想象你是一家跨国科技公司的“出口经理”，手里攥着两样镇店之宝：一台价值连城的精密机床（先进 AI 芯片与模型权重），一缸独家秘方酿造的稀有原料（训练数据）。从前你只要打包发货就行，如今却要过一道越来越严的“海关”——出口前先查编码、查目的地、查最终用途，必要时还得申请“许可证”，甚至部分“原料”压根不许出境，必须在境内加工。 这道海关的“总规章”，来自美国商务部工业与安全局（BIS）的《出口管理条例》（EAR）。它像一本不断加厚的《禁限名录》，把先进计算芯片、模型权重逐一登记在册；而各国相继出台的“数据本地化”法规，又像另一道“原料禁令”，要求重要数据出境前先做安全评估。本文把这套复杂的规则讲成一次“合规通关之旅”：从认识管制清单，到达标芯片与模型权重的检查，再到数据出境的评估，最后走通一条合规的跨境协作流程。

岗位关联

对 AI 从业者而言，出口管制与数据合规就是产品出海前的“通关地图”。弄清 BIS、EAR、ECCN 与数据出境评估，能帮助你在跨境研发和模型部署时规避法律红线，成为企业亟需的合规 AI 人才。

目录
  1. 可视化演示
  2. 管制背景动因
  3. BIS与EAR清单
  4. 芯片出口管制
  5. 模型权重管制
  6. 数据本地化
  7. 合规协作流程
  8. 案例与趋势
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

三步展示AI出口管制：EAR框架（BIS→CCL→ECCN 3A090/4A090/AI权重/数据+许可证）、数据出境三路径（安全评估/标准合同/负面清单）+GDPR四机制、FDP域外效力链+合规自查清单。

本节配有交互动效（进入视口后自动加载，约 3KB）。

EAR出口管制框架 BIS→CCL→ECCN分类管制链 3A090芯片/4A090系统/AI权重/训练数据 ECCN → license? → exception? EAR通过ECCN清单对AI芯片、模型权重与训练数据实施分级出口管制。

管制背景动因

先回到那个“镇店之宝”的故事。一家餐馆的秘制酱料风靡全球，老板既想开分店赚钱，又怕别人学会配方另起炉灶。于是，当酱料和生产设备要运往海外分店时，老板会专门列一份“外带禁令”，越是值钱、越有杀伤力的东西，查得越严。AI 领域也一样——当大模型的智能水平开始超越商业价值、变成国家战略资源时，各国（尤其是美国）对先进 AI 芯片与模型权重的出口管制便一轮比一轮收紧。

从地缘政治看，AI 被称为“下一代军事与经济实力的引擎”。美国担心先进算力流向他国后，对方在军事辅助决策、网络攻击、自动化武器等领域迎头赶上，因此把出口管制当成维持“技术代差”的闸门。与此同时，全球供应链高度依赖少数晶圆厂和设计公司，一旦断供就会出现连锁反应，各国也把管制视为保护供应链安全的工具——这正是你作为“出口经理”必须理解的第一课：管制不是随意的，而是三重压力共同作用的结果。

为了量化“查得严不严”，可以定义一个简单的管制风险指数：技术能力越领先、安全用途越敏感、供应链依赖越集中，管制强度就越高。

回到比喻：老板最紧张的永远是“既独家、又关键、还人人想要”的那缸酱料。AI 芯片和模型权重恰好三者全占，所以成了海关重点盯防的对象。理解了这层动因，你才会明白后面的清单、编码与许可证，都是为了实现这三个维度的精确管控。

R管制=A能力领先×B安全敏感×C供应链依赖\displaystyle R_{\text{管制}} = A_{\text{能力领先}} \times B_{\text{安全敏感}} \times C_{\text{供应链依赖}}
这个公式说明：管制力度不是拍脑袋定的，而是由“货物有多先进、多敏感、多不可替代”三个因子相乘决定的，任何一项接近零，管制冲动都会大幅下降。
  1. 能力领先度 A模型或芯片对领先地位的贡献越大，管制方越不愿放手，取值 1-5。
    A∈[1,5]\text{A} \in [1, 5]
  2. 安全敏感度 B涉及军事、武器扩散等用途时敏感度飙升，取值 1-5。
    B∈[1,5]\text{B} \in [1, 5]
  3. 综合风险 R三因子相乘得到管制强度，数值越高越可能被列入清单。
    R=A×B×C\text{R} = \text{A} \times \text{B} \times \text{C}

