AI 治理框架全景深度报告：以 NIST AI RMF 为核心

AI 治理框架是组织用于识别、评估、监测和处置人工智能风险的制度化工具集，目前已形成一个从价值原则、国际条约、法律法规、标准认证到自愿框架与技术工具的多层生态。其中，美国国家标准与技术研究院（NIST）发布的《人工智能风险管理框架》（AI RMF 1.0）是全球引用最广的自愿性框架：它以 GOVERN（治理）、MAP（映射）、MEASURE（测量）、MANAGE（管理） 四大功能为骨架，细分为 19 个类别、72 个子类别，并锚定七大"可信 AI"特征；2024 年 7 月又发布《生成式 AI Profile》（NIST AI 600-1），补充了幻觉（confabulation）、提示注入、知识产权等 12 类生成式 AI 特有风险。与之并列的关键框架包括：可认证的 ISO/IEC 42001 AI 管理体系标准、具有强制法律效力的欧盟《人工智能法》、政府间共识性的 OECD《AI 原则》，以及中国以算法备案、内容标识和《人工智能安全治理框架》为抓手的监管体系。本文以 NIST AI RMF 为切入点，系统梳理全球主要 AI 治理框架的结构、约束力、相互关系与落地路径，并给出企业选型与实施建议。截至 2026 年 8 月，全球 AI 治理正呈现三个显著趋势：从"软法"走向"硬法"、从内容生成风险走向智能体（Agentic AI）行为风险、从框架采纳走向运行时的持续执行。

1. 什么是 AI 治理框架：概念与类型学#

AI 治理框架（AI Governance Framework）泛指一套帮助组织以可信、负责任的方式开发、采购、部署和运营人工智能系统的原则、流程、控制与问责机制。它要回答的核心问题包括：谁对 AI 系统的后果负责、如何识别和度量 AI 特有的风险（如幻觉、偏见、提示注入、数据漂移）、在什么阈值下允许系统上线、出现事故后如何响应与追溯。与面向确定性软件的传统 IT 治理不同，AI 系统的输出具有概率性、依赖会随时间漂移的数据、失败模式难以预测且难以穷举测试，这使得专门面向 AI 的风险管理框架成为必需。

从约束力与功能定位看，当前全球 AI 治理工具大致可分为六个层次，理解这一分层是阅读本文后续内容的基础：

这张分层图揭示了一个重要的行业现实：没有任何单一框架能够覆盖全部需求。价值原则层（如 OECD 原则）共识最广但不可执行；法律法规层（如欧盟 AI 法）有强制力但只管辖特定辖区；自愿框架层（如 NIST AI RMF）提供了最细颗粒度的风险管理方法论，但依赖组织自觉；技术工具层则决定了治理是"纸面合规"还是"运行时执行"。成熟组织的典型做法是组合使用：以 NIST AI RMF 或 ISO/IEC 42001 搭建内部治理骨架，用法规映射（crosswalk）满足各辖区合规义务，再用技术工具实现持续监测与证据留存。后文将分别展开。

需要特别指出的是"自愿"二字的相对性。以 NIST AI RMF 为例，它在美国联邦层面无法律强制力，但美国联邦采购规则、多个州法（如科罗拉多州《人工智能法》将其作为"积极抗辩"依据）、行业监管指引（如金融业的模型风险管理）都越来越多地引用它，使其事实上成为一种"准合规基线"。类似地，ISO/IEC 42001 虽为自愿标准，却正迅速成为企业采购问卷和跨境合同中的"治理护照"。

2. NIST AI RMF 深度解析#

2.1 制定背景与法律渊源#

NIST《人工智能风险管理框架》（AI Risk Management Framework, AI RMF 1.0，正式编号 NIST AI 100-1）于 2023 年 1 月 26 日正式发布。其法律渊源是《2020 年国家人工智能倡议法案》（National AI Initiative Act of 2020）——美国国会要求 NIST 牵头制定一套面向全社会的 AI 风险管理自愿框架。整个制定过程遵循 NIST 典型的共识驱动、公开透明模式，历时约 18 个月，收到来自产业界、学术界、公民社会和政府机构 240 多个组织提交的约 400 组正式意见，这使它成为少数经过广泛多利益相关方磋商的 AI 治理文本。

框架的定位非常明确：自愿性、非认证性、技术中立、面向全生命周期。它既不是法规也不是标准，而是一套"结果导向"的风险管理方法——框架只规定组织应当达成什么样的风险管理结果（outcomes），不规定具体用什么技术、什么指标、什么阈值去实现，组织可以依据自身规模、行业和风险偏好裁剪使用。这一设计哲学与美国整体的"轻监管、重标准"AI 治理路线一脉相承，也使 AI RMF 与 2014 年发布的 NIST 网络安全框架（CSF）在结构上高度神似——后者的 Identify-Protect-Detect-Respond-Recover 五大功能，与 AI RMF 的四大功能形成清晰的家族对应。

