假设你被任命为“云端家园”公寓的楼栋管家——这栋公寓的每一位住户，都是一款AI产品的忠实用户。住户们把自己的照片、聊天记录、健康数据、搜索历史都当成私人行李托付给公寓保管。作为管家，你要面对四重考验：第一个考验是“防盗”，所有行李必须锁进保险箱、只允许本人凭钥匙取用，这叫数据安全；第二个考验是“尊重”，每位住户的房间要挂上窗帘，未经允许不得窥探，收集哪些行李必须提前讲清楚，这叫隐私保护；第三个考验是“版权”，公寓公共画廊里挂的画，每一幅都要有作者的授权证明，这叫版权合规；最后一个考验是“规矩”，整栋楼的消防通道、电梯年检、应急灯都必须符合城市建筑规范，这叫法律法规合规。最关键的在于——这些要求不能等公寓建好、住户入住后再来补救，而是从画施工蓝图的第一天起，就要写进每一间房的设计图里。这就是AI产品需求分析中的“伦理与合规需求”：在需求阶段就把数据安全、隐私、版权和法规的底线，固化成可执行、可度量的产品需求。

岗位关联

掌握伦理与合规需求分析，是AI产品经理从“能做出功能”走向“敢上线产品”的分水岭——合规不是成本，而是产品进入市场的通行证。

目录
  1. 可视化演示
  2. 1. 合规框架：读懂城市的“建筑规范”
  3. 2. 数据安全：公寓的门锁与保险箱
  4. 3. 隐私保护：租户的窗帘与知情权
  5. 4. 版权合规：公共画廊里的原创作品
  6. 5. 需求落地：把规范画进施工蓝图
  7. 6. 风险管理：大楼的消防演习
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示伦理合规三维度雷达评估（数据安全/隐私/版权）、训练数据与运行数据分层保护策略、差分隐私预算消耗机制，交互调节隐私保护强度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

伦理合规三维雷达 数据安全维度评估 隐私保护维度评估 score=Σ(wi×di) 三维度加权计算产品合规总分

1. 合规框架：读懂城市的“建筑规范”

任何一栋公寓楼，从打地基到开门迎客，都必须符合城市的建筑规范。你不可能等住户搬进来才发现消防通道被堵死——那时砸墙重改的代价，足够再建半个门厅。AI产品也是如此，在需求阶段，产品经理就要先“读规范”：搞清楚这款产品受哪些法律管辖、触碰哪些数据红线、要尽到什么保护义务。

在中国，管AI产品的“建筑规范”主要有《个人信息保护法》（PIPL）、《数据安全法》和《生成式人工智能服务管理暂行办法》；如果产品面向欧洲用户，还要受GDPR约束。除了法律，还有金融、医疗等行业的监管要求与ISO 27001等信息安全标准。产品经理不必背下所有条文，但必须掌握“法规识别”的能力——判断产品收集了什么数据、落在哪个法域、触发了哪些义务。识别之后是“合规评估”：逐条对照产品功能找差距，比如个保法要求处理敏感个人信息必须有单独同意，你的产品有没有单独弹窗？

把差距转化为数字，需要一个可度量的指标——合规覆盖率。把每条法规看成一门必修课，权重是学分，完成度是成绩，加权的总成绩就是覆盖率：

有了这张“成绩单”，城市建筑规范就不再是悬在头上的模糊压力。楼栋管家每天看一眼覆盖率，就知道该补哪门必修课、哪个房间的消防通道还没装应急灯。

C=∑i=1nwi×mi∑i=1nwiC = \frac{\displaystyle\sum_{i=1}^{n} w_i \times m_i}{\displaystyle\sum_{i=1}^{n} w_i}
通俗理解：把每条法规看作一门“必修课”，权重 w_i 是学分，m_i 是这门课的成绩（满分1分）。总加权成绩 C 就是合规覆盖率，1代表完全合规。
  1. 枚举法规条款先列出产品需要满足的 n 条法规要求，例如个保法中的告知同意、跨境传输规则。
    i=1,2,…,ni = 1, 2, \ldots, n
  2. 赋予权重每条法规对产品的重要程度不同，医疗数据比昵称更敏感，权重 w_i 越高代表越关键。
    wiw_i
  3. 评估完成度逐条检查当前产品设计做到了什么程度，m_i 取 0 到 1 之间的值。
    mim_i
  4. 加权求和把每条法规的权重与完成度相乘后累加，得到分子。
    ∑i=1nwi×mi\displaystyle\sum_{i=1}^{n} w_i \times m_i
  5. 归一化得到覆盖率除以权重总和，得到 0 到 1 之间的合规覆盖率，1 代表完全合规。
    ∑i=1nwi×mi∑i=1nwi\frac{\displaystyle\sum_{i=1}^{n} w_i \times m_i}{\displaystyle\sum_{i=1}^{n} w_i}

