文 | 吉林大学行政学院国际政治系主任、国家发展与安全研究院副院长 郭锐；吉林大学法学院博士研究生马银
人工智能模型参数虽不按原有结构保存样本，但可能记忆特定信息、凝结行业知识并承载可迁移能力，主要呈现三大特性：一是人工智能模型数据跨境对象由可见数据扩展至模型参数与中间结果；二是人工智能模型数据跨境流动过程由一次性传输转向持续调用和动态演化；三是人工智能模型数据主权管辖风险由信息泄露延伸至知识能力外溢和控制链条失效。现行制度主要聚焦原始数据和重要数据的直接出境，尚难完整覆盖人工智能模型权重交付、境外部署和跨境调用等场景，亟须以数据主权风险为主线明确治理边界，建立健全分类识别、分级评估和责任追溯机制，以人工智能模型数据跨境流动法治化，筑牢国家数据安全屏障。
一、人工智能模型数据跨境流动的数据主权风险
人工智能模型数据跨境流动是参数、知识与控制关系的跨法域重组。从权重交付、境外部署到接口调用与微调，人工智能模型数据跨境流动的数据主权风险正由显性传输转向隐性外溢，并依托知识转移、模型扩散、域外管辖等多元场景持续传导放大。
（一）训练数据隐性外溢
模型训练并非对原始数据的简单删除。重复样本、稀有表达或过度拟合内容可能被参数记忆，并在提示诱导、模型反演和成员推断环境重新显现。2021年，美国高级计算系统协会（USENIX Association）公布的GPT-2实验表明，研究人员仅通过模型查询即提取出数百段训练文本，其中包含姓名、电话号码、电子邮箱、代码和唯一识别码，且部分内容在训练集中仅出现一次。实际上，类似风险并不限于语言模型。2023年，美国高级计算系统协会公布的扩散模型研究从多种主流模型中提取出超过1000个训练样本，包括人物照片和商标图像。这说明，原始数据未随模型权重一并交付，并不意味着数据风险消失。境外主体取得模型权重或持续访问接口后，仍可能提取人工智能模型记忆的信息，使敏感信息、商业秘密乃至重要数据发生事实上的隐性外溢。随着开放权重、自动化提示生成和批量接口调用工具普及，攻击门槛可能进一步降低，且恶意提取行为易伪装为正常业务调用。
（二）战略知识跨境转移
行业模型通过汇聚工业生产、能源运行、交通调度、医疗健康和地理测绘等数据，能够形成针对工艺流程、设备状态、资源分布和风险规律的综合推理能力。单项数据可能不具有敏感性，但经大规模聚合训练所形成的预测、识别和决策能力则可能反映关键行业的运行规律，成为产业竞争和国家安全层面的一项重要资源。人工智能模型所承载的技术能力，已成为国家间科技竞争和产业博弈的重要对象。当关键领域模型权重、微调组件或完整系统向境外转移时，其外溢的不只是单项原始数据，还包括由数据、算法和算力共同形成的知识能力。此类知识能力的外溢，主要表现为能力复制与用途迁移：模型权重一经复制，相关能力即可脱离原有数据和技术环境被反复部署、低成本扩散；通用模型还可能通过特定数据微调、外部工具接入和能力组合，被转化为服务关键业务或军民两用场景的专业能力。即使单项训练数据未被认定为重要数据、模型参数规模相对有限，其模型整体仍可能承载难以替代的战略知识。此类能力一旦被境外主体获取和再利用，可能造成关键行业的知识流失、技术优势削弱和战略决策能力外溢，进而影响国家的科技竞争力与产业安全。
（三）技术扩散削弱持续控制
人工智能模型权重具有易复制、可微调、可合并和难召回等特性。接收方可以低成本生成多个副本，通过模型蒸馏、参数高效微调或能力迁移生成新模型。定向交付尚可通过合同限定主体和用途，公开发布则可能迅速扩散至不特定主体和法域，使原开发者难以持续掌握复制数量、部署地点、真实用途和后续传播范围。人工智能模型数据跨境流动后的版本演化，进一步放大了控制风险。境外主体将人工智能模型与本地数据、外部工具或其他模型结合后，其功能、风险和控制关系可能发生实质性变化。当模型出现信息泄露、功能滥用或安全漏洞时，境内提供者未必能够停止访问、删除副本、召回版本或验证整改结果，进而使数据主权风险由一次性传输转化为长期控制链条失效。衍生模型还可能更换名称、许可证和分发平台，使来源追踪与责任认定更加困难。上述扩散与演化还可能造成监管信息断裂。在模型标识、版本记录和接收方信息不完整的情况下，监管部门难以及时掌握模型能力变化、实际部署地点及后续扩散范围，也难以判断其出境前风险评估结论是否仍然适用。
（四）域外管辖加剧规则冲突