2.2 七大"可信 AI"特征#

AI RMF 的目标不是消除风险，而是帮助组织在设计、开发、部署和使用 AI 的全过程中管理风险、最大化正面影响。为此，框架定义了可信 AI 系统应当具备的七大特征，这七个特征构成了后续 MEASURE 功能的度量对象：

这七大特征的意义在于，它们把"可信 AI"这个抽象口号拆解成了可以逐一测试和度量的工程属性。框架同时坦承这些特征之间存在内在张力——例如更高的可解释性可能牺牲准确性，更强的隐私保护可能降低公平性度量的可行性——因此组织必须结合具体应用场景做权衡，而不是追求所有特征的满分。这种"承认权衡"的务实态度，是 NIST AI RMF 区别于许多纯原则性宣言的重要特征。

2.3 核心结构：四大功能、19 个类别、72 个子类别#

AI RMF 的核心（Core）是一个三层递进的结构：4 个功能（Functions）→ 19 个类别（Categories）→ 72 个子类别（Subcategories）。四大功能分别是 GOVERN、MAP、MEASURE、MANAGE，各功能下的类别与子类别分布如下：

关于四大功能，有三个常见的误读需要澄清。第一，GOVERN 不是"第一步"而是"空气"——它是唯一被 NIST 明确定义为横向贯穿（cross-cutting）的功能，应当渗透在 MAP、MEASURE、MANAGE 的每一项活动中，而不是在项目启动时做一遍就束之高阁；治理政策应当在每次映射新系统、处置新风险时被重新审视。第二，四大功能不是线性流程而是迭代循环——框架在 1.0 版中特意加入了 MANAGE→MAP 的反馈回路：当系统语境发生变化（新用例、新数据源、新法规），组织必须回到 MAP 重新映射；否则系统进入 GOVERN 功能下的持续监测。第三，72 个子类别不是全做清单——NIST 明确允许组织按用例和风险容忍度选择相关子类别，但要求对暂缓实施的部分记录理由、补偿性控制和时间表。

四大功能各自回答一个实务问题：GOVERN 回答"出了事谁负责、谁能叫停"，MAP 回答"风险藏在这个系统的哪个角落"，MEASURE 回答"怎么在用户之前发现系统在劣化"，MANAGE 回答"问题发生的那一刻怎么办"。以一个部署客服大模型的企业为例：GOVERN 层面需要指定对模型输出负最终责任的高管、设定风险容忍度并建立上报路径；MAP 层面需要梳理该模型的训练数据来源、面向的客户群体、可能出错的高危场景（如退款承诺、医疗建议）；MEASURE 层面需要对幻觉率、偏见表现、提示注入抵抗能力做部署前测试和上线后持续监测；MANAGE 层面则需要准备输出事故的回滚方案、供应商（基础模型 API 方）行为变更时的应急流程，以及面向监管和客户的沟通预案。

2.4 Profiles、Playbook 与配套资源#

围绕核心框架，NIST 提供了一整套配套资源帮助组织把框架从纸面落到地面。AI RMF Playbook 是在线伴侣文档，为每个子类别提供可执行的建议动作、参考文档和示例产出，它不是规范性的——组织像点菜一样选取适用动作。**Profiles（画像）**则是组织将核心框架适配到具体场景的载体：用例画像针对特定应用（如招聘、信贷），组织画像记录某个实体的风险偏好与控制选择，画像的价值在于让取舍显性化——例如对高影响系统要求更严格的测试，对低风险内部工具适用轻量评审。

此外，NIST 还发布了路线图（Roadmap）、跨框架映射（Crosswalks）和各行业视角文件。跨框架映射尤其实务：新加坡 IMDA 与 NIST 之间完成的治理框架互映射就是典型案例，它让跨国企业可以"一次建设、多处复用"治理证据，显著降低合规摩擦。学界和产业界也在此基础上延伸——例如有研究者基于 AI RMF 构建了成熟度模型问卷，将 72 个子类别转化为可打分的具体行为陈述，用于组织自评；金融服务领域则出现了将 AI RMF 翻译为行业控制目标的《金融服务 AI 风险管理框架》（FS AI RMF）。

2.5 生成式 AI Profile（NIST AI 600-1）#

2022 年底生成式 AI 爆发后，基础框架的通用性很快显得不够用。2023 年 10 月，美国总统拜登签署第 14110 号行政令，要求 NIST 制定生成式 AI 专项指引；作为响应，NIST 于 2024 年 7 月 26 日发布《AI 风险管理框架：生成式人工智能画像》（NIST AI 600-1）。这份文件以 Profile 的形式将 GOVERN/MAP/MEASURE/MANAGE 四大功能映射到 12 类生成式 AI 特有或被显著放大的风险，并为每类风险提供 200 多项建议动作，按开发者、部署者、最终用户等不同角色标注适用对象：

