行业标准：AI在三大行业如何过审

可视化演示

动态对比FDA SaMD、SR 11-7、ISO 13485三类行业AI标准的监管重点与审查流程，点击各标准柱查看风险分级、验证要求与合规路径。

行业监管全景

设想三座赛场入口：医疗馆门口挂着一块大牌子，写着“先取证，再上场”；金融馆门口贴着“训练过程随时备查”；生产厂区门口则写着“整所学校都要达标”。同一个AI运动员走到三座门口之前，最好先弄清楚：每个考官心里最怕的事完全不同。医疗考官最怕患者被误诊，金融考官最怕模型引发系统风险，体系认证官最怕厂商“三天打鱼两天晒网”。

把“考官最怕的事”翻译成技术语言，就是AI出错后的社会后果。医疗AI给错诊断，可能直接危及患者生命；金融模型算错风险，可能引发连锁性的系统性风险；医疗器械质量失控，则影响成百上千台设备背后的用户。正因为后果不同，监管的“强度”和“抓手”才不一样——这也是全球AI立法与政策框架落到行业层时，必然出现分化的根本原因。

三类标准由此分工：美国FDA把独立的AI医疗软件视为“软件作为医疗器械”（SaMD），按产品逐个审查其安全有效性；美联储与货币监理署（OCC）发布SR 11-7，管的是金融机构内部的模型风险治理；ISO 13485则是医疗器械厂商的质量管理体系认证，管的是组织流程。三者一个管“产品”，一个管“治理”，一个管“体系”。

三座场馆门口挂什么牌子，正是这个公式算出来的结果：医疗与金融的“危害×范围”乘积最大，所以门最严；而凡是监管最严的地方，AI从业者要准备的“材料”也最厚。看清三张门的全貌，是跨进任何一座门之前的必修课。

FDA医疗软件：产品级准入

医疗馆的考官像一位一丝不苟的药品审批员。他不太关心你的算法跑分有多漂亮，而是问：你的软件到底是“软件”还是“医疗器械”？在FDA眼里，只要软件本身能实现医疗用途，它就是一台“设备”。这就像一名运动员，不管跑得再快，没有体检合格证和参赛资格，就上不了跑道。每个AI医疗软件都要作为独立个体，拿到属于自己的“参赛证”。

这个“设备”身份有一个专门术语——SaMD（Software as a Medical Device，软件作为医疗器械）。它指不依赖硬件、本身具有医疗用途的软件。AI辅助诊断、AI放疗规划、AI血糖管理都属于SaMD。既然算“器械”，就要走医疗器械的上市前审查，而不是像普通APP那样上架了事。这也是“AI医疗软件”与“AI健康管理App”监管命运的分水岭。

FDA对SaMD实行风险分级审查。分级依据国际医疗器械监管论坛（IMDRF）的思路，看两个维度：一是软件输出的信息重要程度——是直接驱动临床决策，还是仅供医生参考；二是使用情境——是ICU等危重环境，还是常规门诊。两个维度叠加，得出I、II、III类风险等级：高风险产品要走PMA（上市前批准），拿临床证据说话；中风险走De Novo或510(k)；低风险则走等同性验证路径。此外，AI会持续更新，FDA近年提出“预定变更控制计划”，允许企业在获批框架内滚动升级，超出范围必须重新提交审查。

体检单上“心率”和“血压”两个指标一起决定你属于哪一类运动员——同理，信息重要程度和医疗情境共同锁定SaMD的等级，也锁定了你要敲哪一道门。材料厚度，决定门能不能开。

金融模型风险：治理级约束

金融馆的考官是银行审计员。他不看你某一次冲刺成绩，而是说：“把平时训练计划、陪练名单、录像回放、复盘报告都拿来。”在他眼里，真正危险的不是一次失误，而是整个团队没有人对模型负责。模型跑得再准，只要没人独立审计、没人敢提反对意见，在审计员心中就是一座隐患仓库。

这套考规的正式名称是SR 11-7——《模型风险管理监管指引》，2011年由美联储和货币监理署（OCC）联合发布。虽然它最初针对银行，但如今保险、消费金融、证券都在参照执行。指引对“模型”的定义极宽：任何用定量方法、加入假设来估计结果的系统都算，AI评分卡、风险预测模型、反欺诈引擎都在其中。换句话说，银行里凡是“用算法做判断”的地方，都在这个标准的射程之内。

