想象一下，人类世界花了上百年才把“道路上的车”管明白：有红绿灯、车道线、驾照、年检和交警。现在，AI 就像一辆辆突然涌上公路的无人车，有的帮你筛简历，有的替你聊天，有的甚至悄悄判断你是不是“信用不良”。欧盟 AI 法案（EU AI Act）就是世界上第一部专门给 AI“车辆”立下的完整交通法规：它给 AI 分风险等级、设禁行区、发“驾照”、要求亮灯，还布置了交警和三套罚单标准。 对于 AI 时代的从业者来说，法律不是枷锁，而是让技术放心上路的护栏。理解 EU AI Act，等于提前拿到了一张出海全球市场的“通行证”。

岗位关联

对 AI 法务、合规与产品负责人而言，EU AI Act 是全球 AI 监管的“风向标”，学透它就是为 AI 产品提前上好保险，避免数亿欧元罚单，也让企业赢得客户信任。

目录
  1. 可视化演示
  2. 立法背景
  3. 风险分级体系
  4. 禁止AI实践
  5. 高风险AI义务
  6. 透明度要求
  7. 执法与时间表
  8. 全球影响与合规
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示AI系统风险四级金字塔、合规实施时间线及违规处罚阶梯，切换模式理解欧盟AI法案的监管框架。

本节配有交互动效（进入视口后自动加载，约 3KB）。

风险四级金字塔 禁止类：社会评分等不可用 高风险：严格合规义务 监管强度 ∝ 风险等级 分级监管体现比例化原则，不同等级对应不同义务

立法背景

当年第一辆汽车出现时，没有红绿灯，也没有驾照，路上乱成一锅粥。欧盟面对来势汹汹的 AI，也经历了类似的心理过程：一边想让人工智能赢在未来，一边又担心它失控。2018 年前后，各国纷纷出台“AI 伦理宣言”，但都只是软性建议，像“温馨提示”，没有强制力。于是欧盟决定做一件大事：把伦理变成法律，给 AI 修一条真正的“高速公路”。

2020 年，欧盟发布《人工智能白皮书》，正式提出“卓越与信任”双目标：既要做 AI 技术的全球领导者，也要成为可信 AI 的全球标杆。2021 年 4 月，欧盟委员会正式提交 AI 法案草案。随后欧洲议会与成员国展开三轮长达近一年的“马拉松谈判”，最终在 2023 年 12 月达成政治协议，2024 年 8 月 1 日正式生效。法案并不在同一天“全部生效”，而是像新道路分路段开通一样，逐步适用。

Act=Whitepaper→Proposal→Adoption→Enforcement\displaystyle \text{Act} = \text{Whitepaper} \rightarrow \text{Proposal} \rightarrow \text{Adoption} \rightarrow \text{Enforcement}
这条“公式”说明：EU AI Act 不是突然冒出来的，而是从白皮书一路发展到正式执法，每个环节缺一不可。
  1. Act指欧盟 AI 法案整体，目标是让所有 AI 应用都有一部统一交通法可依。
    Act\text{Act}
  2. Whitepaper2020 年白皮书是立法起点，第一次把“可信 AI”和“全球竞争力”放在同一个篮子里。
    Whitepaper\text{Whitepaper}
  3. Proposal2021 年立法提案是草案版本，标志从讨论走向纸面规定。
    Proposal\text{Proposal}
  4. Adoption经过议会和成员国谈判后正式通过，红绿灯从此不再是建议，而是规则。
    Adoption\text{Adoption}
  5. Enforcement分阶段执法意味着有些路段先亮灯，有些路段后亮灯，但最终全部受管。
    Enforcement\text{Enforcement}

风险分级体系

如果高速公路上所有车都按同一种规矩跑，那自行车和重型卡车肯定要撞车。EU AI Act 抓住了整个监管体系的“命门”：不看 AI 模型本身是不是聪明，而是看它被用在什么场景、会造成多大伤害。这就相当于给每辆“AI 车辆”贴上一张风险标签：禁行、高风险、有限风险、最小风险。

“不可接受风险”是直接踩断刹车也不能出厂的应用，比如社会评分、利用潜意识操纵行为等；“高风险”是指用在教育、就业、医疗、执法等关键领域，并且可能对个人权益产生重大影响的 AI；“有限风险”主要是聊天机器人、深度伪造等需要告诉用户“我是 AI”的系统；“最小风险”则是垃圾邮件过滤器、游戏 AI 等几乎无感的应用。