人工智能模型部署于境外云平台后，可能同时受到服务器所在地、服务商注册地和实际控制人所在地的法律约束。境外机构还可能依据对云服务商的控制关系，调取人工智能模型的运行日志、用户记录、知识库及访问凭证，对传统以数据存储地为中心的管辖连接点形成冲击。这种多重管辖，使同一模型及其关联数据可能同时受到不同法域规则的支配。值得关注的是，服务商控制关系可能成为域外管辖的连接点，导致境外机构绕过数据所在地直接提出调取要求。一旦此类要求与我国数据安全制度产生冲突，可能削弱我国对相关模型及关联数据的实际控制，使受保护信息在未经我国法定程序的情况下被调取，并进一步加剧国家间管辖权冲突。
二、人工智能模型数据跨境流动的数据主权边界
人工智能模型的数据流动、技术转移与服务提供的界限模糊，使数据主权面临扩张与限缩的双重张力。边界过宽会阻碍开放合作，而边界过窄则可能放任数据利益和战略能力外溢。对此，应从对象、行为、利益与风险强度四个方面，合理划定人工智能模型数据跨境流动的数据主权边界。
（一）对象边界：模型技术对象的识别
人工智能模型技术参数以数字形式记录训练结果，反映数据的统计关联和特征规律，但通常情况下不按原有结构保存具体训练样本。因此，上述参数在广义上属于电子信息，并不意味着其当然具有重要数据或者其他受保护数据的法律属性。若仅因模型“由数据训练”即将全部权重纳入最高强度监管，将混淆数据、软件、技术成果和商业秘密之间的制度边界，也会不当增加普通模型的国际合作成本。对人工智能模型技术是否纳入数据主权的重点保护范围，应当采取功能主义的判断标准：一是能否通过现实可行的攻击手段还原依法受保护的数据；二是能否凝结关键行业运行规律和战略能力；三是跨境流动后可能影响的国家安全和公共利益。若高概率暴露受保护数据或承载关键能力的，应当纳入重点监管范畴；仅使用公开、合法、非敏感数据，且还原风险较低的，应当保留便利流动空间。在具体判断时，还应区分基础模型、行业模型和经特定数据微调的模型，同一基础模型可能因微调数据和应用领域不同而形成完全不同的风险。监管对象应落到具体版本和具体能力层面，不能以模型名称或参数规模替代实质审查。
（二）行为边界：跨境活动类型的区分
训练样本、提示词、用户文件和运行日志由境外主体访问、存储或处理，且涉及重要数据的，应当根据数据类别和风险适用《数据出境安全评估办法》《促进和规范数据跨境流动规定》等相关制度要求。模型权重、微调参数或完整系统向境外交付的，并使境外主体取得复制、部署或者持续利用能力的，应判断能否适用数据出境、技术出口或两用物项管制。人工智能模型留在境内但境外用户远程调用的，原则上属于跨境服务。若同时开放模型权重、源代码或者实质性微调权限，应进一步判断是否构成技术转移。值得关注的是，人工智能模型数据跨境服务仍可能伴随数据双向流动。模型未发生物理位移，但用户输入、生成结果、运行日志、设备标识和调用记录可能经接口在不同法域间传输、存储与复用。此类数据流往往具有实时性、隐蔽性和链条化特征，且可能因云服务、插件工具和第三方组件介入而扩大处理主体范围及使用目的。对接口服务的判断不能停留于人工智能模型是否移动，而应分别识别输入、输出、日志及后台服务链条中的实际数据流。对于境外训练、权重交付、云端部署和接口运营相互嵌套的复合业务，还应逐环节确定数据处理者、模型控制者和实际接收方。即便某一环节满足便利化条件，其他环节仍应根据具体活动分别确定合规要求。
（三）利益边界：数据主权利益的限定
人工智能模型数据跨境可能同时涉及个人信息权益、商业秘密、知识产权、合同利益和国家数据主权，但各类利益的保护目的与法律依据并不相同。个人信息保护强调自然人的知情、决定与救济，商业秘密和知识产权保护侧重于企业创新成果与市场竞争优势，而数据主权则体现国家对相关数据活动实施管辖、维护国家安全和公共利益的权能。三者可以交叉，却不能彼此替代。只有当人工智能模型数据跨境涉及重要数据、关键信息基础设施运行规律、国家战略资源，或者可能对公共安全、经济运行和大规模群体权益产生实质性影响时，才有必要上升至数据主权层面实施强化监管。通过区分主权利益与私人权益，可以防止数据主权概念泛化。国家监管与私人维权应当各司其职：前者处理系统性、公共性风险，后者解决具体侵权与利益分配问题，并通过信息通报和证据共享实现衔接。
（四）风险强度边界：分级监管措施的配置
