春节前，你带全家去三甲医院做年度体检。医院不会只丢给你一句“注意身体”就完事，而是把你们分流到心内科、内分泌科、眼科、心理科……每个科室都有自己的检查单和指标，最后汇总成一份按“系统”分类的报告：心血管风险、代谢风险、眼科问题、情绪压力。有了这份分类报告，你才知道该挂哪个科、优先治什么、平时注意什么。 美国国家标准与技术研究院（NIST）发布的《AI 风险管理框架》（AI RMF）1.0，就是给 AI 系统做“全院体检”的分科体系。它不笼统地说“你的 AI 有风险”，而是把风险按来源（数据、模型、系统、人机）、影响对象（个人、群体、组织、社会）、性质（技术、社会、伦理、法律）等维度结构化归类。这套“风险分类体系”让组织像拿到分科室体检报告一样，系统识别风险从哪来、影响有多大、该找谁治。本文将带你逐层参观这些“科室”，并学会在企业里搭建自己的“AI 风险分诊台”。

岗位关联

对 AI 从业者的价值：掌握 NIST AI RMF 风险分类体系，等于拿到一张标准化的“AI 风险体检表”。无论你是算法工程师、合规专员还是 AI 产品经理，都能用统一语言说清风险在哪、有多重、谁来治——这是 AI 治理岗位的核心基本功。

目录
  1. 可视化演示
  2. 分类价值内涵
  3. 风险来源维度
  4. 技术风险细分
  5. 社会伦理风险
  6. 法律合规风险
  7. 治理策略映射
  8. 企业落地实施
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

分类价值内涵

去三甲医院体检，导诊台从不会让你直接找“医生”，而是先问“哪里不舒服”：头痛挂神经内科，胸闷挂心内科，视力模糊挂眼科。分科室看似麻烦，却让“我有点难受”这样模糊的话，变成可以挂号、检查、治疗的具体路径。

AI 治理面临同样的“模糊”。当业务方说“这个模型有风险”，到底是指数据有问题、模型会崩，还是会让用户被歧视、让公司吃官司？NIST AI RMF 1.0 的回答是：先分类。它把 AI 风险拆成来源、危害对象、性质等多个维度，让所有人用同一套“科室目录”说话。

分类的价值体现在四个层面：统一风险语言，团队不再各说各话；结构化梳理，把零散告警变成有序清单；全景视图，管理层一眼看清风险版图；决策协同，治理资源的分配有了共同依据。组织还应定期评估分类覆盖率，避免体系存在盲区。覆盖率的计算就像统计“体检项目是否查全”：

分科室不是目的，把病治好才是。同样，分类只是 AI 治理的起点——但一座没有科室的“医院”连挂号都做不到。有了分类，后面的量化评估与风险处置才有下手处，这正是 NIST AI RMF 把分类放在治理流程前端的深意。

C=KK+U\displaystyle C = \frac{K}{K + U}
这个公式像一个“体检完成度”指标：当所有风险项都能归入某个类别时，C 接近 1，说明你的风险全景图完整；否则就要回头补盲区。
  1. 已分类项 K把所有识别出的风险条目逐一登记并归入相应类别后，统计成功分类的数量，记为 K。
    K=已完成分类并登记的风险条目数\displaystyle K = \text{已完成分类并登记的风险条目数}
  2. 未分类项 U尚无法归入任何现有类别的风险条目数量，这些“漏网之鱼”往往提示分类体系存在盲区。
    U=未被任何现有类别覆盖的风险条目数\displaystyle U = \text{未被任何现有类别覆盖的风险条目数}
  3. 覆盖率 C用已分类数量除以风险总清单规模，得到分类体系对风险全景的覆盖程度，目标是让 C 逼近 1。
    C=KK+U∈[0,1]\displaystyle C = \frac{K}{K+U} \in [0, 1]