2. 数据安全：公寓的门锁与保险箱

住户的行李从快递员手上接过来的那一刻起，就走进了管家设计的“行李通道”。第一道门是加密——行李在运输途中用防拆封条封好，任何人都不能中途拆开偷看；第二道门是访问控制——行李房的门禁只有登记过的管家能刷脸进入；第三道门是脱敏——行李标签上不写真实收件人全名，只写房间号。

在AI产品里，这三道门对应数据生命周期的三个环节：传输、存储、使用。传输加密要求所有接口走HTTPS/TLS；访问控制要求基于角色的权限模型（RBAC），每位员工只能看到工作必需的最小数据；数据脱敏则是在展示、测试、训练时把姓名换成掩码、把年龄泛化成年龄段。安全存储还要做到数据库加密、备份加密、日志脱敏。这些要求都要写成具体的需求条目，比如“对话记录在传输层必须使用TLS 1.2以上协议”。

但安全措施并非越多越好，产品经理要会算风险账。经典的量化思路是：风险值 = 威胁发生的可能性 × 影响程度：

至此，管家心里就有了谱：哪些行李要上三道锁，哪些上两道就够。数据安全需求分析的核心思维，正是把有限的资源优先分配给风险最高的环节，而不是给所有数据都套上最重的盔甲。

R=L×IR = L \times I
通俗理解：“楼下快递柜被撬”可能性低（L=1）但影响大（I=3），风险值是3；“用户随手拍照泄露屏幕”可能性高（L=3）但影响小（I=1），风险值也是3。两者优先级相同，都需要投入防患资源。
  1. 划分可能性等级评估威胁多久可能发生一次，分为低、中、高三个等级。
    L∈{1,2,3}L \in \{1, 2, 3\}
  2. 划分影响等级评估事件一旦发生，对用户和企业的伤害深度。
    I∈{1,2,3}I \in \{1, 2, 3\}
  3. 计算风险值把两个等级相乘，得到该风险的综合打分。
    R=L×IR = L \times I
  4. 风险分级R≥6 为高风险必须优先治理，3~4 为中风险计划整改，1~2 为低风险持续观察。
    R∈{1,2,3,4,6,9}R \in \{1, 2, 3, 4, 6, 9\}

3. 隐私保护：租户的窗帘与知情权

如果说数据安全是门锁和保险箱，隐私保护就是窗帘和知情权。住户搬进公寓，有权知道管家会收集哪些行李、用来干什么、会不会转交给别人；也有权拒绝物业在自己房间里装摄像头。AI产品经理的职责，就是把这些“权利”翻译成一个个具体的产品功能。

隐私保护落到产品上，通常拆成四件事：知情同意——注册时用大白话弹窗说明收集范围，而不是甩一份没人读的万字协议；最小收集——只收实现功能所必需的字段，能不要的字段坚决不要；用户权利——在设置页提供删除、更正、导出的入口；隐私设计——把“默认不收集”“隐私内嵌架构”作为设计原则，而不是事后补丁。

为什么要这么较真？因为隐私泄露往往不是“某一次大事故”，而是“很多条小路径”叠加的结果。日志记录、第三方SDK、客服后台、数据导出……每一条路径都有泄露概率，只要有一条失守，隐私就保不住。总泄露概率的计算公式是：