AI 600-1 的操作性明显强于基础框架：它不只说"管理偏见风险"，而是给出具体动作，例如把幻觉当作校准问题而非单纯准确率问题来度量、对 CBRN 类查询做专项红队测试、建立内容溯源（数字水印、元数据追踪、数字指纹）机制、设立"停止构建权"（stop-build authority）等。值得注意的是它的时效性安排：该文件虽依据已被撤销的 EO 14110 制定，但作为自愿性指南仍然有效并被广泛引用。同时其局限也已显现——12 类风险主要围绕"模型会生成什么有害内容"组织，而 2025 年后兴起的智能体（Agentic AI）的核心风险是"模型会执行什么有害动作"，学界和云安全联盟（CSA）已开始研制面向智能体的 Profile 以弥补这一缺口。

2.6 2025–2026 年政策转向下的 NIST AI 治理体系#

NIST AI RMF 所处的美国政策环境在 2025 年发生了根本性转向。2025 年 1 月 20 日，特朗普政府撤销了拜登的 EO 14110；1 月 23 日签署 EO 14179《消除美国人工智能领导力障碍》，要求各机构全面审查并废止与"创新优先"路线不一致的既有 AI 政策。2025 年 6 月，商务部长宣布将 NIST 下属的 AI 安全研究所（AISI）更名为 AI 标准与创新中心（CAISI），使命表述从"安全"转向"标准"；2026 年 5 月，其配套的 AISI 联盟也更名为 NIST 人工智能联盟，研究议程从系统性风险缓释扩展到 AI 测量、创新与美国 AI 技术的全球推广。

对 AI RMF 本身而言，最重要的信号来自 2025 年 7 月 23 日发布的《美国 AI 行动计划》（America's AI Action Plan）：它明确指示 NIST 修订 AI RMF，删除其中关于错误信息（misinformation）、多元公平包容（DEI）和气候变化的表述。这意味着这个经多利益相关方磋商形成、被全球广泛采用的框架，其内容将首次受到明确的政治性修订，其作为"中立技术基线"的国际信誉面临考验。与此同时，NIST/CAISI 的技术产出并未停滞：2025 年 12 月发布《网络 AI Profile》初步草案（IR 8596），2026 年 2 月启动 AI 智能体标准倡议（AI Agent Standards Initiative），2026 年 3 月发布关于部署后监测的 NIST AI 800-4，2026 年 4 月提出关键基础设施 AI RMF Profile 概念文件。2026 年 6 月，EO 14409 进一步建立了由 CAISI 主导的前沿模型发布前"自愿性"审查机制。总体来看，NIST AI RMF 的工具地位依然稳固，但其内容演化值得持续跟踪。

3. 与 NIST AI RMF 并列的主要框架#

3.1 ISO/IEC 42001：可认证的 AI 管理体系标准#

如果说 NIST AI RMF 教你"如何思考 AI 风险"，ISO/IEC 42001:2023 则提供了"让别人证明你做到了"的机制。该标准于 2023 年 12 月发布，全称《信息技术—人工智能—管理体系》，是全球首个 AI 管理体系（AIMS）标准，也是目前主流 AI 治理框架中唯一可被第三方认证的一个。它与 ISO 27001（信息安全）、ISO 9001（质量管理）共享同一套协调结构（Harmonized Structure），可认证要求分布在第 4 至第 10 章，遵循 PDCA（计划—执行—检查—改进）循环：

区别于信息安全标准的关键要求是 AI 系统影响评估：组织必须评估 AI 系统对个人、群体和社会（而不仅是对组织自身）的影响，并在系统发生重大变化时重新评估、留存结果——公平性、安全与人权考量由此被制度化。标准还附有约 38 项 Annex A 控制措施、横跨 9 个控制域（政策、内部组织、资源、影响评估、数据、信息披露等），组织需编制《适用性声明》（SoA）说明每项控制的取舍理由。认证流程与 ISO 27001 类似：一阶段文件审核＋二阶段运行审核，证书三年有效、每年监督审核；配套标准 ISO/IEC 42006:2025 则规范了认证机构本身的资质。

需要厘清三个常见误解：其一，认证对象是组织的管理体系而非某个 AI 模型——正如 ISO 9001 不保证每件产品无瑕疵；其二，它适用于 AI 的使用者而不仅是开发者，一家采购第三方信贷模型的银行同样可以认证；其三，获得 ISO 42001 认证不等于符合欧盟 AI 法——截至 2026 年它尚非欧盟官刊引用的协调标准，不产生"合规推定"，欧洲另在制定 prEN 18286 以满足 AI 法第 17 条的质量管理体系要求，但一个运行良好的 AIMS 确实能为 AI 法合规提供大部分组织基础设施。与 NIST AI RMF 的关系则是互补而非竞争：RMF 的风险管理工作可以直接作为 42001 审核的输入证据。

