主权 AI 与云 AI：各国和地区的数据驻留要求

58% 的企业 AI 项目报告称，因数据驻留和合规问题而出现延迟。在模型性能、硬件采购和人才储备之外，数据驻留才是真正拖住落地的那一环。

写这篇文章，是因为合规负责人、CTO 和 AI 负责人需要一份统一的参考，把业务覆盖到的各个管辖区的数据驻留要求放在一起看。对每个主要地区，本文回答四件事：法律对 AI 训练数据提出了什么要求、是否允许跨境传输、用本地数据训练出的模型权重能否出境，以及执法实际是什么样子。

这是一份参考指南，不构成法律意见。法规会变，各管辖区的执法尺度不同，你的具体情形还可能有额外约束。请把它当作与法务团队沟通的起点。

---

快速参考表

---

欧盟：GDPR + EU AI Act

欧盟在 AI 数据治理上拥有目前最成熟的监管框架：一边是影响力最广的隐私立法 GDPR，一边是全球首部综合性 AI 法规 EU AI Act。

GDPR 对 AI 训练数据的影响

只要训练数据中含有个人数据，GDPR 就适用。而在企业文档处理场景里，这几乎是常态：合同上的姓名、发票上的地址、人事文件里的员工编号、病历中的患者标识，在 GDPR 之下统统属于个人数据。

核心要求：

• 处理的合法性基础：把个人数据用于 AI 训练，必须有一项法律依据（同意、正当利益、合同或法定义务）。企业 AI 最常援引的是正当利益，但这要求留下书面的利益衡量记录。
• 数据主体权利：数据被用于训练的个人享有访问、更正、删除和反对的权利。对已经进入模型训练的数据如何落实删除权，法律上仍无定论，但这项义务本身是存在的。
• 数据最小化：只处理为特定目的所必需的个人数据。如果只需要实体名称，却拿整份文档去训练，就可能构成违规。
• 数据保护影响评估（DPIA）：高风险处理必须做，而用个人数据训练 AI 几乎必然落入高风险范畴。

跨境传输：2020 年的 Schrems II 判决让欧盟与美国之间的隐私盾失效。2023 年生效的《欧盟与美国数据隐私框架》部分恢复了传输通道，但目前仍在承受法律挑战。标准合同条款（SCCs）是当前主要的传输机制，向保护水平不足的国家传输时还须附加补充措施。

现实含义：用美国的云服务商（AWS、Azure、GCP）处理欧盟个人数据来训练 AI，本身就带来法律风险。即便签了 SCCs，美国的《云法案》（CLOUD Act）和 FISA 第 702 条仍允许美国政府调取美国公司持有的数据，与数据实际存放在哪个国家无关。已有多家欧盟数据保护机构认定这与 GDPR 不相容。

EU AI Act 的影响

EU AI Act 在此之上，又专门为 AI 系统加了一层要求：

• 第 10 条（训练数据）：高风险 AI 系统所用的训练数据必须“相关、具有充分代表性，并在可能范围内无错误且完整”。这要求把数据治理写成文档：用了哪些数据、如何清洗、施加了哪些质量控制。
• 第 11 条和附件 IV（技术文档）：高风险 AI 系统的提供者必须保存详尽的技术文档，涵盖数据规格、设计选择、训练流程和验证结果，并随时可供检查。
• 高风险执法日期：2026 年 8 月 2 日。部署高风险 AI 系统的组织必须在该日期前完成合规。

“高风险”覆盖哪些场景：医疗、教育、就业、信用评分、执法、移民和关键基础设施中的 AI。受监管行业里的企业 AI 部署，多数落在高风险类别内。

---

美国：行业分立的拼图

美国既没有联邦层面的数据本地化立法，也没有综合性的联邦隐私法。数据驻留要求来自行业专门监管，以及数量不断增加的州隐私法。

联邦层面的行业专门监管

HIPAA（医疗）：

• 不含数据本地化要求，HIPAA 并未规定数据必须存放在哪里
• 要求对 PHI 采取管理、物理和技术层面的保障措施
• 任何第三方处理 PHI 都须签署业务伙伴协议（BAA）
• 签了 BAA 就可以使用云处理，但部分医疗机构仍选择本地部署，以简化合规并消除第三方风险
• 用 PHI 训练 AI 须先做去标识化（安全港或专家判定），或取得患者授权

ITAR（国防与出口管制）：

• 属于 ITAR 管制的数据和技术，必须由美国籍人员在美国控制的基础设施上处理
• 云服务商须提供符合 ITAR 的环境（AWS GovCloud、Azure Government）
• 涉密数据必须使用位于美国境内的隔离网络环境
• 用 ITAR 管制数据训练出的 AI 模型，同样继承出口管制限制