RiskLevel={UnacceptableManipulation or Social ScoringHighCritical Domain∧Significant ImpactLimitedUser Interaction∧¬HighMinimalOtherwise\displaystyle \text{RiskLevel} =\begin{cases}\text{Unacceptable} & \text{Manipulation or Social Scoring} \\\text{High} & \text{Critical Domain} \wedge \text{Significant Impact} \\\text{Limited} & \text{User Interaction} \wedge \neg \text{High} \\\text{Minimal} & \text{Otherwise}\end{cases}
这个公式按“红灯逻辑”逐条向下判断：先看是否属于禁行区，再看是否进入高风险车道，最后看是否需要亮灯告知。
  1. Unacceptable只要踩中操纵或社会评分等红线，直接禁止，没有任何商量的空间。
    Manipulation or Social Scoring\text{Manipulation or Social Scoring}
  2. High必须同时满足“关键领域”和“重大影响”两个条件，才是高风险，缺一不可。
    Critical Domain∧Significant Impact\text{Critical Domain} \wedge \text{Significant Impact}
  3. Limited如果 AI 需要和人类交互，又不属于高风险，就要承担透明度义务，相当于“打开车灯”。
    User Interaction∧¬High\text{User Interaction} \wedge \neg \text{High}
  4. Minimal前面四条都不满足，就自动落入最小风险区间，仅需按现有法律执行。
    Otherwise\text{Otherwise}

禁止AI实践

再漂亮的车，如果它是用来撞人的，就不该被造出来。EU AI Act 第一次在全世界范围内划出一块“AI 禁行区”。这些应用不是管得严不严的问题，而是根本上不允许投放市场、不允许使用。

禁行的第一类是“潜意识操纵”：用人类看不见的视觉、听觉刺激改变行为，例如在广告中插入用户感知不到的诱导信号，造成实质性伤害。第二类是“利用脆弱性”：针对未成年或残障人士的弱点进行操纵，例如鼓励儿童长时间付费的“成瘾式对话玩具”。第三类是社会评分：政府或企业根据一个人的社会行为、预测信用给出不公平对待。第四类是利用画像进行犯罪风险评估：在没有具体犯罪事实时，仅凭长相或行为模式预判“谁是罪犯”。第五类是无差别抓取网络人脸图像建立人脸识别数据库，以及一般情况下在公共空间使用实时远程生物识别。

Prohibited=Manipulation∨Exploitation∨SocialScoring∨CrimeProfiling∨FaceScraping\displaystyle \text{Prohibited} = \text{Manipulation} \lor \text{Exploitation} \lor \text{SocialScoring} \lor \text{CrimeProfiling} \lor \text{FaceScraping}
这里用“或”把五类行为连成一条红线：只要任意一类成立，就进入禁行区。
  1. Manipulation指潜意识操纵，用户根本不知道自己被影响，像被人偷偷握住方向盘。
    Manipulation\text{Manipulation}
  2. Exploitation指利用年龄、残障等脆弱性，把弱势群体当成“容易上钩的乘客”。
    Exploitation\text{Exploitation}
  3. SocialScoring指社会评分，把人的道德、信用压缩成单一数字，本质上否定人的复杂性。
    SocialScoring\text{SocialScoring}
  4. CrimeProfiling指仅靠画像预测犯罪，容易造成歧视性执法。
    CrimeProfiling\text{CrimeProfiling}
  5. FaceScraping指无差别抓取人脸建库，等同于给每个人在不知情时发了一张“通缉照”。
    FaceScraping\text{FaceScraping}

高风险AI义务

拿到“高风险车牌”之后，AI 车辆不能直接上路，而是必须先过“年检”，并且在整个生命周期里持续接受检查。EU AI Act 为高风险 AI 系统设计了一套完整义务，覆盖从研发到退役的全过程。

这些义务包括：建立风险管理体系，把算法出错概率降到可接受范围；做好数据治理，训练数据要相关、完整、无偏见；编写技术文档并保存日志，保证出问题时可以“黑匣子”回溯；加入透明度信息，让用户可以理解系统能力与局限；设立人类监督机制，关键时刻人能把控制权抢回来；同时确保系统具备准确性、稳健性和网络安全防护。高风险系统在投放欧盟市场前，通常还要在欧盟数据库完成注册并完成符合性评估。