3.2 欧盟《人工智能法》：全球首部综合性 AI 立法#

欧盟《人工智能法》（Regulation (EU) 2024/1689）于 2024 年 8 月 1 日生效，是全球第一部横向、综合性的 AI 立法，采用基于风险的分级监管模式，将 AI 系统分为四档：

其实施采取分阶段推进：2025 年 2 月 2 日禁令与 AI 素养义务生效；2025 年 8 月 2 日通用目的人工智能（GPAI）模型义务与治理架构（含欧盟 AI 办公室）开始适用；原定于 2026 年 8 月 2 日全面适用的附件 III 高风险义务，经 2026 年"数字总括法案"（Digital Omnibus）调整延后至 2027 年 12 月 2 日，附件 I 嵌入式产品义务延至 2028 年 8 月——但透明度义务（第 50 条）仍按原计划于 2026 年 8 月 2 日适用。罚则采用三档结构：违反禁令最高 3500 万欧元或全球年营业额 7%（高于 GDPR 的 4%），违反高风险等义务最高 1500 万欧元或 3%，提供误导信息最高 750 万欧元或 1%。

GPAI 规则是欧盟模式最具外溢性的创新：训练算力达到 10²⁵ FLOPs 的模型被推定具有"系统性风险"，需承担模型评估、对抗测试、事件报告等额外义务，目前全球仅约 5–15 家公司触及该门槛。欧盟委员会 2025 年 7 月发布《GPAI 行为准则》，26 家机构（含 OpenAI、Google、Microsoft、Anthropic、Mistral 等）签署以获得"合规推定"，而 Meta 公开拒绝签署。落地进度方面则不容乐观：截至 2026 年 4 月，78% 的组织尚未采取实质性的合规准备，超过一半连基本的 AI 清单都没有；至少 12 个成员国错过了主管机构指定的法定期限。与 NIST AI RMF 的本质区别在于：AI RMF 是自愿的过程方法论，欧盟 AI 法是强制的市场准入法规——前者告诉你怎么管理风险，后者规定不满足条件就不能在欧洲卖。

3.3 OECD《AI 原则》与 UNESCO《AI 伦理建议书》#

OECD《AI 原则》是首个政府间 AI 标准，2019 年 5 月通过、2024 年 5 月修订以应对通用与生成式 AI，目前共 47 个国家和地区加入。它包含五条价值导向原则——包容性增长与可持续发展、人权与民主价值（含公平与隐私）、透明与可解释、鲁棒安全与安保、问责——以及五条面向政策制定者的建议（投资研发、培育生态、塑造可互操作的治理环境、人力建设与劳动力转型、国际合作）。2024 年修订特别扩展了对 AI 放大的错误/虚假信息、隐私、知识产权和安全问题的表述。这些原则无强制力，但构成了后续多数立法的规范性底座——欧盟 AI 法的风险导向与人权框架即深受其影响。

UNESCO《人工智能伦理问题建议书》则于 2021 年 11 月由 193 个会员国一致通过，是首个全球性的 AI 伦理规范框架，确立四大价值（人权与尊严、和平公正社会、多样性与包容、环境繁荣）与十项原则（含相称性、安全、公平、透明、人类监督），并配套覆盖性别、数据、国际合作等 11 个政策行动领域的具体建议。与 OECD 原则相比，UNESCO 文本更强调文化多样性、环境可持续与发展中国家需求，体现了真正的全球性磋商成果。这两份文件构成了 AI 治理的"价值原则层"：它们不直接约束企业，但为各国立法提供了共同词汇，也是跨国企业在无硬法辖区构建内部政策时的默认参照。

3.4 欧洲委员会《AI 框架公约》（CETS 225）#

《欧洲委员会人工智能与人权、民主和法治框架公约》（CETS No. 225）于 2024 年 5 月 17 日通过、2024 年 9 月 5 日在维尔纽斯开放签署，是首部具法律约束力的国际 AI 条约。首批签署方包括欧盟、英国、美国、以色列及多个欧洲委员会成员国，加拿大和日本于 2025 年 2 月加入。公约采取原则性路径：要求缔约方确保 AI 全生命周期活动符合人权、民主与法治，涵盖透明与监督、风险与影响管理、禁止与人权不相容的用途、独立监督机构等义务群。

理解该公约必须把握两点。第一，"有约束力"约束的是国家而非企业：条约不创设可直接起诉或罚款公司的义务，缔约方需通过国内法转化实施，且不具自动执行力——这导致同一公约在欧盟（借 AI 法实施）、英国（轻量共同监管）和美国（参议院未批准，实际无法执行义务）呈现出天差地别的落地形态。第二，截至 2026 年 8 月公约尚未生效：生效需 5 个批准（含至少 3 个欧洲委员会成员国），而截至 2026 年 6 月初仅欧盟一家于 2026 年 5 月 15 日交存批准书，且欧盟作为国际组织不计入成员国门槛。它的历史意义在于确立了 AI 治理的国际人权基线，但短期内的实际约束仍须回到各辖区国内法。

