AI风险登记册：构建与维护完整指南

什么是AI风险登记册

AI风险登记册是一份结构化、持续更新的记录，用于追踪AI系统相关的各类风险——可能出什么问题、发生的概率和严重程度如何、你正在采取什么措施。它是AI风险管理的运营核心，也是NIST AI风险管理框架（AI RMF）中「映射、度量、管理」三个功能输出的自然归属地。

AI风险登记册构建与维护

一个真正有效的登记册，价值不在于文档本身，而在于围绕它建立的纪律性审查循环。它告诉领导层该关注哪里，告诉审计人员考虑过哪些因素，告诉团队优先修复什么。如果登记册没有被用于决策，那它就只是一份摆设。

NIST AI风险管理框架（AI RMF 1.0） 由美国国家标准与技术研究院于2023年1月发布，是全球最具影响力的AI治理参考框架之一。它并非强制性法规，而是一套自愿性指南，旨在帮助组织在设计、开发、部署和使用AI系统时管理风险。框架的核心是一个四功能循环：治理（Govern） 贯穿始终，负责建立组织层面的政策、角色和文化；映射（Map） 用于识别AI系统的上下文、能力和潜在影响；度量（Measure） 对已识别的风险进行量化或定性评估；管理（Manage） 则根据评估结果分配资源、实施缓解措施并持续监控。AI风险登记册正是「映射、度量、管理」三个功能的交汇点——映射阶段播种风险条目，度量阶段为条目评分，管理阶段驱动缓解与审查。理解这一定位，有助于组织在落地时将其与现有合规体系（如ISO/IEC 42001、欧盟AI法案）对齐，而非另起炉灶。

每条风险记录的核心字段

设计登记册时，以下字段构成了一个完整的风险条目：

ID — 稳定标识符（如 RISK-001）
系统 — 风险所属的AI系统
描述 — 可能出什么问题以及原因
类别 — 如数据、模型、供应商、使用方式、监管
可能性 — 低 / 中 / 高
影响 — 低 / 中 / 高
评分 — 可能性 × 影响的综合值
缓解措施 — 你正在做或计划做什么
负责人 — 谁对此负责
状态 — 开放 / 处理中 / 监控中 / 已接受 / 已关闭
截止日期 — 预期完成处理的时限
最后审查日期 — 该条目最后一次被验证的时间

这些字段的设计逻辑是让风险从「被识别」到「被处理」再到「被关闭」形成完整闭环。缺少任何一个字段，都可能导致风险在某个环节「失踪」。

如何从零构建登记册

构建过程分为四个步骤，从系统清单出发逐步推进。

第一步：从系统出发播种风险

以AI系统清单为起点，针对每个系统进行风险头脑风暴。生成第一轮可能的风险列表——数据暴露、有害输出、偏见、供应商故障、监管变化、滥用等。这一步的目标是广度优先，不要过早过滤。

第二步：为每个风险评分

使用一致的评分标准分配可能性和影响等级，确保不同系统之间的评分具有可比性。NIST的差距评估指南提供了简单的三级评分标准可供参考。评分的一致性比精确性更重要——一个所有人都理解的「中高风险」比一个无人能解释的「7.3分」更有用。

可能性×影响 是风险评分中最经典的方法论，源自传统企业风险管理（ERM）和ISO 31000标准。其核心思想是将风险的两个维度——发生的概率（可能性）和一旦发生的后果严重程度（影响）——分别评级后进行组合。常见做法是使用3×3或5×5的矩阵，将两个维度的等级相乘得出一个综合评分，再据此划分风险等级（如低、中、高、极高）。这种方法的优势在于直观、易于沟通，且能让不同来源的风险在同一尺度上比较。但它也有局限：乘法模型隐含了两个维度权重相等的假设，而实际中某些AI风险的严重性可能远高于其发生概率（如模型被恶意滥用）。因此，NIST建议在评分之外，仍需保留定性描述和专家判断，避免过度依赖单一数字。

第三步：分配处理方式和负责人

对于超出风险承受度的每个风险，记录缓解措施、负责人和截止日期。你选择不处理的风险，应明确记录为「已接受」。这个「主动接受」的动作本身就是一种治理决策，不应被省略。

第四步：排定优先级并定期审查

按评分排序，与治理工作组按固定节奏审查登记册，更新每个开放风险的状态。审查频率取决于组织规模和AI系统数量，但月度审查是常见的最低要求。

保持登记册的生命力

登记册最大的敌人是「过期」。一旦它不再反映当前的真实风险状况，就会迅速失去可信度，最终被所有人忽视。

以下是保持其时效性的关键机制：

月度处理审查 — 更新开放风险的状态和缓解措施进展。这是维持登记册日常运转的基本节奏。

变更时重新评分 — 当系统的用途、数据或供应商发生变化时，重新评估相关风险。数据流映射和系统清单为这一步骤提供输入。

事件闭环 — 每一起AI事件都应生成新的风险条目或更新已有条目。这意味着事件响应流程和风险登记册之间需要建立明确的连接。

年度全面审查 — 重新评分所有条目，关闭或重新打开相关记录，确保登记册与组织的实际风险面貌保持一致。

数据流映射（Data Flow Mapping） 是AI治理中的一项基础性工作，指系统性地记录数据在组织内外的来源、流转路径、存储位置和使用方式。对于AI系统而言，数据流映射需要覆盖训练数据、验证数据、推理时的输入数据以及模型输出的去向。它的价值在于：当数据来源、处理方式或流向发生变化时（例如更换了训练数据供应商、新增了用户数据采集渠道），组织能够快速定位受影响的AI系统和相关风险条目，从而触发重新评分。在欧盟AI法案和GDPR的合规实践中，数据流映射也是必填项。它与系统清单共同构成了风险登记册的「输入层」——没有准确的数据流视图，登记册中的风险描述和评分就会脱离实际。

角色分工

一份能持续运转的登记册需要明确的角色划分：

风险负责人 — 为各自负责的系统提供风险输入
治理负责人 — 维护登记册和审查节奏
工作组 — 审查并决定处理方式
执行发起人 — 升级处理与风险承受度决策

角色清晰的关键在于「谁在什么时间做什么决定」必须是明确的。模糊的责任分配是登记册沦为形式主义的主要原因之一。

工具选择：从电子表格到专业平台

对于小型团队，电子表格是完全可行的起点。登记册的价值在于审查循环，而不在于工具本身。

随着规模增长，带有字段管理、负责人分配和自动化提醒功能的结构化工具会明显优于静态文档。但无论使用什么工具，真正起作用的纪律是审查节奏——而不是容器。

这个观点值得反复强调：很多团队把精力花在挑选「最好的风险管理工具」上，却忽略了真正让登记册发挥作用的日常审查习惯。工具是放大器，不是替代品。

核心参考

NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1