SR 11-7的核心是“三道防线”架构：第一道是业务部门和模型开发团队，负责正确地开发和使用模型；第二道是独立的模型验证团队，负责“有效挑战”——真正找茬，而不是走过场，质疑、回答、结论都要书面留痕；第三道是内部审计，负责全局把关。同时强调全生命周期管理：开发、验证、部署、持续监控、退出，每个环节都要有文档和责任人。对AI而言，这意味着“上线不是终点，持续验证才是常态”。

审计员从不迷信“这次跑得不错”，他在意的是：如果模型明天出错，谁来发现、谁来负责、有没有记录。这正是SR 11-7与“准确率高就万事大吉”这种直觉最大的区别——审的不是成绩，是治理。

ISO质量体系：组织级认证

第三位考官是体校认证官。他手里拿着一张整校评级表，不去盯你的百米成绩，而是问：学校的制度怎么定的？训练记录怎么写的？出了事故怎么复盘整改？这就是“体系思维”——一个人的优秀是运气，一所学校的稳定才是制度。同样，一家AI公司的某个产品做得好是偶然，整家公司能持续稳定交付才值得信任。

落到AI医疗赛道，这家“学校”就是医疗器械的生产厂商。ISO 13485是《医疗器械 质量管理体系 用于法规的要求》国际标准，它不评价某款AI软件功能对错，而是审查厂商是否建立了可复现、可追溯、可改进的质量管理体系。拿到这张认证，是产品进入很多市场的“基本功”——很多国家把ISO 13485作为医疗器械注册的前置条件，FDA也在部分路径上认可体系审查的价值。

ISO 13485的硬性要求包括：过程方法加文档化程序——干什么都要写下来；设计开发控制——从需求、设计、验证到确认全程留档；风险管理衔接——结合ISO 14971把风险分析嵌入全生命周期；纠正与预防措施（CAPA）——发现问题必须闭环整改，还要防止再发。这套体系与FDA审产品形成互补：FDA问“这个产品行不行”，ISO问“这个厂能不能一直做出行的产品”。

认证官最怕听到的一句话是：“制度是有的，就是忘了记。”ISO 13485的精华，就是让“说的、写的、做的”三件事永远一致。对AI团队来说，这意味着从第一天做模型就要顺手写文档，而不是等到审计前“补作业”。

审查重点对比

当三位考官凑到一起开复盘会，才发现他们看的根本不是同一个“东西”。FDA考官盯着“你上场比赛的成绩单”，金融审计员盯着“你的训练台账”，体校认证官盯着“整所学校的制度”。规则视角不同，审查逻辑自然不同。这也解释了为什么同一个AI系统，在三个行业会有三种截然不同的“过关体验”。

横向一对比，差异立刻清晰。监管对象上，FDA审的是“产品个体”这台软件，SR 11-7审的是“模型治理”这套制度，ISO 13485审的是“组织体系”这家厂商。审查重点上，分别落在临床安全有效性、模型验证与有效挑战、过程符合性。生命周期上，FDA以“上市前审批+变更控制”为主，SR 11-7要求全周期持续监控，ISO 13485则是持续维护。处罚方式上，FDA可以拒绝上市、要求召回，监管当局会把模型风险计入评级、影响资本要求，认证机构则可以暂停甚至撤销ISO证书。

这四组差异归纳起来，是一个“着眼点”的三级跳：从“单个东西好不好”，到“一套制度管不管得住”，再到“一家组织稳不稳定”。面对杂乱的规则清单，可以先用一个公式排出投入顺序。

站到三座门前，明智的AI团队不纠结“哪座门更难”，而是先问“我最想进哪座门、它的硬规矩是什么”——把强制力最强、门槛最高的标准放在资源第一顺位，其余的再逐一补齐。

跨行业部署的合规策略

一个全能运动员想同时打三场比赛，就得准备三份不同的报名材料，但训练录像、体检报告这些底层档案完全可以共用。AI系统跨行业部署也是同一个道理：规则不能互认，但底层证据可以复用。谁先想通这一点，谁就能大幅降低“多赛道参赛”的合规成本。

跨行业场景越来越常见：同一套疾病风险模型，既在医院做辅助诊断，又卖给保险公司做核保；同一个智能风控引擎，既服务消费金融也服务车险。每个行业都有自己的适用标准，不可能“一份材料走天下”。最典型的组合是医疗+保险：医院侧触发FDA SaMD和ISO 13485，保险侧则要按SR 11-7的模型风险管理框架来治理。