3.5 G7 广岛进程与其他多边机制#

G7"广岛 AI 进程"于 2023 年 10 月产出《先进 AI 系统开发组织国际行为准则》与指导原则，2025 年初进一步推出"报告框架"（Reporting Framework），用于监测企业对行为准则的自愿遵守情况、提升透明度。联合国层面，2024 年 3 月大会通过首个 AI 决议（A/RES/78/265），2024 年 9 月通过《全球数字契约》。峰会序列也在持续演化：2023 年 11 月布莱奇利峰会（29 国签署首份全球 AI 安全宣言，中美首次同场）、2024 年 5 月首尔峰会（16 家企业签署前沿 AI 安全承诺）、2025 年 2 月巴黎行动峰会（美英拒签宣言，首次显现地缘裂痕）、2026 年 2 月新德里峰会（92 国签署，但以明确拒绝"全球治理"概念为代价换取最广共识）。这些机制的共同特征是"软法"属性：维系共同词汇、促进信息共享，但无一能改变企业在具体辖区的法定义务。

4. 主要国家与地区的治理路径#

4.1 美国：联邦真空下的"州法拼图＋自愿框架"#

美国联邦层面在 EO 14110 被撤销后已无综合性的横向 AI 监管对应物，治理重心转向"创新优先＋采购杠杆＋州法拼图"。NIST AI RMF 及其配套文件构成技术基线；OMB 备忘录约束联邦机构自身的 AI 采购与使用；FTC 则沿用以《联邦贸易委员会法》第 5 条为核心的行为执法路径，2025 年 12 月撤销 Rytr 同意令、2026 年 3 月发布 AI 与第 5 条政策声明，表明联邦执法正围绕"行为责任"而非"产品安全义务"整合。与此同时，2025 年 12 月的行政令设立了司法部 AI 诉讼特别工作组，推动联邦对州 AI 立法的优先权（preemption）策略，为合规增添了不确定性。

州层面形成了三种有代表性的模式。科罗拉多州 SB 24-205（《人工智能法》）是美国唯一基于风险的综合性州法，其最精巧的设计是积极抗辩机制：部署者若实施并维护了符合 NIST AI RMF 或 ISO/IEC 42001 等国家/国际风险管理框架的政策与程序，可在总检察长的执法行动中主张抗辩；通过反馈、红队测试或内部审查发现并纠正违规的，同样可获抗辩——这使 NIST AI RMF 从"自愿指南"变成了诉讼中的"护身符"。该法由州总检察长专属执法，不设私人诉权。得克萨斯州 TRAIGA 采取基于主观意图的禁止性清单模式；加利福尼亚州则以 SB 53（前沿模型透明与安全）、AB 2013（训练数据透明）、SB 942（AI 透明度）、SB 243（陪伴型聊天机器人）等多部专项法叠加成网。对企业而言，美国合规的难点正在于这种联邦缺位下的碎片化——一套以 NIST AI RMF 为骨架的治理体系是目前跨州复用性最强的选择。

4.2 中国：以应用服务为切入点的"敏捷治理"#

中国未直接针对"模型"立法，而是以应用服务为切入点，通过算法治理逐步实现对模型层的延伸规制，形成了层次分明、迭代迅速的监管体系：

执行层面，算法备案制构成最具中国特色的抓手：截至 2025 年 6 月，已有 433 款大模型完成备案并上线提供服务。标准化工作同步推进，全国网络安全标准化技术委员会（TC260）已发布 GB/T 45652-2025（生成式 AI 预训练和优化训练数据安全规范）、GB/T 45654-2025（生成式 AI 服务安全基本要求）、GB/T 45674-2025（数据标注安全规范）等国家标准，并围绕金融、医疗、教育、政务等行业研制安全指引。与欧盟的横向风险分级立法不同，中国模式被概括为"包容审慎、敏捷治理"：《人工智能安全治理框架》2.0 提出五大原则（包容审慎保安全、敏捷识别风险、技管结合协同响应、开放合作共治共享、可信应用防失控），并首次将灾难性风险纳入应用衍生风险考量。对在华运营的企业而言，备案、标识与内容安全是三条不可回避的合规主线。

4.3 英国：不立法、靠监管机构的"促进创新"路线#

英国刻意选择了与欧盟相反的路径。2023 年 3 月，科学、创新与技术部（DSIT）发布白皮书《促进创新的 AI 监管方法》，确立五项跨部门原则——安全、安保与鲁棒性；适当的透明与可解释；公平；问责与治理；可争议性与救济——但不设统一的 AI 监管机构、不搞横向立法，而是由 FCA、ICO、CMA、Ofcom、MHRA 等既有行业监管机构在各自法定权限内解释和落实这些原则。政府 2024 年 2 月的回应文件确认近期不会推出跨部门 AI 法；截至 2026 年年中，2026 年议会会期的国王演讲中仍无 AI 法案。