BIS与EAR清单

“海关总署”怎么知道每件货该不该查？靠的是一本厚厚的《禁限名录》。在美国，这本名录由商务部工业与安全局（BIS，Bureau of Industry and Security）负责编订与执法，法律依据就是《出口管理条例》（EAR，Export Administration Regulations）。就像海关有“普通货物”与“禁运货物”之分，EAR 把管辖对象分成商品、软件、技术三大类，只要产品“源自美国”或含美国部件超过一定比例，都可能落入管辖范围。

具体执行时，BIS 使用商业管制清单（CCL）给每类货物发一个五位编码——ECCN（出口管制分类编码）。例如先进 AI 芯片对应 ECCN 3A090，算力相关的软件可能对应 4D090；而不在管制清单里的普通货品统一归为兜底的 EAR99。你的货品编码是什么、要运到哪里、最终给谁用，三者一比对，结论就出来了。

这本名录的隐喻很贴切：编码就像海关报关单上的“商品税号”，目的地与用途就像“原产地与消费国”，三者共同决定你是走“绿色通道”还是“人工查验室”。对 AI 从业者来说，学会查 ECCN、判断目的国风险，是最基本的合规素养。

管制结论={需许可,ECCN∈CCL∧(目的地∈受限∨用途∈敏感)NLR,ECCN=EAR99∨满足许可例外\displaystyle\text{管制结论} = \begin{cases}\text{需许可}, & \text{ECCN} \in \text{CCL} \land (\text{目的地} \in \text{受限} \lor \text{用途} \in \text{敏感}) \\\text{NLR}, & \text{ECCN} = \text{EAR99} \lor \text{满足许可例外}\end{cases}
通俗地说：先查货品在不在“名单”上；在名单上再查目的地和用途；两者都命中就得申请许可；否则走 NLR（无需许可）通道。
  1. 查 ECCN 编码先在 CCL 中定位货物对应的五位编码，确认是否属于受管制物项。
    ECCN∈CCL\text{ECCN} \in \text{CCL}
  2. 匹配目的地与用途把目的地、最终用户、最终用途与“国家组”和实体清单比对，命中任意一项即触发管制。
    目的地∈受限国家组\text{目的地} \in \text{受限国家组}
  3. 裁定许可例外若命中清单但满足例外条款（如 NLR、开源豁免），则免许可放行，否则必须向 BIS 申报。
    结果∈{需许可,例外放行,拒绝}\text{结果} \in \{\text{需许可}, \text{例外放行}, \text{拒绝}\}

芯片出口管制

海关对普通货物一视同仁，但对“顶级机床”会单独设一条精确参数线——马力超过多少就必须报批。2022 年 10 月起，BIS 对先进计算芯片画下了这条线，并在此后不断校准：2023 年 10 月堵住了 A800/H800 等“降规版”芯片的漏洞，2025 年初又推出“AI 扩散规则”（后被暂停），把芯片、模型与目的地分级捆绑。核心思路始终是：用可量化的算力指标决定是否需要许可证。

这套指标中，最常被引用的是 TPP（总算力性能，Total Processing Performance）。它把单颗芯片的 TOPS（每秒万亿次操作）、位宽和芯片数量揉成一个数，海关只要算一遍，就知道这台“机床”的功率有多大。

对照比喻：当年 NVIDIA 为规避管制推出“降马力版”A800，海关立刻更新了测功机——这就是 TPP 的价值。AI 工程师在采购或出口 GPU 时，先按公式算一遍总功率，心里就有底：这台“机床”到底要不要报备。

CTPP=∑i=1N2×TOPSi×位宽i\displaystyle C_{\text{TPP}} = \sum_{i=1}^{N} 2 \times \text{TOPS}_i \times \text{位宽}_i
就像汽车的总马力等于每台发动机的马力乘以缸数再求和，海关先算“总功率”再决定是否拦截。目前规则下，TPP 超过约 4800 的先进芯片出口就需许可，具体阈值随规则版本动态调整。
  1. 读 TOPSTOPS 是芯片每秒执行的万亿次操作数，相当于单台发动机的“马力值”。
    TOPSi\text{TOPS}_i
  2. 乘位宽与数据位宽（如 8/16 位）相乘，系数 2 表示考虑输入与输出双向计算路径。
    2×TOPSi×位宽i2 \times \text{TOPS}_i \times \text{位宽}_i
  3. 对全部卡求和把集群内 N 颗芯片逐一相加得总算力，超过阈值即触发许可审查。
    ∑i=1N\sum_{i=1}^{N}