CMMC（国防部承包商）：

• 1 至 2 级：基础保障措施，通过 FedRAMP 授权即可使用云
• 3 级及以上：高级保障措施，受控非涉密信息（CUI）的处理需要严格的访问控制
• 3 级及以上视数据密级，常采用隔离网络环境

GLBA（金融服务）：

• 要求对客户金融信息采取保障措施
• 不含数据本地化要求，但监管方期待健全的访问控制
• 用金融数据训练 AI 须满足模型风险管理（SR 11-7）要求

州隐私法

截至 2026 年，美国已有 20 多个州通过了综合性隐私法。与 AI 训练数据相关的主要条款如下：

趋势：各州立法正在向同一个方向靠拢，即赋予消费者拒绝 AI 画像的权利，并要求对用个人数据训练 AI 做数据保护评估。目前尚无任何一州强制数据本地化，但选择退出机制给云端 AI 训练带来了运营复杂度：一旦消费者选择退出，你必须确保其数据从训练数据集中移除，而数据分散在各类云服务中时，这件事很难审计。

---

英国：脱欧后的框架

脱欧后，英国将 GDPR 保留为 UK GDPR，并通过 2018 年《数据保护法》（Data Protection Act 2018）和信息专员办公室（ICO）维持自己的数据保护框架。

与欧盟 GDPR 的主要差异：

• 英国自行作出充分性认定，与欧盟的认定相互独立
• 英美之间的数据传输，由《欧盟与美国数据隐私框架》的英国扩展条款覆盖
• 英国在 AI 监管上释放出更“利于创新”的信号，规则的细致程度低于 EU AI Act
• 英国的 AI 监管框架按行业展开，由现有监管机构（FCA、ICO、Ofcom、CMA）各自纳入 AI 监督职责

对 AI 训练数据而言：要求与欧盟 GDPR 大体一致，合法性基础、数据最小化、高风险处理的 DPIA 以及跨境传输保障措施同样适用。欧盟对英国的脱欧后充分性认定目前仍然有效，数据可以在英欧之间自由流动，但该认定会被定期复审，也存在被撤回的可能。

---

中国：PIPL + 数据安全法

在主要经济体中，中国的数据本地化制度最为严格，多部法规相互叠加，对 AI 开发构成明显约束。

《个人信息保护法》（Personal Information Protection Law，PIPL）：

• 关键信息基础设施运营者（CIIO）须将个人信息存储在中国境内
• 数据出境须满足以下之一：通过政府安全评估、订立标准合同并备案，或取得个人信息保护认证
• 涉及“重要数据”或个人信息数量超过阈值（100 万人以上）的出境，安全评估是强制的
• 数据出境须取得个人同意，并具体告知接收方身份和处理目的

数据安全法：

• 设立“重要数据”和“核心数据”分类，限制逐级加严
• 核心数据（关系国家安全、国民经济命脉）管控最严，只能在境内处理，不得出境
• 组织须对数据编目分类，据此判断适用哪一档限制

AI 专门规定：

• 面向中国用户的生成式 AI 服务，必须部署在中国境内的基础设施上
• AI 训练数据须满足内容审核要求
• AI 生成内容必须加以标识
• 深度合成（深度伪造）规定附加了额外的数据处理义务

对在华经营的企业：在中国采集的 AI 训练数据必须在中国处理。训练数据集出境需要政府批准，流程可能耗时数月。用中国数据训练的 AI 模型，即便部署在别处，仍受中国监管约束。落到实处，这意味着要在中国境内单独维护一套 AI 基础设施。

---

印度：DPDP Act 2023

印度 2023 年的《数字个人数据保护法》（Digital Personal Data Protection Act，DPDP Act）确立了框架，配套细则仍在陆续落地。

主要条款：

• 数据本地化：并非一刀切的要求，但政府有权指定必须在印度境内处理的数据类别。“重要数据受托人”（大规模数据处理者）承担额外义务。
• 跨境传输：只能传输至政府批准白名单上的国家，未列入的国家一律禁止。截至 2026 年初，该白名单尚未最终确定。
• 同意：处理个人数据须取得明示、知情的同意，且同意须与目的一一对应。
• 数据主体权利：访问、更正、删除以及申诉救济。