机构层面，英国 2023 年 11 月成立了全球首个 AI 安全研究所（AISI），2025 年 2 月更名为 AI 安保研究所（AI Security Institute），聚焦前沿模型的灾难性风险与国家安全风险评估，但不行使市场监管职权。这条"轻立法、重能力"路线的优点是灵活、对创新友好；代价则是监管确定性弱——企业面对的是若干行业监管机构各自的指引，而非一部统一的法典。实践中，在英经营的跨国企业通常仍以 NIST AI RMF/ISO 42001 为内部骨架，再逐部门对接各行业监管机构的期望。

4.4 韩国与日本：亚太的两种立法范式#

韩国《人工智能基本法》（全称《人工智能发展与信任基础创建基本法》）于 2024 年 12 月通过、2025 年 1 月 21 日签署，2026 年 1 月 22 日正式生效——成为继欧盟之后全球第二部综合性 AI 立法，且具有域外效力：凡对韩国市场产生实质影响的 AI 系统均在管辖范围内，外国运营商须指定韩国境内代表。法案以"高影响 AI"（医疗、金融、就业、公共基础设施等领域）为监管重心，要求建立风险管理体系、人类监督机制、基本权利影响评估，并对高影响或生成式 AI 的使用履行用户告知义务、对 AI 生成内容明确标识；罚则包括最高 3000 万韩元罚款及严重情形下的刑事责任。配套立法推进中曾出现延迟——施行令草案直到 2025 年 9 月 8 日才发布（原定 6 月），包含 34 条规定；2025 年 9 月成立的国家 AI 战略委员会则在 2026 年 2 月敲定了含 99 项行动任务的 AI 行动计划。

日本《人工智能促进法》（全称《人工智能相关技术研发与利用促进法》）于 2025 年 5 月 28 日通过，多数条款 2025 年 6 月 4 日生效，AI 战略本部与 AI 基本计划章节于 9 月 1 日生效——代表了**"促进型立法"**范式：不设罚款、不设直接处罚，而是确立国家目标、设立首相挂帅的 AI 战略本部、制定 AI 基本计划，靠指导、建议、信息公开与"公开点名"推动企业自律。实质性约束依赖既有部门法（个人信息保护法 APPI、竞争法、知识产权法、产品安全法）以及 METI/MIC 联合发布的《AI 治理指南》（2025 年 3 月 v1.1），后者要求企业开展风险评估、记录安全/公平/偏见测试、确保透明可解释、建立监测与事件处理机制，并以"遵守或解释"方式运作。韩日两国恰好构成亚太立法的两极：一个走向欧盟式综合立法，一个坚持创新优先的软法路径。

4.5 新加坡：自愿框架做到世界最前沿#

新加坡没有、也不打算推出统一的 AI 法，但其**《AI 治理示范框架》（Model AI Governance Framework）已成为全球自愿框架的标杆，并保持着罕见的迭代速度：2019 年首版（2020 年第二版）面向传统 AI；2024 年 5 月发布生成式 AI 版**，围绕问责、数据、可信开发与部署、事件报告、测试与保障、安全、内容溯源、安全与对齐研究、AI 公益九大维度组织，并强调模型创建者、应用开发者、部署者之间的"责任共担"；2026 年 1 月 22 日在世界经济论坛上发布全球首个智能体 AI 治理框架（Model AI Governance Framework for Agentic AI），围绕风险界定与约束、有意义的人类问责、技术控制、终端用户责任四个维度，解决自主规划与行动型 AI 的治理难题。

新加坡模式的另一特色是"框架＋工具"的组合：AI Verify 是开源的 AI 治理测试框架与工具包，组织可据以对齐国际治理原则运行技术测试与流程检查并生成报告，由 IMDA 旗下的 AI Verify 基金会运营。虽然框架本身自愿，但新加坡金融管理局（MAS）的《技术风险管理指引》对持牌金融机构具有约束力，并将框架原则纳入 AI/ML 风险控制要求——自愿框架经由"监管桥梁"事实上强制化。此外，IMDA 与 NIST 完成了治理框架互映射，为跨国企业提供了跨辖区复用治理证据的通道。新加坡证明了自愿框架也能产生全球影响力——前提是它足够具体、足够可操作，并且持续跟踪技术前沿。