风险来源维度

医生问诊的第一句话往往是“病从何来”。吃坏肚子归消化道，长期熬夜归亚健康，家族遗传归基因风险。AI 风险分类的第一个维度同样是“病因”——风险从哪里产生。

NIST AI RMF 把风险来源归纳为四个象限：数据源、模型源、系统源、人机交互源。这四类相当于 AI 系统的“饮食、体质、环境与生活习惯”。数据源包括训练样本偏差、标注错误与隐私泄露；模型源包括算法结构缺陷、训练不稳定与概念漂移；系统源包括接口暴露、基础设施故障与供应链依赖；人机交互源包括用户过度信任、误用与可理解性不足。

一个风险事件往往多源叠加，比如偏见既来自数据，也来自模型结构。为了判断先查哪个“系统”，组织可以为四个来源分别打分并做加权合成：

体检时医生会追问“饮食如何、睡得好吗”，AI 治理也要盘清病史。把风险按来源归位后，下一步才是看它会对谁造成伤害、伤害有多重——于是我们走进下一层分类：危害的类型。

R=wD⋅rD+wM⋅rM+wS⋅rS+wH⋅rH\displaystyle R = w_D \cdot r_D + w_M \cdot r_M + w_S \cdot r_S + w_H \cdot r_H
这像医生给四个病因维度分别打分，再按患者本身体质加权：家族史风险高的人，遗传维度的权重就大一些。合成后的“总病因指数”决定先安排哪项检查。
  1. 单项来源评分分别给数据、模型、系统、人机四个来源的风险水平打分，分数越高说明该来源的风险越严重。
    rD,rM,rS,rH∈[0,1]\displaystyle r_D, r_M, r_S, r_H \in [0, 1]
  2. 业务权重分配不同行业对来源的敏感度不同，权重体现组织侧重，且所有权重之和必须为 1。
    wD+wM+wS+wH=1\displaystyle w_D + w_M + w_S + w_H = 1
  3. 加权合成把四个来源的风险按权重汇总，得到系统整体的风险来源指数，用于指导排查顺序。
    R=∑i∈{D,M,S,H}wi⋅ri\displaystyle R = \sum_{i \in \{D,M,S,H\}} w_i \cdot r_i

技术风险细分

化验单上的指标不会骗人：白细胞偏高提示感染，血糖波动提示代谢问题，肌酐升高提示肾功能异常。技术风险就是 AI 系统的“化验指标”，每一个异常数值背后都有具体病灶。

在风险分类体系中，技术风险是“AI 自身机能”维度的细分，主要包含四类：算法偏见、鲁棒性脆弱、安全漏洞与性能退化。算法偏见让输出系统性偏离公平；鲁棒性脆弱意味着对抗样本或异常输入可轻易击穿模型；安全漏洞包括投毒攻击、越权访问与接口暴露；性能退化则在数据漂移或环境变化后悄然发生。

技术风险的量化通常采用“可能性×影响”的思路：一个风险既可能频繁触发，也可能百年一遇；既可能造成轻微干扰，也可能导致系统瘫痪。把两者相乘就得到严重度评分：

化验只是第一步。指标再异常，也要回到“哪个科室、什么病、怎么治”的框架里。技术风险分类正是把化验结果放回分科体系，让工程师知道该修数据管道、换模型架构，还是先给接口打补丁。

S=L×I\displaystyle S = L \times I
这像化验单上的“危急值”判定：既看指标异常有多普遍（可能性 L），又看异常后有多伤身体（影响 I），相乘得到危急等级，决定是否马上挂专家号。
  1. 发生可能性 L评估风险在真实运行中被触发的概率，越接近 1 表示越容易发生。
    L∈[0,1]\displaystyle L \in [0, 1]
  2. 影响程度 I衡量风险一旦发生所造成的损失等级，通常采用 1 到 5 的分级刻度。
    I∈{1,2,3,4,5}\displaystyle I \in \{1, 2, 3, 4, 5\}
  3. 严重度 S把可能性和影响相乘，得到用于排序与分级的技术风险严重度。
    S=L×I\displaystyle S = L \times I

社会伦理风险

医院里有些科室不直接开刀用药，却决定患者感受：心理科疏导情绪，社工科调解矛盾，病案室守护病历隐私。社会伦理风险就像这些科室——看不见、摸不着，却关乎 AI 系统的“信誉与民心”。

