法律冲突的根源

🇨🇳 中国法律框架
数据安全法 (DSL 2021)
重要数据须经安全评估方可出境;关键信息基础设施数据境内存储
个人信息保护法 (PIPL 2021)
个人信息出境须获用户单独同意,或通过标准合同/认证;国家安全审查权
网络安全法 (CSL 2017)
关键信息基础设施运营者须在境内存储数据;数据出境须安全评估
数据出境安全评估办法
超过10万人个人信息或1万人敏感信息出境,须向国家互联网信息办公室申报
冲突
🇪🇺 欧盟法律框架
GDPR (2018)
欧盟个人数据转移到第三国须满足充分性决定、SCCs或约束性公司规则;中国不在充分性名单
AI Act Article 10
高风险AI训练数据须满足治理要求,包括数据来源文档、偏见检测——需要访问训练数据
AI Act Article 13
高风险AI须向用户和监管机构提供透明度信息,包括训练数据来源说明
NIS2 指令
关键基础设施AI系统须满足安全要求,包括数据访问控制和供应链安全

五大具体冲突点

  • 冲突1:训练数据双向锁定
    中国训练数据(包含中国用户个人信息)无法出境给欧盟数据分析;欧盟用户数据(受GDPR保护)无法传到中国服务器训练。结果:无法做全球统一训练,欧盟模型性能受限。
  • 冲突2:AI Act审计 vs PIPL主权
    欧盟AI监管机构可能要求审查训练数据集(Art.10合规审计);但PIPL要求政府机关访问数据须走特定程序,且中国法律可能限制向外国政府提供数据。
  • 冲突3:标准合同条款(SCCs)的局限性
    欧盟→中国数据传输通常依赖SCCs,但SCCs无法保证中国法律不会凌驾于合同之上(政府访问权)。欧洲数据保护委员会(EDPB)已对此提出警告。
  • 冲突4:实时推理的数据主权冲突
    欧盟用户使用中国AI服务时,推理请求(含个人数据)传到中国服务器处理。这既可能违反GDPR(数据出欧盟),又可能受中国国家安全法的境外数据要求影响。
  • 冲突5:竞争情报义务
    欧盟AI Act要求记录特定事件和数据;中国商业秘密法和国家安全法可能限制向外国监管机构提供此类记录。两边都有法律义务,但执行可能相互排斥。

三条合规路径对比

路径一

双栈合规
(传统路径)

在中国和欧盟分别建立独立的数据处理基础设施和合规体系,完全隔离运营。数据不跨境,但运营成本极高,且两套系统的模型可能出现质量分化。

可行但代价高昂
路径二

SCCs + 技术措施
(当前主流但有风险)

依赖标准合同条款(SCCs)加密数据传输,辅以技术加密措施。在EDPB和Schrems II判决后,对中国的SCCs被质疑能否真正保护欧盟数据权利。

法律风险较高
路径三 ✦推荐

PET技术路径
(数据不跨境)

用联邦学习、MPC、TEE等技术,让计算跨境而数据不跨境。欧盟数据物理上永不离开欧盟,模型梯度/推理结果跨境,规避了大部分法律冲突。

合规性最优

行业案例:自动驾驶(以NIO为例)

Case Study · 新能源汽车 · 跨境数据解决方案

问题

自动驾驶系统在欧洲道路上采集大量传感数据(激光雷达、摄像头、GPS),这些数据属于重要数据,可能无法出境到中国训练。同时欧盟用户数据受GDPR保护,不能未经授权传到中国。

PET解决方案流程

🚗 欧盟车辆
采集感知数据
本地联邦学习
欧盟数据中心训练
模型梯度更新
(加密传输)
MPC安全聚合
与全球模型合并
改进后的全局模型
下发回欧盟车队
合规满足
  • ✓ 欧盟驾驶数据不出欧盟(满足GDPR + DSL)
  • ✓ 模型在欧盟本地持续改进(满足AI Act Art.10)
  • ✓ 中国核心算法知识产权保护(商业机密)
  • ✓ 可审计的训练过程记录(TEE日志)
技术实现
  • → 欧盟数据中心部署联邦学习节点
  • → SPDZ协议安全聚合梯度
  • → 差分隐私噪声保护梯度隐私
  • → TEE保护推理环境完整性
Case Study · 金融科技 · 欧盟支付数据处理

问题

中国支付/金融科技企业进入欧盟市场,需要用欧盟用户交易数据训练反欺诈模型,但欧盟金融监管要求数据本地化。

PET解决方案流程

💳 欧盟用户
交易数据(加密)
TEE安全飞地
欧盟服务器内处理
风险评分
(加密返回)
FL本地模型训练
反欺诈持续优化
梯度聚合
全局模型改进

分析您的跨境数据风险

申请体检报告,获取针对您的业务模式的跨境数据合规路径分析

申请免费体检报告 查看PET技术方案