好的管家不是出事后再道歉，而是提前给每个房间装上窗帘，在规章里写明“什么该收、什么不该收”。隐私保护写进需求文档，住户才住得安心，产品也才经得起监管的抽查。

Pleak=1−∏i=1n(1−pi)P_{\text{leak}} = 1 - \displaystyle\prod_{i=1}^{n}(1 - p_i)
通俗理解：三条路径分别有10%的失守概率，总失守概率不是10%，而是 1 − 0.9×0.9×0.9 ≈ 27.1%。路径越多风险越大——堵住每一条小路径都很重要。
  1. 枚举泄露路径列出所有可能接触个人信息的渠道，如日志、SDK、客服、备份。
    i=1,2,…,ni = 1, 2, \ldots, n
  2. 单路径安全概率每条路径有 p_i 的概率失守，那么它安全的概率是 1 - p_i。
    1−pi1 - p_i
  3. 全部路径都安全假设各路径独立，所有路径都安全的概率是它们的连乘积。
    ∏i=1n(1−pi)\displaystyle\prod_{i=1}^{n}(1 - p_i)
  4. 至少一条路径泄露用 1 减去“全安全”的概率，得到至少一条路径失守的总概率。
    Pleak=1−∏i=1n(1−pi)P_{\text{leak}} = 1 - \prod_{i=1}^{n}(1 - p_i)

4. 版权合规：公共画廊里的原创作品

公寓的公共画廊里，住户路过时看到的每一幅画，都不该是管家从网上随手下载的。画廊有三条规矩：挂画要有作者的授权书；新作品的署名要清清楚楚；发现盗版画要立即撤下。AI产品的版权合规，也正是这三条规矩的放大版。

放大之后，风险出现在三个环节。训练数据版权：大模型读过哪些文章、消化过哪些图片，语料库是否获得了合法授权？生成内容权属：AI画出的海报、写出的文案，版权到底归平台、归用户、还是归公有领域？侵权防范：输出端有没有敏感内容过滤和相似度检测，避免模型“复述”训练数据里的长篇文章、模仿特定艺术家的风格？这三个问题必须写进需求文档，否则画廊迟早挂上“被告席”的牌子。

版权风险无法完全消除，但可以用期望损失来评估风险值——发生概率乘以潜在损失：

管家不需要懂画画，但必须知道每幅画从哪来、授权在谁手里。产品经理也是一样——不写模型、不看权重，但要能拍着胸脯回答：“训练数据合法吗？生成内容有授权证明吗？”

Riskcopy=Pinfringe×Vloss\text{Risk}_{\text{copy}} = P_{\text{infringe}} \times V_{\text{loss}}
通俗理解：画家起诉的概率可能不高，但一旦胜诉就是巨额赔偿加上全线产品下架，期望损失反而比那些天天发生的小麻烦高得多。用“概率×金额”才能客观地给风险排序。
  1. 估计侵权概率评估输出内容侵犯第三方版权的可能性，取 0 到 1 之间的值。
    Pinfringe∈[0,1]P_{\text{infringe}} \in [0, 1]
  2. 评估损失金额估算侵权成立后的赔偿、下架、商誉等综合损失。
    Vloss=单次侵权的预期赔偿与商誉损失V_{\text{loss}} = \text{单次侵权的预期赔偿与商誉损失}
  3. 计算期望风险概率与损失相乘，得到该风险的期望值，用于排定治理优先级。
    Riskcopy=Pinfringe×Vloss\text{Risk}_{\text{copy}} = P_{\text{infringe}} \times V_{\text{loss}}

5. 需求落地：把规范画进施工蓝图

建筑规范再完备，不画进施工蓝图，工地照样乱成一锅粥。需求落地阶段的任务，就是把合规要求变成施工图上一根根看得见的管线，让每个施工方都有据可依。

这一步要产出三类东西。第一类是非功能需求：比如“登录接口必须走TLS 1.2以上”“所有含用户信息的日志必须加密存储”“客服后台按角色限制查询范围”。第二类是合规清单：逐条列出“法律依据 → 数据流转 → 风险点 → 对应功能设计 → 验收标准”，让每条合规要求都可追踪。第三类是验收标准：测试用例要覆盖“用户申请删除数据后48小时内完成”“隐私政策弹窗在首次启动时展示”这类可验证的场景。