模型权重管制

光拦“机床”就够了吗？海关很快发现，聪明人会把“老师傅的绝技手册”（模型权重）复制一份带出境，到了国外再找当地机床照着手册生产。于是从 2022 年底开始，BIS 把“赋能先进模型训练与生产的软件、权重”也列入了管制范围。2025 年的规则草案更是明确：训练算力达到 10^26 FLOPs 级别的闭源基础模型权重，出口前必须取得许可。

不过管制并非一刀切。规则为“开源权重”留了豁免通道：只要权重确实公开、可免费下载，且不向受限国家或实体提供服务，就可以视为“公开读物”放行。反向来看，通过海外云节点向受限方提供模型 API、把权重拆包分批传输这类“绕关”行为，被明令视为规避管制，风险极高。

回到酱料店：闭源配方是锁在保险柜里的“商业机密”，出境必查；开源配方则是印成书的“公开食谱”，人人可读便无需拦截。但注意——哪怕你的模型叫“开源”，只要实际下载链接受限、或悄悄给受限客户提供推理服务，海关依然会认定你在“假公开、真绕关”。

C训练=P单卡×N卡数×T秒数\displaystyle C_{\text{训练}} = P_{\text{单卡}} \times N_{\text{卡数}} \times T_{\text{秒数}}
这是估算“训练总算力”的公式：单卡算力 × 显卡数量 × 训练时长。算出结果后与 10^26 FLOPs 阈值比较，达到就要触发申报或许可。
  1. 单卡算力 P训练主力显卡的峰值计算能力（FLOPs），是“绝技手册”的含金量基础。
    P单卡\text{P}_{\text{单卡}}
  2. 卡数与时长乘以 GPU 数量与训练秒数，反映“为练成绝技烧了多少资源”。
    N卡数×T秒数\text{N}_{\text{卡数}} \times \text{T}_{\text{秒数}}
  3. 阈值比较结果与 10^26 FLOPs 比较，达到即视为“顶级绝技”，须申报或申请许可。
    C训练≥1026\text{C}_{\text{训练}} \geq 10^{26}

数据本地化

除了“运货出境要报备”，还有一类“珍稀食材”压根不许出境，必须在本地厨房加工——这就是数据本地化。各国立法者认为，训练数据往往包含个人信息、商业秘密甚至国家安全相关的重要数据，一旦流出境外，加工方就能从中“榨出”敏感信息。因此中国《数据安全法》《个人信息保护法》、欧盟 GDPR 等法规都要求：重要数据出境前必须经过安全评估、标准合同或认证等合规路径。

在中国，企业向境外提供“重要数据”或达到一定规模（如 100 万人以上）的个人信息，须按《数据出境安全评估办法》申报；未达门槛的，可通过标准合同（SCC）或个人信息保护认证出境。实操中，第一步永远是“分类分级”——先搞清楚手上的数据属于哪一类、有多敏感，再判断走哪条通道。

审视一下“珍稀食材”的比喻：米其林主厨可以允许分店采购普通面粉（低敏感数据），但绝不会让独家松露（重要数据）未经冷链审批就出境。AI 团队在跨境训练、跨国协作前，先给数据“称重、贴标、定目的地”，才能确定走安全评估、标准合同还是本地化加工路线。

R出境风险=S敏感度×V规模×D目的地风险\displaystyle R_{\text{出境风险}} = S_{\text{敏感度}} \times V_{\text{规模}} \times D_{\text{目的地风险}}
数据出境风险评估可以浓缩成这个公式：敏感度越高、规模越大、目的地风险越高，总分就越高。分数高的必须走正式安全评估，分数低的可以走简化通道。
  1. 敏感度打分 S按数据类型（个人信息、重要数据、商业秘密）取 1-10，越敏感分数越高。
    S∈[1,10]\text{S} \in [1, 10]
  2. 规模系数 V数据量越大，潜在危害面越广，规模采用对数增长避免数值爆炸。
    V=log⁡10(1+GB)\text{V} = \log_{10}(1 + \text{GB})
  3. 目的地风险 D接收方所在国的法治环境与保护水平决定风险系数，取 1-5。
    D∈[1,5]\text{D} \in [1, 5]