对印度的 AI 训练数据而言：被归类为重要数据受托人的企业须开展数据保护影响评估，并任命数据保护官。用印度居民的个人数据训练 AI，需要同意或其他合法性基础。训练数据的跨境传输仅限于获批管辖区，在白名单公布之前，这给云端 AI 训练留下了不确定性。

---

沙特阿拉伯：PDPL

沙特的《个人数据保护法》（Personal Data Protection Law，PDPL）自 2024 年 9 月起全面执行。

主要条款：

• 个人数据处理须在王国境内进行，除非满足出境条件
• 只有向保护水平充分的管辖区传输，或采取特定保障措施（具有约束力的公司规则、合同条款），才允许跨境传输
• 处理须取得同意，公共利益、重大利益和正当利益等情形除外
• 数据主体享有访问、更正、删除和反对的权利

对 AI 训练数据而言：在沙特境内用个人数据训练 AI，应当运行在沙特本地的基础设施上。若云区域设在沙特境内，使用云 AI 服务是可行的（AWS 已开设沙特区域，Azure 设有卡塔尔区域并宣布将扩展至沙特）。涉及敏感数据或政府相关数据时，在王国境内本地部署是最稳妥的合规路径。

---

阿联酋：2021 年第 45 号联邦法令

阿联酋的数据保护框架是分层的：联邦法之外，还有自贸区专属规则（DIFC、ADGM）和行业专门要求。

主要条款：

• 政府数据必须在阿联酋境内存储和处理
• 医疗数据（依健康数据法）有专门的驻留要求
• DIFC 和 ADGM 内的金融数据适用各自自贸区的数据保护规则（以 GDPR 为蓝本）
• 非政府个人数据在具备充分保障措施的前提下可以跨境传输

对 AI 训练数据而言：政府和公共部门的 AI 项目必须使用阿联酋境内的基础设施。私营企业空间更大，但仍需评估自身数据是否落入行业驻留要求（医疗、金融）。阿联酋正在积极建设主权 AI 能力：技术创新研究所（Technology Innovation Institute，Falcon 系列模型的开发方）由政府支持，说明主权 AI 已被列为国家优先事项。

---

澳大利亚：1988 年隐私法

澳大利亚目前不强制数据本地化，隐私法改革正在推进中。

主要条款：

• 澳大利亚隐私原则（APP）第 8 条规范个人信息的跨境披露，组织须采取合理措施，确保境外接收方遵守 APP
• 没有数据本地化要求，数据可以在境外处理
• 改革提案包括收紧同意要求、增设删除权，以及推出儿童隐私守则
• 正在进行的隐私法复审可能带来更严格的跨境传输规则

对 AI 训练数据而言：只要云服务商满足 APP 要求，现行法律允许在云端用澳大利亚个人数据训练 AI。即将到来的改革可能收紧这一空间。处理敏感信息（健康、金融）的组织通常出于风险管理考虑，即使没有法律强制，也会选择境内或本地部署的基础设施。

---

巴西：LGPD

巴西的《通用数据保护法》（Lei Geral de Proteção de Dados，LGPD）以 GDPR 为蓝本，自 2021 年起持续执法。

主要条款：

• 没有数据本地化要求
• 具备充分性认定、标准合同条款或有约束力的公司规则，即可跨境传输
• 处理须有合法性基础（同意、正当利益、合同等）
• 数据主体享有访问、更正、删除和数据可携带权
• 国家数据保护局（National Data Protection Authority，ANPD）已就自动化决策发布指引

对 AI 训练数据而言：LGPD 不限制 AI 训练数据在何处处理，但要求具备合法性基础，并为跨境传输配套适当的保障措施。巴西与欧盟的充分性认定一直在讨论，尚未正式落地。只要服务对象是巴西数据主体，无论处理发生在哪里，都须遵守 LGPD。

---

加拿大：PIPEDA + 魁北克第 25 号法案

加拿大的联邦隐私法（PIPEDA）之外还有省级立法，其中魁北克第 25 号法案带来的新要求最为可观。

主要条款（PIPEDA）：

• 联邦层面没有数据本地化要求
• 允许跨境传输，但即使数据在境外处理，组织仍要对数据保护负责
• 收集、使用和披露个人信息须取得同意
• 建议对高风险处理开展隐私影响评估

魁北克第 25 号法案：

• 将个人信息传出魁北克之前，须先做隐私影响评估
• 对自动化决策设定透明度义务
• 数据国际传输时，组织须确保接收方提供同等水平的保护

对 AI 训练数据而言：联邦法不限制在云端训练 AI。魁北克第 25 号法案要求把魁北克居民的数据带出本省处理之前先做评估。若拟议的《人工智能与数据法》（Artificial Intelligence and Data Act，AIDA）获得通过，还将对“高影响” AI 系统提出额外要求。