NIST AI RMF 将社会与伦理危害列为风险分类的核心维度，强调 AI 不仅要“跑得对”，更要“用得好、被信任”。这一维度包含四类：隐私权利（个人信息收集、监控与泄露）、公平公正（歧视、排斥与系统性偏见）、透明可解释（决策依据难以理解）、社会信任（虚假信息、操纵与对制度信任的侵蚀）。

社会风险往往由技术风险演化而来，但伤害对象是人与社会整体，量化维度自然不同。组织可以按价值观为各个子维度设定权重，合成社会风险得分：

医患信任一旦崩塌，医术再高也无济于事。AI 系统的社会信任同样如此：隐私泄露一次、歧视曝光一次，用户的心理账户就会永久扣分。因此这类风险必须与技术风险并列登记、同样重视，甚至要放在更靠前的优先级。

Ssocial=wp⋅P+wf⋅F+wt⋅T\displaystyle S_{\text{social}} = w_p \cdot P + w_f \cdot F + w_t \cdot T
这像医院考核“患者满意度”：隐私保护、公平程度、透明沟通三项各占权重，加权合成一个综合分。哪项权重高，取决于医院（组织）最在意什么。
  1. 分项风险评分分别评估隐私风险 P、公平风险 F、信任风险 T 的水平，取值从 0 到 1。
    P,F,T∈[0,1]\displaystyle P, F, T \in [0, 1]
  2. 价值权重分配组织根据自身价值观与业务属性，为三项子维度分配权重，权重之和为 1。
    wp+wf+wt=1\displaystyle w_p + w_f + w_t = 1
  3. 加权合成将三项风险按权重汇总，得到该 AI 系统的整体社会伦理风险水平。
    Ssocial=wp⋅P+wf⋅F+wt⋅T\displaystyle S_{\text{social}} = w_p \cdot P + w_f \cdot F + w_t \cdot T

法律合规风险

大医院都有医务科和法务办：执业资质是否齐全、医疗事故如何定责、诊疗路径是否遵循指南、病历是否经得起审计。这些“规矩”对应到 AI 世界，就是法律合规风险。

AI 系统一旦商用就进入法规场景：欧盟《AI 法案》按风险等级管制应用，GDPR 约束个人数据处理，各国生成式 AI 管理办法提出内容安全要求。NIST AI RMF 要求组织把合规视为风险分类的独立维度，而不是“上线前临时补的材料”。

法律合规风险主要有四类：法规遵循义务（数据保护、行业准入限制）、责任归属界定（算法决策致害谁来担责）、行业标准对齐（ISO/IEC 42001、垂直行业规范）、合同审计风险（与第三方供应商的责任划分与审计追溯）。合规管理的常用逻辑是“固有风险减去控制措施”，得到剩余风险：

医嘱写得再漂亮，病历不合规一样会被医保拒付。AI 治理同理：模型再强、体验再好，一旦触碰法规红线，产品下架、巨额罚款与品牌损失会把技术优势一笔勾销。所以风险分类台账里，永远要有“法律合规”这个科室。

Rlegal=Rinherent−Mcontrol\displaystyle R_{\text{legal}} = R_{\text{inherent}} - M_{\text{control}}
这像医院做院感防控：不做任何防护时感染风险是固有风险，戴上口罩、洗手消毒就是控制措施，两者相减得到“剩余风险”。控制措施越扎实，剩余风险越低。
  1. 固有风险假设没有任何管控手段时，法规暴露面与违规概率共同决定的初始风险水平。
    Rinherent=法规暴露面×违规概率\displaystyle R_{\text{inherent}} = \text{法规暴露面} \times \text{违规概率}
  2. 控制缓解量把风险台账、合规审计、员工培训等各项控制措施的缓解效果加总。
    Mcontrol=∑j=1mmj\displaystyle M_{\text{control}} = \sum_{j=1}^{m} m_j
  3. 剩余风险用固有风险减去控制缓解量，并保证结果不为负，得到仍需关注与定期复审的合规风险。
    Rlegal=max⁡(0,Rinherent−Mcontrol)\displaystyle R_{\text{legal}} = \max(0, R_{\text{inherent}} - M_{\text{control}})