合规协作流程

通关不是一次性的运气，而是一条可以设计的流水线：报关前分类、申报、抽检、放行、存档。合规的跨境 AI 研发协作也应如此。一套典型流程是：第一步对数据和模型做分类分级，确认哪些可出境、哪些需评估、哪些必须留在境内；第二步以“最小化出境”为原则，只传输必要样本与去标识化数据；第三步按目的地与规模选择安全评估、标准合同或认证路径；第四步通过技术沙盒做合规测试，验证模型在境外环境下的行为符合合同约束。

合同条款是这条流水线的“保险丝”。典型的跨境协作合同中会写入：不得将模型权重转售或转出口给第三方、不得用于军事或武器扩散用途、接收方须建立同等的安全保护措施。企业还应对境外合作伙伴做供应链审查，并在合同中约定“海关政策变更时双方如何调整”，避免因为规则升级而一夜断供。

把整条流水线装回海关画面：分类分级是“报关单”，出境评估是“申报”，许可证是“通关单”，沙盒测试是“抽检”，合同条款是“保证金”。每一步都做扎实，你的跨境 AI 研发才能像那位老练的出口经理一样，在海关面前从容递单、顺利放行。

K合规=∑i=1nwi×ci∑i=1nwi≥K目标\displaystyle K_{\text{合规}} = \frac{\displaystyle \sum_{i=1}^{n} w_i \times c_i}{\displaystyle \sum_{i=1}^{n} w_i} \geq K_{\text{目标}}
合规得分是各检查项完成度的加权平均：先给每项措施打分（0-1），再按重要程度加权，最后看总分是否达到放行线（如 0.8）。这就像海关抽检清单，关键项必须全过。
  1. 完成度打分 c每项合规措施（评估、合同、沙盒测试）的完成度取值 0-1。
    ci∈[0,1]\text{c}_i \in [0, 1]
  2. 重要性权重 w数据评估、许可证申请等关键项的权重显著高于文档留档。
    wi≥0\text{w}_i \geq 0
  3. 加权平均判定总分达到目标线才允许出境，否则回炉整改。
    K≥K目标\text{K} \geq \text{K}_{\text{目标}}

案例与趋势

总有人心存侥幸，想走“无申报通道”。现实中的处罚案例就是最好的警示。2022 年 7 月，我国国家网信办对某出行平台处以 80.26 亿元罚款，原因之一就是违法违规处理个人信息、数据出境不合规；同年，美国 BIS 将多家向中国转售受管制芯片的企业列入实体清单，NVIDIA 的 A100、A800、H800 接连被禁运或二次封堵，充分说明“改参数绕关”行不通。这些案例验证了一个朴素道理：技术再强，也强不过合规的底线。

与此同时，越来越多的企业把合规做成了竞争力。头部云厂商在海外节点部署训练集群时，会提前拆分数据管道，把敏感数据留在境内、只将模型权重以许可或开源豁免方式出境；跨国企业内部则建立“数据出境台账”，配合标准合同与年度评估，把风险变成可审计的流程。实证表明，合规团队越早介入，产品出海的时间线反而越可控。

从趋势看，全球监管仍在加码：欧盟《人工智能法案》生效、美国规则持续迭代、更多国家出台数据本地化条款。可以预期，模型权重、算力集群与训练数据将成为未来十年国际贸易中最受关注的“敏感货物”，AI 合规岗位的需求也会水涨船高。

回到最初的海关比喻：黑名单上的货主当年都以为“一次侥幸无所谓”，直到罚单和禁令落地才追悔莫及。聪明的出口经理早已把合规视为通关的常态动作——因为监管的趋势很清楚：闸门只会越收越紧，规矩只会越来越细。

Δ=P违规概率×F处罚金额−C合规成本\displaystyle \Delta = P_{\text{违规概率}} \times F_{\text{处罚金额}} - C_{\text{合规成本}}
这是“为什么必须合规”的算账公式：当违规的期望损失（概率 × 罚金）大于合规投入时，合规就是最划算的生意。
  1. 违规期望损失违规被查处的概率乘以罚金，构成风险敞口。
    P×F\text{P} \times \text{F}
  2. 合规投入成本评估、许可、审查、沙盒测试等全流程投入。
    C\text{C}
  3. 理性决策只有损失大于成本时，企业才有足够动力走上合规之路。
    Δ=P×F−C>0\Delta = \text{P} \times \text{F} - \text{C} > 0

