2024）。多个司法管辖区出现律师/顾问因直接引用 AI 生成错误建议被追责。教训：专业服务领域 LLM 应定位为"助理"而非"决策者"，输出须署名人工负责人。

案例六：深度伪造诈骗（2024）。香港 Arup 工程公司一名财务人员被深度伪造的"CFO 视频会议"骗走 2560 万美元。教训：深度合成标识、生物识别二次核验、高风险转账多重授权是底线。

24.11 FDE 的红线清单（口袋版）

驻场现场随手对照，踩中任一条立即停手升级：

1. 未取得个人信息单独同意就把用户数据灌入训练。
2. 涉及医疗诊断/信贷决策/司法判决的 LLM 输出未设人工兜底直接对外。
3. 跨境调用境外 LLM API 处理客户重要数据或个人信息未做出境评估。
4. 具有舆论属性的生成式 AI 服务上线未做大模型备案。
5. 深度合成内容未做显著标识与水印即对外发布。
6. 训练数据含未授权版权内容且未做清洗即商用。
7. 高风险场景未做群体公平性测试即上线。
8. 自动化决策未提供人工介入与异议通道。
9. 模型输出无审计日志、无版本管理、不可追溯。
10. 接到用户投诉/监管问询未在规定时限内响应。

把这十条贴在工位上，比任何 PPT 都管用。合规不是"上线后补"，而是"每一次 commit 都过的关"。

本专题小结

大模型应用的合规与伦理不是法务部门的独立工作，而是 FDE 在 CDEF 全流程必须内化的工程约束。中国以"数据三法 + 生成式 AI 暂行办法 + 算法/大模型备案 + 深度合成"构成多层次监管，海外以 GDPR + EU AI Act + 行业法（HIPAA 等）形成风险分级框架。行业准入方面，金融的 JR/T 0171 数据分级、医疗的 NMPA 三类证、政务的等保 + 信创、汽车的数据出境各自构成入场券。LLM 特有的偏见、幻觉、隐私、透明度、问责、滥用、就业七大风险，须以公平、透明、可解释、隐私、安全、问责六大支柱为框架做工程化应对。FDE 应在 Context 勘探、Design 设计、Engineer 工程、Feedback 反馈四个阶段分别建立可验收的合规清单，把算法备案与大模型备案、伦理审查、红队测试、公平性测试、人工兜底、审计日志、深度合成标识、用户异议通道等落到代码与流程里。真实案例（COMPAS、亚马逊招聘、Mata 案、Garble 封禁、Arup 诈骗）反复证明：合规事故的代价远高于前置投入，FDE 的红线意识就是客户的护城河。

本专题来源

• 国家互联网信息办公室.《生成式人工智能服务管理暂行办法》. https://www.cac.gov.cn/2023-07/13/c_1690898327029107.htm
• 国家互联网信息办公室.《互联网信息服务算法推荐管理规定》《互联网信息服务深度合成管理规定》《数据出境安全评估办法》. www.cac.gov.cn
• 国家互联网信息办公室.生成式人工智能服务已备案信息公告. https://www.cac.gov.cn/2024-04/02/c_1713729983803145.htm
• 全国人民代表大会常务委员会.《中华人民共和国网络安全法》《数据安全法》《个人信息保护法》.
• 中国人民银行.JR/T 0171-2020《个人金融信息保护技术规范》. https://cfstc.pbc.gov.cn/bzgk/detail/?id=0&bzId=1856
• 中国人民银行.JR/T 0197-2020《金融数据 安全 数据安全分级指南》.
• 国家药品监督管理局.《人工智能医用软件产品分类界定指导原则》《人工智能医疗器械注册审查指导原则》（2022 年第 8 号）《深度学习辅助决策医疗器械软件审评要点》（2019 年第 7 号）. www.nmpa.gov.cn
• 科学技术部.《科技伦理审查办法（试行）》（2023）.
• European Union. Regulation (EU) 2024/1689 (AI Act). https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
• European Parliament and Council. Regulation (EU) 2016/679 (GDPR).
• NIST. AI Risk Management Framework 1.0 (2023). https://www.nist.gov/itl/ai-risk-management-framework
• U.S. HHS. HIPAA Privacy Rule.
• OECD. OECD AI Principles (2019, updated 2024).
• ProPublica. "Machine Bias" (2016, COMPAS 调查).
• Reuters. 亚马逊招聘 AI 叫停报道（2018）.
• Mata v. Avianca, Inc., Case 1:22-cv-1461（美国纽约南区联邦地区法院，2023）.
• Garante per la protezione dei dati personali. ChatGPT 临时限制令（2023 年 3 月）.
• Arup 深度伪造诈骗案件公开报道（2024）.
• 信通院.《可信人工智能白皮书》《人工智能伦理治理标准化指南》.