5. 主要框架横向对比#

综合前文，下表对七大主流框架做集中对比（同一实体的关键属性聚合呈现，便于选型参考）：

从这张表可以提炼出三条结构性结论。第一，方法论、认证、法规三者各司其职：NIST AI RMF 提供最细的过程方法论但无法自证，ISO 42001 提供第三方背书但不替代法律，欧盟 AI 法等法规划定市场门槛但不教你怎么做——跨国企业的最优解是以 RMF/42001 建一套治理体系，再用映射表满足各辖区法规。第二，强制性框架正在沿"欧盟→韩国→（潜在的）其他辖区"扩散，而自愿框架沿"NIST→新加坡→英国"路径深化，两条路径在"基于风险、强调人类监督、要求透明标识"等核心要素上高度趋同。第三，域外效力成为常态：欧盟 AI 法、韩国 AI 基本法均具有域外管辖设计，意味着企业即使总部不在这些辖区，只要服务触及当地市场就需要对应合规。

6. 企业落地：采纳现状、实施路径与常见失败模式#

6.1 采纳现状：一条巨大的"治理落差带"#

多项 2025–2026 年行业调查勾勒出同一幅图景：AI 采纳速度远远跑赢治理能力。麦肯锡 2025 年 11 月的调研显示 88% 的组织已在至少一个业务职能中使用 AI，但近三分之二仍停留在试验或试点阶段；而 Economist Impact 的研究发现，全球仅 8% 的组织拥有全面的 AI 治理框架，小型企业这一比例低至 2%。世界经济论坛与埃森哲 2025 年 9 月的报告更为严峻：不足 1% 的组织已将负责任 AI 完全运营化，81% 仍停留在成熟度的最初阶段。

落差体现在治理的每个环节：75% 的组织有 AI 使用政策，但仅 59% 设有专职治理角色、54% 有 AI 事件响应手册、48% 对生产环境 AI 系统做持续监测（小企业低至 9%）；仅 30% 的组织将生成式 AI 系统真正部署到生产。智能体治理是缺口之最：德勤发现 74% 的组织计划两年内采用智能体 AI，但仅 21% 具备成熟的智能体治理模型；另有 35% 的组织承认如果 AI 智能体失控，自己无法将其关停。风险后果已在数据上显现：斯坦福 HAI 的 2026 年 AI 指数记录 2025 年 AI 相关事件 362 起，较 2024 年的 233 起上升 55%；IBM 数据则显示 13% 的组织遭遇过 AI 模型或应用相关的泄露，其中 97% 缺乏恰当的 AI 访问控制。

好消息是治理投入的回报同样可度量：Gartner 对 360 家组织的调查发现，部署了 AI 治理平台的组织实现高治理有效性的概率是未部署者的 3.4 倍；CSA 与 Google Cloud 的联合调查显示，拥有全面治理政策的组织早期采用智能体 AI 的比例（46%）接近政策不健全组织（25%/12%）的两倍到四倍，且 65% 已对员工开展 AI 培训（对比 27%/14%）；Writer 的研究则发现有正式 AI 战略的组织采纳成功率达 80%，无战略者仅 37%。治理不是创新的刹车，而是规模化的前提——这一判断已获得相当一致的数据支持。

6.2 框架选型建议#

不同类型的组织，合理的框架组合并不相同：

无论选择哪种组合，有两条经验是普适的。其一，从清单（inventory）开始——没有对企业内 AI 工具、供应商 AI 功能、内部模型、员工自发使用（影子 AI）的完整可见性，任何治理都是空中楼阁；欧盟合规咨询机构的观察显示，超过一半的组织连基本的 AI 清单都未建立。其二，避免"多框架多套体系"——主流框架之间的重叠度很高（风险导向、人类监督、透明、持续监测），正确做法是建一套统一治理体系，再用 crosswalk 把同一份证据映射到不同框架要求上，而不是为每个框架各建一套流程。

6.3 实施路径：一个可操作的推进序列#

综合 NIST 配套资源与行业实践，一个务实的落地序列大致如下。第一阶段（约 1 个月）建立可见性：盘点全部 AI 用例（自研模型、供应商 AI 功能、试点项目、员工自用工具），为每个用例记录业务目的、数据、责任人、供应商、客户影响。第二阶段建立治理骨架（GOVERN）：指定对 AI 风险负最终责任的高管与委员会，书面化风险偏好与审批路径，明确"谁能叫停上线"，将第三方模型纳入供应商风险管理。第三阶段对高优先级系统做 MAP＋MEASURE：不必铺开到全部系统，先选 2–3 个高影响用例，完成语境映射、风险识别和部署前测试（幻觉率、偏见、提示注入抵抗等），并建立上线后的持续监测指标。第四阶段闭环 MANAGE：把未处置的风险转为有责任人、有期限、有证据要求的整改事项，准备事件响应与回滚预案，并将经验教训回流到 GOVERN 的政策修订。

对于生成式 AI 场景，应在此基础上叠加 AI 600-1 的 12 类风险核查：基础模型与数据集供应商的尽职调查记录、内容溯源机制（水印/元数据）、幻觉率的可接受阈值与 go/no-go 上线闸门、针对 CBRN 与越狱的专项红队、以及事故披露协议。整个体系运转起来之后，组织的成熟度标志不是"文档齐了"，而是四个功能形成真正的循环：监测发现的漂移能触发重新映射，事件复盘能更新治理政策，新法规出台能快速定位受影响的用例。