AI 应用场景

跨国联合训练中的合规分工

阶段：模型训练与部署的数据准备

解决的问题：国内算法团队与海外研究团队希望共享训练数据与模型迭代成果，但传统做法往往“先传数据再说”，极易触发数据出境违规和模型权重管制。AI 方案通过“境内训练 + 出境评估”组合拳解决：敏感数据留在境内完成预训练，仅将不含个人信息的模型中间产物以脱敏形式共享，并依据开源豁免或许可证通道转移最终权重。

具体案例：某自动驾驶公司中德联合研发，将路采原始视频（包含人脸与车牌）留在中国数据中心，只出口经过去标识化的场景特征向量，并与德国团队签署标准合同与不得再出口条款，最终顺利通过两轮数据出境安全评估。

云服务出海的模型部署合规

阶段：模型推理服务部署与运营

解决的问题：许多企业习惯在海外云节点直接部署国内训练好的大模型 API，却忽略了“云端提供模型服务”同样可能被认定为变相出口。AI 方案通过出口决策预检（核查 ECCN、目的地、算力阈值）与许可证评估，判断该模型是否可以出海、以何种架构出海。

具体案例：某 SaaS 公司计划向东南亚客户提供中文大模型 API，合规团队先用预检工具算出模型训练算力低于通报阈值、ECCN 为 EAR99 且目的地不在受限名单，于是走 NLR 通道顺利上线，并为每个客户留存目的地日志以备审查。

跨国企业内部数据出境评估

阶段：人力资源与用户数据管理的跨境流转

解决的问题：跨国公司在华分支需要将员工个人信息、业务数据传回海外总部，传统做法是“一删了之”或“直接传输”，都存在较高合规风险。AI 方案通过数据分类分级 + 风险评分公式，自动判断每条数据流是否需要安全评估、标准合同或本地化留存。

具体案例：某外资银行将中国区客户交易日志用于总部风控建模，系统自动识别出 80% 数据属低敏感业务日志可走标准合同通道，20% 属个人金融信息必须完成安全评估，整体出境时间从 3 个月压缩到 3 周。

Python 演示

python64 行
# 跨境AI模型出口合规预检工具from dataclasses import dataclass # 受管制目的地与D:5高风险国家组(示例)DENIED_DESTINATIONS = {"XX", "YY"}D5_COUNTRIES = {"ZZ"} @dataclassclass ModelProfile:    name: str    tops: float    bit_width: int    gpu_count: int    is_open_source: bool    data_sensitivity: int    data_volume_gb: float def tpp(profile):    return 2 * profile.tops * profile.bit_width * profile.gpu_count def eccn_classify(profile):    if tpp(profile) > 4800:        return "3A090"    return "EAR99" def is_restricted(model, dest):    if dest in DENIED_DESTINATIONS:        return True    if eccn_classify(model) == "3A090" and dest in D5_COUNTRIES:        return True    return False def export_decision(model, dest, has_license=False):    if is_restricted(model, dest) and not has_license:        return "DENY", "需向BIS申请许可证"    if eccn_classify(model) == "3A090":        return "REVIEW", "进入许可审查流程"    return "APPROVE", "适用NLR免许可出口" def data_exit_risk(model):    return model.data_sensitivity * model.data_volume_gb * 0.15 def compliance_check(model, dest, has_license=False):    code, reason = export_decision(model, dest, has_license)    risk = data_exit_risk(model)    print("[%s] ECCN=%s TPP=%.0f" % (model.name, eccn_classify(model), tpp(model)))    print("  出口结论: %s (%s)" % (code, reason))    print("  数据出境风险分: %.1f" % risk)    if code == "DENY":        print("  建议: 补充许可证或中止出境, 并启动数据出境安全评估")    elif code == "REVIEW":        print("  建议: 内部合规审查, 评估开源豁免或云服务方案")    else:        print("  建议: 留存ECCN与目的地记录, 凭证归档") if __name__ == "__main__":    m1 = ModelProfile("轻量图像模型", 120, 16, 8, True, 3, 200)    m2 = ModelProfile("先进大模型", 600, 16, 64, False, 8, 5000)    print("========== 出境目的地: 美国 ==========")    compliance_check(m1, "US")    compliance_check(m2, "US")    print("========== 出境目的地: 受限国 ==========")    compliance_check(m1, "XX")    compliance_check(m2, "XX")
目的：模拟企业出口 AI 模型前的合规预检——自动计算 TPP、判定 ECCN、核对目的地风险并输出数据出境风险分，形成一份可留档的“通关建议”。
  1. def tpp(profile):按公式 2×TOPS×位宽×卡数计算总算力，这是芯片与模型管制判定的核心指标。
  2. if tpp(profile) > 4800:算力超过阈值即归类为先进物项 ECCN 3A090，相当于海关“重点查验名录”。
  3. if dest in DENIED_DESTINATIONS:先查目的地是否属于受限名单，类比海关先看“运往哪个国家”。
  4. return "APPROVE", "适用NLR免许可出口"未命中任何管制条件时，走 NLR 无需许可通道。
  5. risk = data_exit_risk(model)用敏感度×规模×系数估算数据出境风险分，对应正文的风险评分公式。
  6. compliance_check(m1, "US")对具体模型与目的地执行一次完整预检，输出 ECCN、结论与建议。