治理策略映射

医院的高效运转靠一套闭环：建立健康档案、导诊台分诊、检验科出检查单、医生开处方并预约复诊。NIST AI RMF 的四大职能函数正是这个闭环，它们分别是 GOVERN、MAP、MEASURE、MANAGE。

GOVERN 治理是“立规矩”，确定角色、责任与政策基线；MAP 测绘是“分诊”，把分类后的风险与具体使用场景挂钩；MEASURE 度量是“检查”，对每类风险量化打分；MANAGE 管理是“治疗”，按优先级实施处置并跟踪闭环。分类体系正是四大职能共同的“病历本”：GOVERN 用它定义风险接受标准，MAP 用它覆盖识别面，MEASURE 用它组织量化对象，MANAGE 用它编排响应顺序。

处置资源永远是稀缺的，风险分类的结果需要进一步换算成优先级。经典的排序公式是严重度乘暴露面再除以治理成本：

急诊室永远先救病危者，AI 治理的资源也要按优先级分配。分类体系让这个闭环不再依赖“某位高人的直觉”，而是成为制度化、可审计的流程——这正是 NIST AI RMF 的底层哲学。

Pi=Si⋅EiCi\displaystyle P_i = \frac{S_i \cdot E_i}{C_i}
这像急诊分诊台：病情越重（严重度高）、波及的人越多（暴露面大）、救治越便宜（成本低），优先级就越高。全科医生巡诊时先处理 P 值最高的病人。
  1. 严重度 S_i第 i 类风险在 MEASURE 阶段算出的严重度评分，来自可能性与影响的乘积。
    Si=第 i 类风险的严重度评分\displaystyle S_i = \text{第 } i \text{ 类风险的严重度评分}
  2. 暴露面与成本E_i 表示受影响用户或业务范围，C_i 表示治理该风险需要投入的成本。
    Ei=受影响范围Ci=治理投入成本\displaystyle E_i = \text{受影响范围} \quad C_i = \text{治理投入成本}
  3. 处置优先级三者相除得到优先级指数，指数越大越应该优先投入治理资源。
    Pi=Si⋅EiCi值越大概率越先处理\displaystyle P_i = \frac{S_i \cdot E_i}{C_i} \quad \text{值越大概率越先处理}

企业落地实施

三甲医院背后有一个庞大的信息科：HIS 系统管病历台账，分诊系统管排队叫号，随访系统管出院病人，检验设备源源不断产生数据。体检分科再好，没有这套信息系统就是纸上谈兵。

企业落地 NIST AI RMF 风险分类体系，同样需要“工具与人”的支撑。NIST 提供了 AI RMF Playbook 作为实践指引，核心动作包括建立风险台账、制定分类流程、持续监控与工具支撑。风险登记台账记录每类风险的来源、影响、责任人、状态；分类评估流程与 MAP、MEASURE 结合，形成固定的评审节奏；监控机制让分类目录随模型迭代定期复审；工具平台则提供风险仪表盘、告警联动与自动打标能力。

为了让管理层一眼看懂整体风险水位，企业常用加权风险指数汇总各类别得分，权重由业务重要性决定：

体检报告不是看完就锁进抽屉，而要指导一年的生活方式。风险分类台账同理要“活”起来：每次模型发布、每次数据更新、每次场景扩展都重新走一遍分诊流程。当分类体系成为组织的持续运转能力，“可信 AI”就不再是一句口号，而是一套看得见、说得清、查得到的制度。

RI=∑k=1nwk⋅rk∑k=1nwk\displaystyle RI = \frac{\sum_{k=1}^{n} w_k \cdot r_k}{\sum_{k=1}^{n} w_k}
这像体检报告最后的“综合健康评分”：血常规、肝肾功能、心电图每项先打分，再按科室重要性加权平均，得到一个总览数字，方便与上次体检对比。
  1. 单项风险评分每个风险类别先由相关责任人给出 0 到 5 的评分，代表该类别的严重水平。
    rk∈[0,5]\displaystyle r_k \in [0, 5]
  2. 类别权重为每个类别分配 0 到 1 的权重，体现组织对该类风险的重视程度。
    wk∈[0,1]\displaystyle w_k \in [0, 1]
  3. 加权平均指数用加权和后除以权重和，得到整体风险指数，用于跨季度对比与汇报。
    RI=∑k=1nwk⋅rk∑k=1nwk\displaystyle RI = \frac{\sum_{k=1}^{n} w_k \cdot r_k}{\sum_{k=1}^{n} w_k}