合规需求往往要和功能需求抢排期，产品经理需要一个优先级公式来定夺：

每一根合规管线都写进蓝图并标注验收标准，施工队（研发）、监理（测试）、物业（运营）才知道怎么干活。蓝图越清晰，上线前临时补合规的“砸墙返工”就越少。

Preq=VvalueCcost×RriskP_{\text{req}} = \frac{\displaystyle V_{\text{value}}}{\displaystyle C_{\text{cost}} \times R_{\text{risk}}}
通俗理解：价值高、成本低、不做就出事的需求优先做。分母里的 R 是“不做它会有什么合规风险”，风险越高越要提前排期。
  1. 评估商业价值估算该合规需求带来的用户信任提升与风险规避价值。
    VvalueV_{\text{value}}
  2. 估算实施成本包括研发工时、架构改造、对现有功能的回归影响。
    CcostC_{\text{cost}}
  3. 评估不做的风险如果拖延该项合规，可能面临的法律与商誉风险等级。
    RriskR_{\text{risk}}
  4. 计算优先级指数价值除以成本与风险的乘积，指数越高越应优先排期。
    Preq=VvalueCcost×RriskP_{\text{req}} = \frac{V_{\text{value}}}{C_{\text{cost}} \times R_{\text{risk}}}

6. 风险管理：大楼的消防演习

即使规范齐全，公寓也要定期消防演习、配备灭火器和急救箱。合规需求落地后，风险并没有消失，只是被控制住了——产品经理真正要盯住的，是控制措施之下的“残余风险”。

完整的风险闭环有四步：风险评估——每次新增功能都要重新识别引入的新风险；应急预案——数据泄露发生后72小时内的响应流程：关接口、查影响面、通知用户、报备监管；合规审计——定期检查权限配置和日志记录，确保持续合规；持续监控——用自动化工具跟踪合规指标的波动。这四步不是一次性工程，而是常态化的呼吸节奏。

任何控制措施都不可能100%有效。投入再多人力物力，总能计算出残余风险：

管家把消防演习当成日常，住户才能在真正的火灾里安全撤离。AI产品面对快速演进的法规和不断翻新的攻击手段，同样需要常态化演练——风险管理不是项目的收尾动作，而是产品呼吸的节奏。

Rresidual=Rinitial×(1−Econtrol)R_{\text{residual}} = R_{\text{initial}} \times (1 - E_{\text{control}})
通俗理解：初始风险是10楼的火灾隐患，消防系统的有效性 E=0.8，那么残余风险就是2楼。产品经理愿意接受多高的残余风险，决定了要买多少“消防器材”。
  1. 计算初始风险先按风险公式算出没有防护措施时的原始风险值。
    Rinitial=L×IR_{\text{initial}} = L \times I
  2. 评估控制有效性衡量加密、审计、演练等措施能降低多大比例的风险，取 0 到 1 之间。
    Econtrol∈[0,1]E_{\text{control}} \in [0, 1]
  3. 计算残余风险初始风险乘以未被控制的部分，即为仍需持续监控的风险。
    Rresidual=Rinitial×(1−Econtrol)R_{\text{residual}} = R_{\text{initial}} \times (1 - E_{\text{control}})

AI 应用场景

场景1：智能客服产品的隐私需求评审

阶段：需求分析阶段

解决的问题：传统做法是客服功能开发完再请法务补审，结果发现弹窗缺失、日志越权查询、字段过度收集等问题，被迫回炉整改。产品经理在需求阶段就用合规清单逐条对照：是否收集了不必要字段？用户协议是否用大白话告知？客服后台能否按角色限制查询？用合规覆盖率公式给当前设计打分，差距一目了然。

具体案例：某电商智能客服在需求评审时，合规覆盖率仅0.55。逐条整改后：砍掉“设备型号”采集、增加“仅客服主管可导出对话记录”的权限配置、补充“用户一键删除对话记录”入口，覆盖率提升到0.92，顺利过审上线。

场景2：医疗AI产品的数据安全设计

阶段：产品设计阶段

解决的问题：医疗影像属于敏感个人信息，传统做法是“数据库加密就万事大吉”。实际上从传输、存储到标注、训练，每个环节都需要分级防护。用风险公式 R=L×I 对每个环节打分，把有限的预算投给最高风险的节点。