常见误区

误区“我的模型在 GitHub 上开源了，权重随便下载，所以出口到任何国家都没问题。”

正解开源不等于无条件豁免。出口管制看的是“是否公开可下载”和“是否向受限主体提供服务”双重条件。如果你的开源权重实际下载链接设了地区限制，或者你在云端向受限国家的客户提供推理 API，海关依然可以认定这是变相出口。公开食谱可以带走，但“只给特定客人看的假公开食谱”照样会被没收。

为何常见：大家习惯把“开源”等同于“免费”，忽略了出口管制更关注“获取渠道是否真正公开”以及“是否被用于受限用途”。

误区“我把数据加密后再传到境外服务器，第三方看不到内容，就不算违规出境了。”

正解数据出境安全的评估对象是“出境行为+数据属性”本身，而不是传输形式。加密只是技术防护手段，不改变数据的敏感度，也不改变重要数据和个人信息出境前必须评估的法律要求。就像你把珍稀松露装进保险箱托运，海关照样要查你的报关单——加密不豁免申报。

为何常见：技术背景的人容易把“网络安全”与“合规安全”混为一谈，以为密文传输就能绕开监管。

误区“出口管制管的都是 GPU 芯片这种硬件，模型权重是软件，应该不受限。”

正解2022 年底起，BIS 已将“赋能先进模型训练的计算相关软件与技术”纳入 EAR 管辖，模型权重作为 AI 能力的载体同样受控。2025 年的规则草案进一步明确训练算力超阈值的闭源基础模型权重出口需许可。绝技手册和机床一样值钱，海关不可能只盯机床不看手册。

为何常见：早期出口管制确实集中在硬件，公众认知存在惯性，没跟上规则从“硬”到“软”的扩展。

误区“只要申请到 BIS 许可证，以后这批模型和芯片就可以反复出口、不用再管了。”

正解许可证通常有有效期、目的地、最终用户和用途限制，且海关随时可因规则升级而调整。2023 年 NVIDIA 的 A800 最初被认为合规，随后规则一改即被禁运，就是“许可证不是保险单”的最好证明。合规是持续状态，需要建立台账、定期复审。

为何常见：人们习惯把“审批通过”当作终点，忽略了出口管制是动态博弈，规则版本会随地缘政治不断更新。

面试题

Q1. BIS 是哪个国家的出口管制机构？

单选题 · easy

  • A.欧盟委员会下属机构
  • B.美国商务部下属机构← 正确答案
  • C.中国商务部下属机构
  • D.英国国际贸易部机构

答案：B。BIS（工业与安全局）隶属于美国商务部，主管 EAR 的编订与执行。它就像“海关总署”的规则制定者；欧盟、中国、英国各有对应机构，但英文缩写与职能定位都不同，不要混淆。

Q2. EAR 的全称是以下哪项？

单选题 · easy

  • A.出口管理条例← 正确答案
  • B.进口关税条例
  • C.数据保护条例
  • D.技术转移条例

答案：A。EAR 即 Export Administration Regulations，中文通常译为《出口管理条例》，是美国出口管制的核心法律文本。它相当于海关那本“总规章”；其余选项分别对应关税、隐私、技术许可等领域，与出口管制的主线无关。