Compliant  ⟺  ⋀i=16Obligationi\displaystyle \text{Compliant} \iff \bigwedge_{i=1}^{6} \text{Obligation}_i
这个公式比一般罚款条款更严格：六项义务是“同时满足”，不是“完成至少一项”。
  1. Compliant表示一个高风险 AI 系统达到可上路状态，可以拿“年检合格证”。
    Compliant\text{Compliant}
  2. Risk Management风险管理体系是第一步，相当于给车辆装刹车和防撞气囊。
    Obligation1\text{Obligation}_1
  3. Technical Documentation技术文档与日志记录保证事后可追责，类似飞机的黑匣子。
    Obligation3\text{Obligation}_3
  4. Human Oversight人类监督确保 AI 不能当“无人驾驶的失控车”，随时有人可以接管。
    Obligation4\text{Obligation}_4
  5. All Six使用连词 \bigwedge 表示六个条件必须全部成立，缺一项整车都无法通过年检。
    ⋀i=16Obligationi\bigwedge_{i=1}^{6} \text{Obligation}_i

透明度要求

开车的人都知道，夜晚不开灯，对方根本看不见你，事故就来了。AI 世界也是一样：当用户面对聊天机器人、AI 生成视频或深度伪造内容时，必须知道“对面不是人”。EU AI Act 规定的透明度要求，就是让所有 AI“打开车灯”。

具体来说，当 AI 以聊天机器人、虚拟客服等形式与人交互时，用户必须被明确告知自己在与 AI 对话，除非这从上下文里已经一目了然。对于深度伪造内容，包括 AI 生成的图片、音频或视频，提供者必须用机器可读的标签标注，避免误导公众。这条义务不只看技术，还看“误导风险”：如果用户很容易误以为内容来自真人，就必须披露。

Disclosure  ⟺  AI System∧User Interaction∧¬(User Aware)\displaystyle \text{Disclosure} \iff \text{AI System} \wedge \text{User Interaction} \wedge \neg (\text{User Aware})
透明度义务就像一个开关：当用户和 AI 互动、且用户不知道对方是 AI 时，必须亮灯告知。
  1. AI System先判断对象是不是 AI，不是人类客服。
    AI System\text{AI System}
  2. User Interaction只有当用户真正与 AI 产生交流时，才有必要“开车灯”。
    User Interaction\text{User Interaction}
  3. User Aware如果用户本来就知道自己在和 AI 聊天，灯就不用重复亮。
    ¬(User Aware)\neg (\text{User Aware})
  4. Disclosure最终结论是必须向用户披露，例如对话开头直接说“我是由 AI 驱动的助手”。
    Disclosure\text{Disclosure}

执法与时间表

路修好了，还得有交警。EU AI Act 在欧盟层面设立 AI 办公室，在成员国层面指定各自监管机构，形成一张“交警网络”。它的罚单不是开玩笑：如果企业把“不可接受风险”的 AI 系统投放到欧盟市场，最高可罚 3500 万欧元或上一财年全球年营业额的 7%，取两者中更高者。违反高风险 AI 义务最高罚 1500 万欧元或 3%；向监管机构提供错误信息最高罚 750 万欧元或 1.5%。

时间是另一个重要变量。法案 2024 年 8 月 1 日生效；禁止性实践条款 2025 年 2 月 2 日起执行；通用 AI 模型相关义务 2025 年 8 月 2 日起执行；大部分高风险系统义务从 2026 年 8 月 2 日起执行。整体就像新建高速路分批开通路段：先禁行区，再通用 AI，再到高风险系统。

Fineprohibited=max⁡(35 000 000, 7%×Global Turnover)\displaystyle \text{Fine}_{\text{prohibited}} = \max(35\,000\,000,\ 7\% \times \text{Global Turnover})
这张“罚单公式”的精髓是：罚款不是固定数字，而是和企业营收挂钩，体量越大，责任越大。
  1. Fine违法行为对应的罚款金额，是监管机构手里最有威慑力的“罚单”。
    Fine\text{Fine}
  2. 35,000,000欧洲央行级的最低阈值，给中小企业也划出一条明确红线。
    35 000 00035\,000\,000
  3. 7% Global Turnover以全球营收为基数计算，意味着欧盟市场之外赚的钱也可能被纳入罚款计算。
    7%×Global Turnover7\% \times \text{Global Turnover}
  4. max取两者中较高值，确保罚款既不会太低，也不会脱离企业体量。
    max⁡(⋯ )\max(\cdots)