具体案例：某肺结节筛查AI产品，产品经理画出数据流程图后发现：标注环节外包团队能看到患者姓名，风险值高达9。整改后接入自动脱敏工具，姓名替换为编号，标注账号绑定IP白名单，风险值降到3，顺利通过医院合规审查。

场景3：AIGC绘画平台的版权风控

阶段：产品运营阶段

解决的问题：用户输入“画一幅宫崎骏风格的海报”，模型输出可能保留原创作品的风格元素，引发版权纠纷。传统靠用户举报，响应严重滞后。版权需求必须前置到输入端和输出端。

具体案例：某AIGC平台接入风格指纹检测：输入端屏蔽“宫崎骏”“迪士尼”等风格关键词，输出端对高相似度结果自动打上“AI生成”标识并提示商用前自查。上线三个月，侵权投诉量下降67%，平台还被接入方评为“版权友好型供应商”。

Python 演示

python69 行
# -*- coding: utf-8 -*-"""AI product ethics and compliance requirement checker""" class ComplianceRequirement:    def __init__(self, category, description, weight=1.0):        self.category = category        self.description = description        self.weight = weight        self.status = "unchecked"  # unchecked/pass/fail        self.evidence = ""  class ComplianceChecker:    def __init__(self, product_name):        self.product_name = product_name        self.requirements = []        self.gc_count = 0     def add_requirement(self, category, description, weight=1.0):        self.requirements.append(            ComplianceRequirement(category, description, weight)        )     def check(self, idx, passed, evidence):        self.gc_count += 1        req = self.requirements[idx]        req.status = "pass" if passed else "fail"        req.evidence = evidence     def compliance_score(self):        total_w = sum(r.weight for r in self.requirements)        if total_w == 0:            return 0.0        scored_w = sum(r.weight for r in self.requirements if r.status == "pass")        return scored_w / total_w     def risk_report(self):        risks = [r for r in self.requirements if r.status == "fail"]        if not risks:            return "All checks passed, risk level: low"        total = sum(r.weight for r in risks)        if total > 3:            return "High risk gap, recommend delaying launch"        return "Medium risk gap, need remediation plan"  def main():    checker = ComplianceChecker("Smart Customer Service Assistant")    checker.add_requirement("Data Security", "Encrypt user conversations", 3.0)    checker.add_requirement("Data Security", "Mask sensitive fields before storage", 3.0)    checker.add_requirement("Privacy", "Obtain informed consent", 2.5)    checker.add_requirement("Privacy", "Collect only necessary fields", 2.0)    checker.add_requirement("Copyright", "Use licensed training corpus", 3.0)    checker.add_requirement("Copyright", "Mark AI-generated content", 1.5)     checker.check(0, True, "TLS enabled")    checker.check(1, True, "PII masked before storage")    checker.check(2, True, "Popup consent on first use")    checker.check(3, False, "Collected device MAC address")    checker.check(4, True, "Corpus from licensed dataset")    checker.check(5, True, "AI label appended to replies")     print("Product:", checker.product_name)    print("Compliance coverage: {:.1%}".format(checker.compliance_score()))    print(checker.risk_report())  if __name__ == "__main__":    main()
目的：这是一个给AI产品做合规检查的小工具，把数据安全、隐私、版权需求登记成带权重的检查项，逐项打勾后算出合规覆盖率，并给出综合风险结论。
  1. self.requirements.append(ComplianceRequirement(category, description, weight))把每条合规需求登记成可评分的条目
  2. scored_w = sum(r.weight for r in self.requirements if r.status == "pass")只累加已通过项的权重
  3. return scored_w / total_w通过项权重占比，正是正文里的合规覆盖率公式
  4. risks = [r for r in self.requirements if r.status == "fail"]筛出所有未通过项，用于生成风险报告
  5. checker.check(3, False, "Collected device MAC address")模拟一次未通过的检查，对应“过度收集”违规
  6. print("Compliance coverage: {:.1%}".format(checker.compliance_score()))输出覆盖率，供产品经理评审时量化决策

常见误区

误区我只要把功能想清楚就行，合不合规让法务去审核，他们不同意再改。

正解法务是“监理”，不是“施工图设计师”。合规要求如果不在需求阶段落地，功能开发完再整改，成本是需求阶段的5到10倍——就像公寓建好后再改消防通道，要砸墙重建。产品经理必须把合规翻译成需求条目，交给研发去实现。