人工智能技术越是快速发展，越要精准把握其监管治理尺度。2026年发布的《国际人工智能伦理治理行动计划》提出，应结合人工智能系统的技术特征、应用场景、影响范围和潜在后果进行风险分类分级，并将数据敏感程度、工具调用权限和自主决策能力作为差异化处置因素。这一思路，可为人工智能模型跨境风险分级提供直接参照。在数据主权语境下，还应综合考量模型还原能力、知识能力重要性、接收方所在法域和再转移可能性，不宜仅以参数规模或交易金额划线。人工智能模型风险分级既要考察风险发生概率，也要评估潜在损害后果，并根据模型能力、用途和控制关系变化进行动态调整。监管结论应说明升降级依据并保留复核渠道，在确保安全可控的同时，反对泛化国家安全概念，维护人工智能模型技术开放合作。我国应立足数据安全与产业发展实际，推动人工智能模型数据跨境流动动态分级（如表1所示）：对高风险模型，实施重点评估和转移限制；对用途明确、环境可控的行业模型，实行合同约束与持续审计；对低风险普通模型，则简化程序。相关模型经过数据微调、能力合并、用途扩张或再转移后，原风险等级可能改变，应触发重新评估机制。监管措施可按表1配置，避免分级结论仅停留在标签层面。上述分级还应兼顾风险发生概率与损害后果，不能因泄露概率较低就忽视可能造成重大影响的模型，也不宜因模型用途广泛就当然认定为高风险。
表1 人工智能模型数据跨境流动分级监管类型
（注：风险等级根据数据敏感性、模型还原和能力影响、接收方及再转移风险动态调整）
三、人工智能模型数据跨境流动的法治路径
厘清边界只是治理的起点，关键在于形成可识别、可评估、可追溯的制度规则。人工智能模型技术可被复制、迭代并嵌入跨境服务，其数据主权风险随版本和控制关系变化而迁移，传统的静态监管模式难以完全覆盖。对此，应转向实施人工智能模型数据全生命周期治理。
（一）建立模型数据分类识别机制
在前述“技术转移—数据跨境—服务提供”区分的基础上，应建立与不同跨境对象相对应的模型数据分类识别机制。识别结果应落实到具体模型版本、应用场景和流动环节，形成分类目录和判断清单，为后续风险评估、程序适用与监管分流提供依据。2026年发布的《中国（北京）自由贸易试验区、国家服务业扩大开放综合示范区数据出境管理清单（负面清单）（2025版）》已将人工智能训练场景单列，并将算法源代码、关键组件数据、基础模型数据和测试数据等高价值敏感数据纳入其中，为识别人工智能模型关联数据风险提供了实践参照。同年发布的《人工智能合作发展行动计划》提出，建设运营跨境可信数据空间，协同构建高质量语料库和行业数据集。上述举措为人工智能模型关联数据识别与利用提供了实践基础，但可信数据空间不能替代法定出境程序，模型权重、微调参数或完整系统的跨境交付与模型跨境服务仍应适用不同的判断标准。对于模型数据跨境识别，低风险模型可由跨境提供者自主识别并留痕，跨境提供者应建立台账，记录数据类别、版本、用途、接收主体和部署地点，各地网信部门依法提供申报指导并实施监督管理。涉及自贸试验区数据出境的，按照自贸试验区制定、省级网络安全和信息化委员会批准、报国家网信部门和国家数据管理部门备案的程序办理。
（二）完善模型数据跨境评估标准
落实法律法规、技术监测、风险预警和应急响应体系建设要求，人工智能模型数据跨境评估应涵盖训练数据、模型能力和跨境控制风险。前端审查训练数据来源、类别、敏感程度及是否涉及重要数据；中端通过记忆提取、数据还原和异常输出测试，研判受保护数据暴露、知识能力外溢及用途迁移风险；后端审查接收方、部署环境、所在法域、再转移风险和事件处置能力，并与动态监测、风险预警和应急响应相衔接。应制定统一的人工智能模型数据泄露测试方法、风险指标和评估报告模板，推动法律审查与技术检测相结合。评估不宜以一次性自我声明替代实测，应设置合理测试条件和通过标准，记录测试模型版本、提示策略和结果证据。训练数据、核心能力、境外接收方或用途发生实质性变化的，及时重新评估。测试结果还应区分一般记忆现象、敏感信息暴露、重要数据还原和战略能力外溢，避免仅凭单一命中率作出结论。
（三）健全模型数据全生命周期责任