全球影响与合规

当欧盟把限速标准定得又严格又清晰，其他地区会发现：与其为欧盟单独开发一套“欧盟版 AI”，不如直接全球统一按高标准执行。这被称为“布鲁塞尔效应”。即使一家公司总部不在欧盟，只要产品投放欧盟市场，就必须遵守 EU AI Act，于是全世界供应链都被这盏红绿灯“推着”升级。

对国内 AI 企业和出海团队而言，这不是遥远的法律新闻，而是现实的成本信号。合规准备可以从四步做起：先盘点公司内部所有 AI 系统和用途；再按 EU AI Act 风险分级框架给每个系统贴标签；然后针对高风险系统补齐风险管理、文档和数据治理；最后培训产品、研发和法务团队，让合规成为一种内建流程。

Readiness=∑i=1nDonein×100%\displaystyle \text{Readiness} = \frac{\sum_{i=1}^{n} \text{Done}_i}{n} \times 100\%
“合规准备度”公式提醒我们：合规不是结果，而是把所有必需步骤逐项打勾的完成率。
  1. Readiness代表企业在面对 EU AI Act 时的整体准备程度，相当于“年检通过率”。
    Readiness\text{Readiness}
  2. Done i每完成一项合规动作，比如完成风险分类，就在分子上加一分。
    Donei\text{Done}_i
  3. n分母是所有需要完成的步骤总数，确保评估维度完整。
    nn
  4. 100%把比率转成百分数，方便管理层和投资人直观理解差距。
    ×100%\times 100\%

AI 应用场景

场景一：AI招聘系统的欧盟市场准入审查

阶段：开发与应用落地阶段

解决的问题：传统做法只考虑算法准确率，忽略 AI 在某些领域可能被划分为高风险，导致产品刚上线就面临巨额罚款。

具体案例：一家国内 HR 科技公司计划将 AI 简历筛选工具投放欧洲市场。由于系统用于“就业”这一关键领域，并且会显著影响候选人是否能获得面试机会，它被判定为高风险 AI，必须建立风险管理体系、整理技术文档、加入人工复核机制，并在欧盟数据库完成注册。

场景二：聊天机器人的“AI身份亮灯”

阶段：产品设计与用户交互阶段

解决的问题：很多企业用 AI 客服代替人工，却不让用户知道自己在和机器人说话，既伤害信任，也可能违反透明度义务。

具体案例：一家跨境电商平台上线了多语言 AI 客服助手。按照 EU AI Act，只要用户可能误以为对话对象是真人，平台就必须在对话起始处显示“我是 AI 助手”，并在必要时提供转人工入口。

场景三：海外业务的“布鲁塞尔效应”合规改造

阶段：数据治理与模型部署阶段

解决的问题：非欧盟企业以为“不在欧盟设立服务器”就无需遵守法案，但实际上只要产品面向欧盟用户，就要受监管。

具体案例：一家新加坡金融科技公司为欧盟银行提供 AI 风控模型，虽然模型在本地训练，但因为部署在欧洲客户的决策流程中，仍被视为高风险 AI。团队于是按 EU AI Act 补齐了数据治理和模型影响评估，保持大客户合作关系。