AI 应用场景

金融信贷审批 AI 的风险台账

阶段：MAP 测绘 / 风险分类

解决的问题：传统信贷风控只盯坏账率，说不清“为什么拒绝贷款”；分类体系让银行把信贷 AI 的风险拆成数据隐私、模型公平、合规责任、系统安全四类，逐项登记、责任到人。

具体案例：某城商行按 NIST 维度建立信贷 AI 风险台账后，发现拒绝率在不同人群间差异过大，将该问题归入“公平歧视”类并触发 MEASURE 量化，最终调整特征组合，拒绝率差从 6% 降到 1.2%。

大模型内容产品的社会伦理监测

阶段：MEASURE / MANAGE

解决的问题：生成式 AI 容易输出偏见或不当内容，纯人工抽查覆盖不全；分类体系提供统一的伦理风险标签，让监控从“随机抽样”升级为“全量打标”。

具体案例：某内容平台为 AIGC 助手按隐私、公平、透明、信任四类伦理风险建立监控标签，每次生成内容自动分类并按严重度分级，红色告警直接进人工审核，处理时效从小时级缩短到分钟级。

医疗影像 AI 的合规审计

阶段：GOVERN / 审计

解决的问题：医疗 AI 涉及医疗器械法规与患者隐私，责任界定模糊；分类台账把数据授权链、算法版本变更、误诊责任归属逐项登记，让年度审计有据可查。

具体案例：某医院信息科对影像辅助诊断系统按法律合规维度建档：训练数据是否有患者授权、模型每次发布是否走变更审批、人机协作时责任如何划分，依靠完整台账顺利通过年度医疗信息化审计。

Python 演示

python60 行
# -*- coding: utf-8 -*-"""NIST AI RMF 风格的风险分类演示：将一段风险描述按「来源 x 影响」两个维度自动归类。""" SOURCE_RULES = {    "data":   ["数据", "样本", "标注", "隐私"],    "model":  ["模型", "算法", "训练", "漂移"],    "system": ["系统", "接口", "网络", "故障"],    "human":  ["用户", "人机", "信任", "误解"],} HARM_RULES = {    "个人": ["隐私", "歧视", "伤害"],    "群体": ["公平", "偏见", "族群"],    "组织": ["合规", "声誉", "成本"],    "社会": ["舆论", "民主", "环境"],}  class RiskRecord(object):    """一条风险记录：描述 + 分类结果。"""     def __init__(self, desc):        self.desc = desc        self.source = "unknown"        self.harm = "unknown"     def classify(self):        """按关键词规则给风险归类。"""        for key, words in SOURCE_RULES.items():            if any(w in self.desc for w in words):                self.source = key                break        for key, words in HARM_RULES.items():            if any(w in self.desc for w in words):                self.harm = key                break     def render(self):        return "[{}] {}".format(self.source + "/" + self.harm, self.desc)  def build_report():    samples = [        "训练样本存在地域偏差，导致推荐结果偏向城市用户",        "推荐模型遭遇数据漂移，点击率预估指标退化",        "接口未做鉴权，被批量调用造成线上系统故障",        "用户过度信任自动决策，忽视人工复核提醒",        "未按法规脱敏处理个人隐私数据，面临合规处罚",    ]    lines = ["NIST AI RMF 风格风险分类报告"]    for text in samples:        rec = RiskRecord(text)        rec.classify()        lines.append(rec.render())    return "\n".join(lines)  if __name__ == "__main__":    print(build_report())
目的：用关键词规则模拟 NIST 风格的风险分类器，把一段自然语言风险描述自动归入“来源×影响”两个维度，生成风险登记台账。
  1. SOURCE_RULES = {定义来源分类的“科室规则”，每个科室对应一组关键词
  2. HARM_RULES = {定义影响对象的分类规则，对应个人、群体、组织、社会四类
  3. self.source = "unknown"台账字段初始化，未匹配前保持“未知”
  4. rec.classify()触发两轮关键词匹配，完成来源与影响的双维分类
  5. self.source = key命中某个来源科室后，把类别写入台账字段
  6. rec.render()把分类结果格式化成登记台账的一行
  7. samples = [一组贴近真实工作的风险描述，作为演练输入
  8. if __name__ == "__main__":可执行入口，直接运行即可看到分类报告