2026年，《智能体互信互联互操作全球合作倡议》提出智能体全生命周期安全治理，将安全伦理嵌入研发、部署和运维。人工智能模型数据跨境流动涉及开发者、云服务商、接收方和部署者，应当按“谁提供谁负责、谁运营谁负责、谁使用谁担责”配置义务。在出境前，核验数据、测试模型并说明边界；在交付过程中，记录版本、部署地点、用途和异常调用；在出现前述重新评估情形时，由跨境提供者负责启动程序评估并督促接收方配合。相关合同应明确访问权限、保存期限、复制和微调限制、再转移条件、审计权、事件报告及合作终止后的删除验证。跨境接口服务还应将流向记录、持续监测、异常处置和整改验证纳入责任闭环，避免将合规义务简化为上线前的形式审查。合同安排应通过技术措施落地，如使用数字签名识别模型版本、以密钥和权限管理限制复制、通过水印或指纹辅助追踪来源，并为停止服务、远程吊销和删除核验预留技术接口。
（四）加强制度协调与国际合作
人工智能模型数据跨境流动的同时，可能涉及数据安全、技术进出口、两用物项出口管制、生成式人工智能治理、技术出口、知识产权和行业监管等多重规则。国家网信部门负责数据出境安全管理，商务、科技主管部门按职责负责限制类技术出口，国务院主管部门负责两用物项管制，行业主管部门负责本行业数据安全，各部门通过会商共享材料和结果，避免重复申报评估。针对境外强制调取模型权重、知识库、运行日志及关联数据的行为，应建立报告、合法性审查和法律冲突处置机制，原则上通过司法协助或国际协定处理跨境取证，维护我国数据管辖权。在完善国内冲突处置机制的同时，还应在国际层面推动人工智能模型数据跨境流动治理的规则协调。2026年，外交部发布的《中国关于数智时代全球网络治理的立场文件》提出，国家间应相互尊重数字主权，推动全球数据跨境流动合作，制定全球数据跨境流动原则和规范，维护各国数据安全。这一立场契合人工智能模型数据跨境流动治理对主权尊重、安全保障与开放合作的内在要求，应依托联合国等多边平台推动人工智能模型测试评估、风险认证、事件通报和监管互助，探索相关标准与认证互认机制，并加强全球南方国家能力建设，在反对“泛安全化”的同时，避免人工智能模型数据跨境形成封闭、排他的流动壁垒。
四、结语
人工智能模型数据跨境流动使数据主权保护的范围由原始数据延伸至参数记忆、知识能力和持续控制。相关治理的关键不在于将模型权重、微调参数或完整系统一律视为数据或者受管制技术，而在于识别受保护数据、战略知识或核心技术能力是否实质性外溢。应以人为本、向上向善，统筹开放共赢、安全可控、包容并蓄与多边合作，明确对象、行为、利益和风险强度边界，完善分类识别、技术评估、全生命周期责任和制度协同。可见，人工智能模型数据的主权边界需要结合技术演进和具体场景进行判断。人工智能模型参数的法律属性，不宜脱离训练数据来源、知识能力用途、部署方式和控制关系单独认定。同一模型经过微调、能力组合、部署环境或境外用途改变，其数据还原风险、知识外溢程度和持续控制条件可能发生变化。
因此，人工智能模型数据的主权边界划定需要落实到具体模型、跨境活动和应用场景上，并随模型能力及控制关系的变化进行动态审视。以实质风险为依据，有助于区分一般技术合作与可能影响国家安全、公共利益的高风险活动，减少监管范围过宽或者规则适用不足带来的制度偏差。前文提出的分类识别、技术评估、全生命周期责任和制度协同，共同构成从风险发现、等级判断到持续追踪与规则衔接的治理链条。各项机制应当相互衔接，使监管要求与数据敏感程度、知识能力重要性、境外接收方状况及再转移后果相适应。这样，既可以提高人工智能模型数据跨境流动的可识别性和可追溯性，也能为研发主体、服务提供者与境外接收方提供明确的合规预期。
未来，人工智能模型的形态、能力结构和跨境部署方式仍会持续变化，现有分类目录、测试方法和责任规则需要根据实践经验不断调整。我国可以结合重点行业和典型跨境场景完善评估方法，推动模型测试、风险认证、事件通报和监管协作等标准相衔接，在保障安全可控的基础上，保留技术交流与产业合作空间。相关制度还应兼顾国内治理与国际合作，提升规则的可验证性、可复核性和可执行性，为人工智能模型数据安全有序跨境流动和多边治理合作提供必要的规则基础，在守住国家安全底线、反对泛化国家安全概念的同时，为构建公正合理的全球人工智能治理体系贡献中国方案。【本文系国家社会科学基金重大项目“重大国际及涉我地缘安全风险的预警研究”（24&ZD289）和长春市法学会法学研究课题“数字长春建设中数据安全与个人信息保护的治理规则研究”（CCLS2026QN21）的阶段性研究成果】
（本文刊登于《中国信息安全》杂志2026年第8期）
声明：本文来自中国信息安全，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