Q3. 下列哪些对象受 EAR 出口管制约束？

多选题 · mid

  • A.先进AI芯片与算力硬件← 正确答案
  • B.AI模型权重与训练软件← 正确答案
  • C.跨境流动的个人信息数据
  • D.纯学术用途的开源论文

答案：AB。EAR 管辖“商品、软件、技术”三类物项，先进芯片与模型权重均在列。个人信息数据主要受数据保护与本地化法规约束而非 EAR；纯学术论文通常不构成管制物项。海关查“物”，数据出境评估查“料”，两者是两套闸门。

Q4. 某芯片 TOPS=600、位宽=16、共 32 卡，按公式 2×TOPS×位宽×卡数计算，其 TPP 约为多少？

单选题 · extreme

  • A.约 307200 万亿次
  • B.约 30720 万亿次
  • C.约 614400 万亿次← 正确答案
  • D.约 9600 万亿次

答案：C。代入公式：2×600×16×32 = 614400，故选 C。这就是“总马力”的计算方式：单机功率（TOPS）放大位宽与卡数后得到集群总算力。本题考察对 TPP 公式的精确掌握，选项差距较大，细心代入即可。

Q5. 以下哪类模型最可能需要申请出口许可？

单选题 · hard

  • A.训练算力超阈值的闭源大模型← 正确答案
  • B.公开可下载的轻量开源模型
  • C.仅用于内部推理的边缘模型
  • D.部署在境内云端的应用模型

答案：A。训练算力超阈值（如 10^26 FLOPs）且闭源的基础模型权重，是出口管制重点盯防对象。开源的公开下载模型通常可豁免，内部推理和境内部署不构成跨境出口。“绝技手册”越顶级越机密，越需要许可证。

Q6. 开源模型权重获得出口豁免，通常需满足哪些条件？

多选题 · mid

  • A.权重公开且可免费下载← 正确答案
  • B.不向受限国家实体提供服务← 正确答案
  • C.模型已开源即可无条件豁免
  • D.需向 BIS 缴纳一定费用

答案：AB。开源豁免的关键是“真公开”与“不服务受限方”：权重确实公开可下载，且不向受限国家或实体提供推理服务。C 错在“无条件”，D 错在豁免不收费。海关放行公开食谱的前提是它真的是公开读物，而不是暗中定向供应。

Q7. 我国“重要数据”出境前依法需要完成下列哪项？

单选题 · mid

  • A.数据出境安全评估← 正确答案
  • B.删除敏感字段后自证
  • C.仅向用户发布公告
  • D.与境外签署保密承诺

答案：A。按《数据出境安全评估办法》，重要数据出境须申报安全评估，这是法定流程。删除字段、发公告、私下保密承诺都不能替代评估——就像珍稀食材出境必须走冷链审批通道，任何“自证无害”都不能绕过海关申报。

Q8. 下列行为中，属于可能规避出口管制的风险行为？

多选题 · hard

  • A.通过海外云节点向受限国提供模型API← 正确答案
  • B.将受限模型权重拆包分批混淆传输← 正确答案
  • C.在境内训练完成并正常申报后出口
  • D.经第三国公司转售受管制先进芯片← 正确答案

答案：ABD。云端提供模型服务、拆包分批传输、经第三国转售，都属于典型的规避管制手法，海关明令禁止并会追责。C 是正常申报后合规出口，不构成规避。绕关的方式再花哨，也逃不过海关对“最终去向”的穿透式审查。

Q9. 出口管制语境中"NLR"通常表示什么？

单选题 · easy

  • A.无需许可证即可出口← 正确答案
  • B.国家层面的限制审查
  • C.新型低风险产品名录
  • D.非本地资源再出口

答案：A。NLR 即 No License Required，指货物不在管制清单内或符合许可例外，无需单独申请即可出口。它是出口经理最希望看到的“绿色通道”结果；其余选项都是对缩写望文生义，容易在面试中踩坑。

Q10. 数据出境风险等级主要由哪些因素综合决定？

单选题 · hard

  • A.敏感度规模与接收方风险← 正确答案
  • B.仅取决于数据总体规模
  • C.仅取决于数据类型敏感度
  • D.仅取决于接收国安全水平

答案：A。风险等级是敏感度、规模、目的地风险三者的综合结果，单一维度无法判定。就像一缸酱料的危险程度，既要看配方多机密，也要看量有多大、运往哪里。面试官在此题中考察的是你是否理解“多因子相乘”而非“单因子决定”。