Python 演示

python70 行
# -*- coding: utf-8 -*-class AIClassifier:    """模拟 EU AI Act 风险分级与罚款计算"""     def __init__(self):        self.manipulative = False        self.social_scoring = False        self.high_risk_domain = False        self.high_risk_use = False        self.user_facing = False        self.turnover = 0.0     def classify(self, system):        self.manipulative = system.get('manipulative', False)        self.social_scoring = system.get('social_scoring', False)        domain = system.get('domain', '')        self.high_risk_domain = domain in ('employment', 'education', 'healthcare', 'law_enforcement')        self.high_risk_use = system.get('significant_impact', False)        self.user_facing = system.get('user_facing', False)        self.turnover = system.get('turnover', 0.0)         if self.manipulative or self.social_scoring:            return 'unacceptable'        if self.high_risk_domain and self.high_risk_use:            return 'high'        if self.user_facing:            return 'limited'        return 'minimal'     def fine(self, risk):        if risk == 'unacceptable':            return max(35_000_000, 0.07 * self.turnover)        if risk == 'high':            return max(15_000_000, 0.03 * self.turnover)        if risk == 'limited':            return max(7_500_000, 0.015 * self.turnover)        return 0.0  def main():    systems = [        {            'name': 'hiring_scanner',            'domain': 'employment',            'significant_impact': True,            'user_facing': True,            'turnover': 80_000_000        },        {            'name': 'spam_filter',            'domain': 'email',            'significant_impact': False,            'user_facing': False,            'turnover': 2_000_000        },        {            'name': 'social_credit',            'social_scoring': True,            'turnover': 200_000_000        }    ]    clf = AIClassifier()    for system in systems:        risk = clf.classify(system)        fine = clf.fine(risk)        print(risk, system['name'], 'fine=', fine)  if __name__ == '__main__':    main()
目的：把企业内外部 AI 系统按照 EU AI Act 的风险分级规则自动分类，并预估最高罚款金额，用于合规自查。
  1. class AIClassifier:相当于一个 AI 车辆“年检站”，集中管理风险判断逻辑。
  2. self.high_risk_domain = domain in ('employment', 'education', ...)检查 AI 是否进入教育、就业等高风险关键领域。
  3. if self.high_risk_domain and self.high_risk_use:同时满足“关键领域”和“重大影响”才会被判为高风险。
  4. if risk == 'unacceptable': return max(35_000_000, 0.07 * self.turnover)对应禁行行为的最高罚款 7% 全球营收。
  5. for system in systems:用循环完成企业 AI 系统资产盘点，这正是合规准备的第一步。

常见误区

误区只要用的是同一种大模型，不管用在哪儿都要受到同等监管，技术越强管得越严。

正解EU AI Act 采用的是“基于风险的使用场景监管”，不是“基于技术形态的监管”。同一个模型，用在杀毒软件里可能是最小风险，用在招聘面试里就可能是高风险。真正决定义务等级的是“用在哪、影响多大”，而不是模型参数有多大。

为何常见：人们习惯用技术先进性来判断危险程度，但法律更关心“伤害结果概率”，就像一把菜刀，在厨房和在校门口的意义完全不同。

误区只要用了 AI，就必须做技术文档、数据治理、人类监督等全套合规，中小企业根本做不起。

正解EU AI Act 的“高风险”有严格前提：必须用于附件列出的关键领域，并可能对个人健康、安全或基本权利造成重大影响。普通垃圾邮件过滤器、AI 游戏角色、简单推荐系统通常属于最小风险或有限风险，义务非常轻。

为何常见：很多自媒体把法案描述成“监管所有 AI”，把高风险义务放大成默认义务，导致企业误判合规成本。

误区中国或美国企业只要不在欧盟注册、不设服务器，就不用管这部法案。

正解EU AI Act 具有明显的域外效力。只要 AI 系统的输出被投放到欧盟市场，或者系统在欧盟境内产生法律效果，无论公司注册地和服务器在哪，都要遵守。换句话说，想赚欧洲客户的钱，就要在欧盟收费站前停下交规。

为何常见：人们习惯用“服务器物理位置”判断法律管辖，但现代数字法律越来越以“市场效果”为连接点。

误区最多罚几十万欧元，大公司不会在意，当作交个“会员费”就好。

正解针对不可接受风险的行为，罚款上限高达 3500 万欧元或全球年营业额的 7%，取二者更高者。如果一个大企业年营收千亿欧元，7% 就是巨额数字。相比 GDPR 通常按 4% 封顶，AI Act 的处罚力度更狠。