常见误区

误区风险一旦被归入高危类别，这个 AI 系统就“废了”，等于给项目判了死刑，所以分类要谨慎到不敢分类。

正解分类只是分诊，不是定论。就像医院把症状分到心内科，不等于确诊心脏病。分类的目的是为治理提供入口，最终严重度还要靠 MEASURE 量化。高危项经过数据治理、模型调优、流程补强后完全可以降级，NIST 的分类体系本身就鼓励持续改进。

为何常见：人们习惯把“分类”与“评判错误”绑定，忽略了分类首先是为了沟通与定位，而不是为了贴道德标签。

误区分类类别越多越细，风险治理就显得越专业，干脆给每个风险单独建一个类别。

正解分类的目的是可用而非完备。类别碎化会导致台账分散、责任混乱、评审成本飙升。NIST 强调分类应服务于决策：来源、影响对象、性质三个维度已足够支撑大多数企业。过度分类与不分类同样低效，就像医院不会给每个症状单独开一个科室。

为何常见：完美主义倾向让人把“细致”等同于“专业”，却忽略了治理体系要能被一线团队真正执行。

误区只要把风险贴上分类标签，就知道风险大小了，不需要再做量化评估。

正解分类回答“风险是什么、在哪”，评估回答“风险多大、多迫切”。NIST AI RMF 中 MAP 负责分类与情境化，MEASURE 负责量化，两者是先后衔接的关系。只分类不度量，就像只查出血压偏高却不量出具体数值，无法判断该不该吃药。

为何常见：把分类用的类别名（如“高危类”）误当成量化结果，忽视了类别标签只是目录而非度量值。

误区先把模型精度和系统安全搞好，伦理合规等到出海或上市前再补就行。

正解NIST AI RMF 明确把社会、伦理、法律风险列为与技术风险并列的核心维度，而且它们往往同源共生——偏见既来自数据，也导致公平伤害。伦理法律风险一旦爆发，产品下架、巨额罚款与信任崩塌的后果，远大于一次技术故障。

为何常见：技术团队习惯“性能优先”的思维，低估了伦理法律风险的放大效应和监管的快速演进。

误区风险分类做完一次，生成台账存档，以后就不用再管了。

正解AI 系统持续演进：数据更新、模型重训、场景扩展都会引入新风险。NIST 强调风险分类是持续过程，需要定期复审并与监控告警联动。就像体检报告的有效期只有一年，复查才能发现新问题。

为何常见：静态思维让团队把分类当“一次性项目”，忽略了 AI 系统的持续学习与部署变化会不断改变风险地图。

面试题

Q1. NIST AI RMF 风险分类体系的首要作用是什么？

单选题 · easy

  • A.直接给出风险数值
  • B.提供统一风险语言← 正确答案
  • C.替代人工审计流程
  • D.自动修复安全漏洞

答案：B。分类体系首先建立统一的风险语言，就像医院分科室让“不舒服”变成可挂号的具体症状。它不负责直接量化或修复，而是治理流程的“导诊台”，为后续评估与处置打基础。

Q2. 风险来源四象限不包括以下哪一项？

单选题 · easy

  • A.数据源与模型源
  • B.系统源与人机源
  • C.芯片源与供应链← 正确答案
  • D.以上全都包括

答案：C。NIST 语境下的四个来源象限是数据、模型、系统与人机交互。芯片与供应链属于系统层的具体承载，不会单列为一个来源象限，就像医院不会把“CT 机品牌”单独设为一个科室。