---

日本：APPI

日本的《个人信息保护法》（Act on the Protection of Personal Information，APPI）在 2022 年经过大幅修订。

主要条款：

• 没有数据本地化要求
• 跨境传输须取得数据主体的知情同意，或传输至数据保护制度充分的国家，或落实适当的保障措施
• 日本与欧盟互认充分性，数据在两地之间自由流动
• 假名化数据在传输和使用上的限制更宽松，这对去标识化之后的 AI 训练很有价值

对 AI 训练数据而言：日本对 AI 开发的态度相对宽松。与欧盟的互认简化了日欧之间的数据流动。训练数据的假名化和匿名化受到鼓励，也带来更轻的合规路径。本地部署没有法律强制，但出于文化和实操上的原因，在日本企业中相当普遍。

---

韩国：PIPA

韩国的《个人信息保护法》（Personal Information Protection Act，PIPA）在 2023 年修订，收紧了跨境传输条款。

主要条款：

• 公共部门数据有本地化要求，部分政府职能须在韩国境内处理
• 私营部门没有一刀切的本地化要求，但跨境传输须取得同意或落实保障措施
• 2023 年的修订引入了新的跨境传输机制（充分性认定、认证、标准合同条款）
• 假名化数据可在未取得同意的情况下用于研究、统计和公共利益目的，这与 AI 训练直接相关

对 AI 训练数据而言：私营企业在具备适当保障措施时，可以在境外处理数据。公共部门的 AI 项目则可能要求境内处理。韩国的金融监管机构（FSC、FSS）对金融领域的 AI 另有数据处理要求，包括与美国 SR 11-7 类似的模型风险管理和数据治理预期。

---

多管辖区问题

上述法规单独来看都在可管理的范围内。真正的难题出现在企业同时在多个管辖区运营的时候。

设想一家同时在沙特、印度、阿联酋和欧盟经营的建筑公司，四个管辖区的数据驻留规则各不相同：

用一个云 AI 平台同时处理这四个管辖区的训练数据，会直接构成合规问题。沙特的数据不能离开沙特。印度的数据可能不能离开印度。欧盟的数据需要特定的传输保障措施。阿联酋的政府数据不能离开阿联酋。

现实可行的方案：在每个运营管辖区部署本地 AI 基础设施，本地数据就地处理。这是唯一一种能同时满足所有数据驻留要求的架构，也省去了由跨境传输协议、充分性认定和合同条款织成的那张网。

这正是 58% 的 AI 项目报告因数据驻留问题而延迟的原因。单看任何一部法规，复杂度都在可控范围内；难题在于跨管辖区运营会让合规要求组合叠加，而纯云架构解不开这道题。

---

这对企业 AI 基础设施意味着什么

各管辖区的数据驻留要求正在收敛到同一个架构结论上：对于在多个受监管市场经营的企业，在每个管辖区就地完成数据准备和模型部署，是监管阻力最小的路径。

这并不要求每一项 AI 工作负载都跑在隔离网络里。它指向的是三件事：

1. 数据准备（文档接入、清洗、标注、增强）应当在数据产生的管辖区内本地完成。这一阶段处理的是原始个人数据，数据驻留要求也最严格。
2. 微调可以在本地进行（主权模式），也可以在云上进行（配套适当的保障措施），取决于数据敏感度和管辖区要求。去标识化之后的训练数据，传输限制通常更少。
3. 推理应当在本地或管辖区内完成，以维持数据主权。本地推理运行时（Ollama、Foundry Local、llama.cpp）让这件事在技术上很容易做到。

数据准备阶段对合规最为关键，因为原始、未经处理的个人数据正是在这一阶段被批量接触。如果一款数据准备工具必须把企业文档上传到外部服务器，那么在每一个要求本地处理的管辖区，它都会造成数据驻留违规。

对跨管辖区经营的企业来说，本地数据准备正越来越多地成为一项监管要求，而不再只是一种架构偏好。

---

延伸阅读

• 企业主权 AI 指南：2026 年它意味着什么，又为何重要：主权 AI 的全面指南，涵盖主权的三个层次、监管驱动因素和企业采购清单。
• 如何为受监管行业搭建隔离网络 AI 流水线：在零互联网连接条件下构建 AI 流水线的技术架构。
• 本地 AI 数据准备：受监管行业的合规指南：GDPR、HIPAA、EU AI Act 与数据主权的完整合规概览。