为何常见：大家习惯用绝对金额理解罚款，但欧盟监管设计强调的是“按比例处罚”，用营收体量放大威慑力。

面试题

Q1. EU AI Act 中，禁止性AI实践条款从什么时候开始执行？

单选题 · easy

  • A.2024年8月1日
  • B.2025年2月2日← 正确答案
  • C.2025年8月2日
  • D.2026年8月2日

答案：B。法案整体于 2024 年 8 月 1 日生效，但各条款分批实施。禁止性实践属于最紧急的红灯区，2025 年 2 月 2 日起执行，所以选 B。

Q2. 按照 EU AI Act 风险分级，“社会评分”属于哪一级？

单选题 · easy

  • A.不可接受风险← 正确答案
  • B.高风险
  • C.有限风险
  • D.最小风险

答案：A。社会评分触及基本权利底线，属于“禁行区”，直接被列为不可接受风险。它不是需要多加管理的高风险，而是原则上不允许存在。

Q3. 违反高风险AI核心义务，最高罚款是多少？

单选题 · mid

  • A.3500万欧元或7%营收
  • B.1500万欧元或3%营收← 正确答案
  • C.750万欧元或1.5%营收
  • D.不罚但强制下线

答案：B。EU AI Act 设置了三级罚款：违反禁止性实践最高 3500 万或 7%；违反高风险核心义务最高 1500 万或 3%；向监管机构提供错误信息最高 750 万或 1.5%。题目问高风险核心义务，选 B。

Q4. 下列哪些属于高风险AI系统的核心义务？

多选题 · mid

  • A.建立风险管理体系← 正确答案
  • B.进行社会评分评估
  • C.做好技术文档记录← 正确答案
  • D.设置人类监督机制← 正确答案

答案：ACD。高风险 AI 需要风险管理、技术文档、人类监督等多项核心义务，但社会评分本身属于不可接受风险，不是一项“评估义务”。因此选 A、C、D。

Q5. EU AI Act 对 AI 系统采取的主要监管思路是什么？

单选题 · easy

  • A.按模型参数量分类
  • B.按具体使用风险分类← 正确答案
  • C.按公司注册国分类
  • D.按用户数量分类

答案：B。法案的核心是“基于风险的使用场景监管”，不看模型大小，也不看企业注册地，而是看 AI 用在哪里、可能造成多大影响。这就像交通法按车辆用途分类，而不是按发动机排量一刀切。

Q6. 以下哪些属于 EU AI Act 明确禁止的AI实践？

多选题 · hard

  • A.利用潜意识操纵行为← 正确答案
  • B.用AI辅助医疗诊断
  • C.对社会群体进行评分← 正确答案
  • D.无差别抓取人脸建库← 正确答案

答案：ACD。潜意识操纵、社会评分、无差别抓取人脸都属于禁行区；AI 辅助医疗诊断不是被禁止，而是可能被划分为高风险并需要严格合规，所以 B 不选。

Q7. 一家美国公司开发的 AI 产品并未在欧盟设立服务器，但被欧洲客户使用。根据 EU AI Act，这家公司是否受约束？

单选题 · mid

  • A.不受约束，因为没有欧盟服务器
  • B.不受约束，因为公司不在欧盟注册
  • C.受约束，因为产品投入了欧盟市场← 正确答案
  • D.受约束，因为美国也是欧洲国家

答案：C。EU AI Act 关注“市场进入”，只要 AI 系统的输出被投放到欧盟市场或产生欧盟法律效果，就可能被管辖，与公司注册地和服务器位置无关。

Q8. 通用AI模型相关义务的适用时间是？

单选题 · mid

  • A.2025年2月2日
  • B.2025年8月2日← 正确答案
  • C.2026年8月2日
  • D.2027年8月2日

答案：B。禁止性实践先落地，通用 AI 模型紧随其后，从 2025 年 8 月 2 日开始执行。高风险系统的多数义务还要再等一年，分批实施是法案的典型节奏。

Q9. 高风险AI系统在投放欧盟市场前，通常需要完成哪些动作？

多选题 · hard

  • A.在欧盟数据库完成注册← 正确答案
  • B.建立全生命周期风险管理← 正确答案
  • C.获得欧盟商业部批准
  • D.准备完整技术文档← 正确答案

答案：ABD。高风险 AI 需要注册、风险管理体系和技术文档，但法案并没有设置一个统一的“欧盟商业部审批”制度，而是以符合性评估和市场监管为主。因此 C 不选。

Q10. “布鲁塞尔效应”在 AI 监管中的含义最接近下列哪一项？

单选题 · hard

  • A.欧洲企业比美国企业技术更先进
  • B.欧盟规则外溢成为全球事实标准← 正确答案
  • C.非欧盟企业完全不需要遵守
  • D.美国会让欧盟修改所有规则

答案：B。布鲁塞尔效应指的是欧盟凭借庞大市场规模，使自己的法规成为全球企业愿意遵守的“事实标准”。想进欧盟市场，就得按欧盟规则办事，于是这套规则自然向外扩散。