标准动作是四步。第一步识别适用标准清单——把部署场景逐条映射到FDA、SR 11-7、ISO 13485；第二步做差距分析——对比现有证据和每个标准的硬性要求；第三步制定整改计划——按优先级补齐缺口；第四步持续监控——让证据链随模型版本一起更新。实操中，数据质量报告、模型验证报告、风险管理台账这三类底层资产，在三大标准中高度重叠，做成“公共文档库”可以大幅降低边际合规成本。

聪明的运动员不会每换一个赛场就重新录一遍训练视频，而会把通用档案一次归档、随处复用。合规复用的本质，是用一套高质量底层证据，去喂三套不同的审查逻辑——这也是跨行业AI部署最务实的省钱之道。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""AI 行业标准合规检查小工具演示: 医疗(FDA SaMD / ISO 13485), 金融(SR 11-7), 跨行业部署的合规评估思路"""  def applicable_standards(industry):    """根据行业返回适用的行业标准清单"""    rules = {        'medical': ['FDA SaMD', 'ISO 13485'],        'finance': ['SR 11-7'],        'insurance': ['SR 11-7', 'ISO 13485'],    }    return rules.get(industry, [])  def saMD_risk_class(decision_importance, care_situation):    """按FDA SaMD思路判断风险等级: 信息重要程度 x 医疗情境"""    if decision_importance == 'drive' and care_situation == 'critical':        return 'III'    if decision_importance == 'drive' or care_situation == 'critical':        return 'II'    return 'I'  class AIComplianceChecker:    def __init__(self, industry, function_name, risk_level):        self.industry = industry        self.function_name = function_name        self.risk_level = risk_level        self.gc_count = 0     def run_checklist(self, evidence):        passed_num = sum(1 for ok in evidence.values() if ok)        total_num = len(evidence)        pass_rate = passed_num / total_num if total_num else 0.0        gaps_list = [name for name, ok in evidence.items() if not ok]        return passed_num, total_num, pass_rate, gaps_list     def generate_report(self, evidence):        standards_list = applicable_standards(self.industry)        passed_num, total_num, pass_rate, gaps_list = self.run_checklist(evidence)        lines = [            '========== AI合规检查报告 ==========',            '行业: ' + self.industry,            '功能: ' + self.function_name,            '适用标准: ' + ', '.join(standards_list),            '证据通过率: %d/%d (%.0f%%)' % (passed_num, total_num, pass_rate * 100),            '合规缺口: ' + (', '.join(gaps_list) if gaps_list else '无'),        ]        print('\n'.join(lines))        return {            'standards': standards_list,            'pass_rate': pass_rate,            'gaps': gaps_list,        }  if __name__ == '__main__':    print('--- 场景1: 医疗AI眼底筛查软件 ---')    checker1 = AIComplianceChecker('medical', 'AI眼底影像筛查', 'high')    evidence1 = {        '临床数据充分': True,        '模型验证报告完整': False,        'ISO13485体系文档': True,        '变更控制计划': True,    }    checker1.generate_report(evidence1)     print('--- 场景2: 银行信贷评分模型 ---')    checker2 = AIComplianceChecker('finance', 'AI信用评分模型', 'mid')    evidence2 = {        '独立验证完成': True,        '有效挑战记录': False,        '持续监控机制': True,    }    checker2.generate_report(evidence2)     print('--- 场景3: SaMD风险等级判断 ---')    print('AI驱动ICU用药剂量决策 -> Class ' + saMD_risk_class('drive', 'critical'))    print('AI为医生提供参考信息 -> Class ' + saMD_risk_class('inform', 'noncritical'))

1. rules.get(industry, [])按行业查表获得适用标准清单，查不到就返回空列表，避免KeyError。
2. if decision_importance == 'drive' and care_situation == 'critical':两高组合返回III类，对应最严格的PMA路径。
3. passed_num = sum(1 for ok in evidence.values() if ok)统计证据中通过项的数量，一行算出总分。
4. '适用标准: ' + ', '.join(standards_list),把标准列表拼成可读字符串，写进报告输出。
5. checker1.generate_report(evidence1)对医疗场景执行合规检查，打印报告并返回结构化结果。
6. print('AI驱动ICU用药剂量决策 -> Class ' + saMD_risk_class('drive', 'critical'))用代码验证风险分级逻辑，直观看到“驱动决策+危重症”落到最高等级。

常见误区

面试题