6.4 常见失败模式#

业界对 AI RMF 项目的复盘揭示了几种反复出现的失败模式。最典型的是**"有纸面无实践"**：企业采纳框架后写了治理政策（GOVERN）、做了 AI 清单和几份系统语境文档（MAP），然后悄悄跳过 MEASURE——因为缺乏持续基准化风险所需的数据基础设施——MANAGE 则退化为"出了事再说"；结果是框架挂在内网上，运营现实毫无改变。PwC 2025 年的负责任 AI 调查从另一侧印证了这一点：50% 的高管认为"把负责任 AI 原则转化为可运营的流程"是最大障碍，高于文化阻力、预算、工具等所有其他选项。

第二类失败是把治理当一次性项目：AI 系统的风险画像随数据、用户、用例的变化而持续改变，把 MAP-MEASURE-MANAGE 做成上线前的一次性清单，必然导致监测盲区——近半组织不监测生产环境 AI 系统的现状说明这绝非个案。第三类失败是治理与业务脱节：44% 的受访 AI 负责人认为治理流程"太慢"、24% 认为"不堪重负"，当治理成为纯粹的合规瓶颈时，业务团队会绕道而行，催生影子 AI——而高影子 AI 使用的组织平均多承担 67 万美元的泄露成本。破解之道是把治理嵌入工程工作流（上线闸门、自动化测试、运行时护栏），让"合规证据"成为系统运行的副产品而非额外的文书负担。

7. 前沿趋势：从生成式 AI 治理走向智能体治理#

2025–2026 年，治理框架的演进前沿已从"内容生成"转向"自主行动"。智能体 AI 的风险性质发生了根本变化：传统生成式 AI 的风险是"说了什么有害的话"，而智能体的风险是"做了什么有害的事"——一次成功的提示注入不再只是产生有害输出，而是可能执行不可逆的现实世界动作。主流框架已纷纷跟进：新加坡 2026 年 1 月发布全球首个智能体 AI 治理示范框架，提出行为边界、工具访问白名单、人类审批检查点等控制维度；NIST/CAISI 于 2026 年 2 月启动 AI 智能体标准倡议，并已在规划针对智能体的 AI RMF 控制叠加层；Gartner 则在 AI TRiSM 框架下提出"监护智能体"（Guardian Agents）概念——用以监督和执行其他 AI 智能体行为的运行时强制层，并预测到 2028 年 80% 的未授权 AI 智能体交易将源于内部策略违规而非外部攻击。

宏观层面，三个趋势值得持续关注。其一，"软法硬化"与"硬法调适"并行：一方面 ISO 42001 认证、NIST RMF 抗辩机制让自愿框架获得准强制地位；另一方面欧盟通过数字总括法案延后高风险义务、美国以联邦优先权威胁州法，显示出硬法也在向产业现实回调。其二，运行时执行取代周期性审查成为治理重心：AI TRiSM 的四层模型（信息治理、运行时检查与执行、AI 治理、基础设施栈）和"治理即代码"的实践，正在把治理从年度审计变成毫秒级的在线拦截。其三，国际协调在分歧中维持底线共识：新德里峰会以拒绝"全球治理"为代价换来 92 国共识，欧洲委员会公约仍在等待生效，但"基于风险、人类监督、透明标识"的核心要素已在所有主要框架中收敛。对组织而言，这意味着以 NIST AI RMF 这类方法论框架打底、持续跟踪各辖区法规演化的"以不变应万变"策略，在可预见的将来仍然成立。

8. 结语#

NIST AI RMF 的价值，在于它第一次为"AI 风险"这个模糊的焦虑提供了一套可分解、可指派、可迭代的通用语言：GOVERN 解决"谁负责"，MAP 解决"风险在哪"，MEASURE 解决"如何知道"，MANAGE 解决"出了事怎么办"。它并不孤单——ISO/IEC 42001 赋予治理以可认证性，欧盟 AI 法赋予其以强制性，OECD 与 UNESCO 原则赋予其以价值底座，新加坡 MGF 展示了自愿框架的演化速度，中国的备案与标识体系则提供了另一种治理范式。对任何一家正在规模化使用 AI 的组织而言，问题早已不是"要不要治理框架"，而是"选择哪套组合，以及何时从纸面走向运行时"。数据显示，88% 的组织已经在用 AI，但只有 8% 拥有全面的治理框架——弥合这条落差带的窗口期，正在随着各辖区法规的生效节点而收窄。

本文基于截至 2026 年 8 月的公开信息撰写，仅供一般性参考，不构成法律、合规或投资方面的专业意见；AI 监管态势变化迅速，具体合规义务请以各辖区官方文本与专业法律意见为准。