Q3. 社会伦理维度中“透明度”关注的核心是什么？

单选题 · easy

  • A.模型推理时的速度
  • B.决策过程可解释性← 正确答案
  • C.服务器机房的地址
  • D.显卡采购的总数量

答案：B。透明度关注的是 AI 决策能否被理解、能否向用户解释，对应“知情同意”式的医患沟通。推理速度、机房位置与显卡数量属于工程性能与基础设施层面，不属于伦理透明度范畴。

Q4. 某推荐系统因训练样本存在地域偏差，导致推荐结果偏向城市用户，该风险应归入哪一类？

单选题 · mid

  • A.接口鉴权失效风险
  • B.数据源技术风险类← 正确答案
  • C.法律合规责任风险
  • D.运营成本控制风险

答案：B。样本地域偏差来自训练数据，应归入数据源的技术风险，具体子类为“算法偏见”。这相当于吃了变质食材引发肠胃问题，病因在“食材”（数据）而非餐具（接口）或餐厅制度（合规）。

Q5. 隐私泄露既侵害个人权利又损害社会信任，这体现了风险分类的什么特点？

单选题 · mid

  • A.分类体系自身有缺陷
  • B.风险具有多维交叉特性← 正确答案
  • C.隐私属于非核心风险
  • D.只需记录最严重类别

答案：B。一个风险事件可以同时命中多个分类维度，隐私泄露既落在“个人隐私权利”，也落在“社会信任影响”，还可能触发法律合规类别。医院里一个症状也可能同时挂心内科和内分泌科，这正是多维度分类的价值。

Q6. 风险分类体系在企业治理中的作用包括哪些？

多选题 · mid

  • A.统一风险识别语言← 正确答案
  • B.支持资源优先分配← 正确答案
  • C.直接消除全部风险
  • D.提供风险全景视图← 正确答案

答案：ABD。分类统一语言、支撑资源分配、提供全景视图，但它本身不会消除风险——消除要靠后续的 MEASURE 量化与 MANAGE 处置。把“分类”当成“风险消失”是常见误区。

Q7. 以下属于技术风险分类的是哪些？

多选题 · mid

  • A.训练数据包含偏见← 正确答案
  • B.线上数据发生漂移← 正确答案
  • C.舆论被生成内容操纵
  • D.接口存在安全漏洞← 正确答案

答案：ABD。训练数据偏见、线上数据漂移、接口安全漏洞都属于技术风险下的算法偏见、性能退化与安全漏洞子类。舆论操纵影响的是社会信任，属于社会伦理风险类别。

Q8. 关于风险分类与风险量化的关系，下列说法正确的是？

单选题 · hard

  • A.分类与量化完全相同
  • B.分类是量化的必要前提← 正确答案
  • C.量化是分类的必要前提
  • D.两者相互排斥无法共存

答案：B。分类回答“是什么、在哪”，量化回答“有多大、多急”，所以分类是量化的前提。就像只有先确认是血压问题，才能去量具体的血压数值；没有分类目录，量化对象都无法组织起来。

Q9. 企业落地风险分类体系的规范做法包括哪些？

多选题 · hard

  • A.建立风险登记台账← 正确答案
  • B.制定分类评估流程← 正确答案
  • C.一次分类永久有效
  • D.联动监控告警系统← 正确答案

答案：ABD。企业落地要建台账、定流程、并与监控告警联动，让分类目录随模型迭代持续更新。“一次分类永久有效”违背了 AI 系统持续演进的特性，属于静态思维误区。

Q10. 某组织为三类风险设定权重 0.5/0.3/0.2，严重度评分分别为 4/3/5，则加权风险指数为多少？

单选题 · extreme

  • A.3.20
  • B.3.90← 正确答案
  • C.4.10
  • D.4.70

答案：B。加权公式为 0.5×4 + 0.3×3 + 0.2×5 = 2.0 + 0.9 + 1.0 = 3.9。选项 D 4.7 是把权重与分数倒挂后算出的干扰项，A 和 C 则是不同的加权方式。这提醒我们：加权指数不是简单平均，而是按类别权重的加权平均，体检“综合评分”同理。