为何常见：合规听起来像法律领域，产品经理本能地觉得不属于自己的专业范畴，加上法务通常到后期才介入，导致合规需求长期缺位。

误区我把用户手机号中间四位换成星号，就算匿名化了，可以随便拿去做数据分析和模型训练。

正解脱敏（掩码、哈希、泛化）是可逆或可重识别的——手机号前三位加后四位仍能缩小身份范围，再结合性别、年龄就能锁定到个人。匿名化要求数据无法再关联到任何具体个人，法律待遇完全不同。就像把快递单上的名字涂掉，但地址和手机尾号还在，细心的人照样能扒出你是谁。

为何常见：两者的操作都是“隐藏一部分信息”，形式上太相似，初学者极易混淆。

误区我用正规渠道买来的数据集训练的模型，版权就完全没有问题了。

正解训练数据合法不等于输出内容合法。模型可能在用户诱导下“复述”训练数据中的长文本片段，或模仿特定画家的风格，输出端同样会侵权。完整的合规链条是：语料授权 → 训练合规 → 输出过滤 → 生成内容标识，任何一环缺失都有风险。

为何常见：人们习惯把风险理解为线性的“输入端”，忽略了AI产品是持续生成内容的系统，输出端每天都会产生新的版权问题。

误区先抢市场，等监管部门找上门或者用户投诉了再补合规需求，反正用户感知不到。

正解合规是上线的前置条件，不是后置修复。《个人信息保护法》规定，违法处理个人信息最高可处五千万元或上一年度营业额百分之五的罚款，还可能被下架应用。更重要的是，隐私事件一旦曝光，用户信任崩塌，功能做得再好也留不住人。公寓消防不合格，连开业许可证都拿不到。

为何常见：合规需求不可见、不直接产生营收，容易被当成“可以拖一拖”的非紧急事项。

误区我写了一份两万字的隐私政策，把所有情况都涵盖了，用户勾选同意就万事大吉。

正解长而晦涩的隐私政策恰恰违反“清晰明确”的告知要求。监管强调“告知—同意”的质量：什么时候告知、告知多少、是否单独同意，都要与收集场景匹配。一份用大白话写清“收集什么、为什么、给谁看”的极简协议，远胜冗长模板。就像入住时管家当面说三句话你听懂了，比甩给你五十页合同强得多。

为何常见：把“法律上的免责”误当成“用户体验上的告知”，以为写得够全就能规避一切责任。

面试题

Q1. 根据《个人信息保护法》，处理个人信息前的首要义务是？

单选题 · easy

  • A.向监管部门完成备案
  • B.取得个人的知情同意← 正确答案
  • C.通知公司所有部门
  • D.获得用户的通讯录

答案：B。个保法第十三条将“取得个人同意”列为处理个人信息的首要合法基础。备案是事后的监管动作，通知内部部门属于管理规范，获取通讯录反而构成过度收集。就像公寓管家收行李前必须先问住户“我能保管吗”，而不是先登记入册、后补同意。

Q2. 最小化收集原则的核心含义是？

单选题 · easy

  • A.尽可能少收集用户数据
  • B.只收集产品功能必需数据← 正确答案
  • C.只收集免费用户的数据
  • D.收集后立即删除数据

答案：B。最小化不是“收得越少越好”，而是“只收与实现功能直接相关的数据”。收集与功能无关的数据，哪怕只有一条也违规；“立即删除”属于存储期限约束，不解决“为什么收”的问题。管家收行李只为住户住宿服务，不需要打听住户的工资和家庭关系。

Q3. 以下关于数据脱敏与匿名化的说法，正确的有？

多选题 · mid

  • A.脱敏数据仍可能识别出个人← 正确答案
  • B.匿名化数据不可再识别个人← 正确答案
  • C.脱敏与匿名化法律效力相同
  • D.匿名化后数据不再属于个人信息← 正确答案

答案：ABD。脱敏（掩码、泛化）保留可重识别风险，匿名化则切断再识别链路；法律上匿名化数据通常被排除在“个人信息”之外，而脱敏数据仍受个保法约束，二者效力截然不同。就像涂掉快递单上的名字但保留楼栋和手机尾号，细心的邻居仍能猜出是谁的包裹。

Q4. 合规需求在需求文档中通常归类为？

单选题 · mid

  • A.属于功能需求的类别
  • B.属于非功能需求的类别← 正确答案
  • C.属于用户需求的类别
  • D.属于界面需求的类别

答案：B。合规需求不增加面向用户的具体功能，而是规定系统必须满足的法律、安全与道德约束，因此归类为非功能需求。功能需求回答“做什么”，非功能需求回答“做得多稳、多安全、多合规”。消防通道不属于装修风格，而是建筑本身的刚性约束。

Q5. 风险评估公式 R=L×I 中，L代表什么？

单选题 · mid

  • A.L代表损失，I代表影响
  • B.L代表可能性，I代表影响← 正确答案
  • C.L代表影响，I代表可能性
  • D.L代表等级，I代表概率

答案：B。R是风险值，L（Likelihood）表示风险发生的可能性，I（Impact）表示发生后的影响程度。若把L误认成损失，就会用“损失×影响”重复计算影响，导致高危事件被低估。公寓失窃的概率低但影响大，火灾概率更低影响更大——正是L和I的区分让两者都能被识别出来。

Q6. 隐私设计（Privacy by Design）的核心思想是？

单选题 · mid

  • A.产品上线后再补隐私方案
  • B.将隐私保护嵌入产品设计全程← 正确答案
  • C.用冗长协议规避法律义务
  • D.收集最少用户数据即可

答案：B。隐私设计的核心是把隐私保护前置到产品架构中，做到默认保护、默认不收集，而非事后补救或靠冗长协议免责。“收集最少数据”只是其中一条原则，不足以概括整体思想。好管家在盖楼时就预留了每间房的窗帘轨道，而不是等住户入住后才钉钉子。

Q7. 关于AI生成内容的版权归属，目前的真实情况是？

单选题 · hard

  • A.版权一律归属AI公司
  • B.版权一律归属用户本人
  • C.各国司法实践并未统一← 正确答案
  • D.生成内容一律进入公有领域

答案：C。美国倾向“无人类创作则不享版权”，我国司法实践关注使用者是否投入体现独创性的智力活动，欧盟要求披露AI身份但权属仍存争议。四种立场并存，一劳永逸的答案并不存在。就像各国对“AI画的画算不算艺术”看法不一，法律也没统一口径。

Q8. 关于AI公司以“合理使用”抗辩训练数据侵权，下列说法正确的是？

单选题 · extreme

  • A.只要不开源模型就不算侵权
  • B.使用合法购买的书籍即可免责
  • C.各国对合理使用认定标准一致
  • D.合理使用是否成立需逐案判断← 正确答案

答案：D。“合理使用”是训练数据侵权的重要抗辩，但美国对“转化性使用”与欧盟对“文本与数据挖掘例外”的认定差异很大，必须逐案判断。购买了书籍仅代表拥有复制件，不代表获得训练权。管家不能因为画廊买下了画框，就认为画作可以随便复印散发。

Q9. 以下哪些属于数据安全的常用措施？

多选题 · mid

  • A.数据传输过程加密← 正确答案
  • B.实现细粒度访问控制← 正确答案
  • C.敏感字段进行脱敏← 正确答案
  • D.删除全部运营日志

答案：ABC。传输加密、访问控制、脱敏分别覆盖传输、使用、存储三个环节，是数据安全标配；删除全部日志会破坏审计和溯源能力，反而加剧风险。门锁、门禁和遮挡标签都要装，但把监控录像全删了，出了事就死无对证。

Q10. 合规需求文档应包含哪些要素？

多选题 · hard

  • A.数据流转流程说明← 正确答案
  • B.适用法律依据条款← 正确答案
  • C.合规验收标准细则← 正确答案
  • D.模型训练性能指标

答案：ABC。合规需求文档必须回答“法律依据是什么、数据怎么流、怎么算通过”三个问题，因此数据流转说明、法律依据条款、验收标准细则三要素缺一不可；模型训练性能属于技术优化指标，与合规无关。施工蓝图上要有管线走向、规范编号和验收标准，而不是装修配色方案。