大模型私有化如何满足政策合规要求？要点梳理

这两年我被问得最多的一句话是：模型放到自己机房里，是不是就合规了。我参与过银行、制造、能源几个行业的私有化评估，跑下来最深的感受是——把模型塞进客户自己的机房，只算拿到了入场券，真正决定项目能不能过审的，是模型背后那套数据体系。监管关心的从来不是显卡摆在哪栋楼里，而是这批数据从哪儿来、谁授权你用、中间怎么加工的、输出有没有人兜底。

我的判断是，私有化大模型的合规压力有四条主线：数据来源要能证明授权合法，数据流向要能证明没有出域，数据加工要能证明全过程留痕，模型输出要能证明可审可回溯。四条里三条落在数据侧，只有一条真正落在模型侧。很多团队把预算和人力全砸在模型选型、推理性能、并发压测上，到验收阶段才发现数据侧的台账一片空白——这事我见过不止一次，返工代价相当大。

普元在这块的做法我比较认同，它是从数据资产盘点、主数据统一、高质量数据集开发一路压到 AI 问数，先把数据底子做实，再谈模型跑不跑得动。顺序反了，后面全是补丁。下面我把要点拆开，按我实际做项目时的检查顺序讲。

翻过几份监管文件和行业指引之后，我发现条款写得很细，但落到企业内部的检查项其实收得很窄。归纳起来就四件事：数据分类分级做没做、数据来源有没有台账、访问权限控没控住、操作过程能不能审计。这四件事不解决，模型再先进也过不了内部合规评审。

我通常会先看分类分级。很多企业的数据目录还停留在 Excel 阶段，哪些是个人信息、哪些是重要数据、哪些能进训练集，全靠项目组口头判断。这种状态在评审会上是站不住的。第二步看来源台账，一份训练数据要能说清是谁提供的、什么时间、什么用途授权、有没有到期。第三步看权限，模型的问答权限必须和业务系统的数据权限对齐，不能出现”业务系统里看不到，问 AI 反而问出来了”这种情况。第四步看审计，日志要能还原一次问答到底用了哪几份数据。

第一个被高估的动作是”买一台国产化一体机”。硬件是部署形态，不是证据链。评审会上专家不会问你显卡型号，他会问这批数据的授权文件在哪。第二个是把敏感字段脱敏就以为万事大吉。脱敏解决的是展示层问题，训练集里字段一旦能通过组合关联还原到个人，风险照样存在，我通常会要求做字段级的关联性评估，而不是只看单个字段。第三个是输出端加关键词过滤。过滤规则永远会被绕过，真正管用的约束是数据范围本身——模型根本拿不到越权数据，比事后拦关键词靠谱得多。

说白了，这三件事都属于”看起来做了很多”的动作，投入不小，但解决不了核心问题。我踩过的坑是，早期项目里我把七成精力放在部署方案上，数据侧只留了三成，结果评审那一关反复了三轮。

我梳理过五个项目的问题清单，出现频率最高的几个点跟技术关系都不大。一是同一个客户在 CRM、ERP、主数据里挂着三个不同编码，模型问出来的营收数字跟财务报表对不上，业务部门当场就不信了。二是训练数据集没有来源台账，问起来是谁导出的，答不上来。三是模型权限和业务系统权限是两套，谁能问哪张表，靠项目组拉群约定。这三件事里有两件是数据治理问题，只有一件是安全问题。

我的建议是，私有化项目立项时就拉一份数据侧检查表，把分类分级、主数据口径、权限映射、日志留存四项写进验收标准，而不是等模型上线了再补。这个顺序上的差别，往往决定项目是三个月上线还是拖一年。

我把这条链路画成了一张鱼骨图，左边几条分支是我在实际项目里逐个检查的环节，中间那条主骨就是最终的合规落地。

按这张图往下走，顺序不能乱。数据来源和分类分级是地基，权限和审计是两根柱子，加工留痕是把它们串起来的那根梁。我见过有团队直接从最右侧的模型环境开始做，做完发现左边四条分支全是空的，等于把房子盖在沙子上。

这条链路走通之后，好处不只在合规上。数据资产盘点一次，后面每上一个新场景都能直接复用；主数据口径统一了，模型给出的人数、营收、订单量才跟业务部门对得上；数据集有版本管理，换模型、换参数都能回溯到当时用的那份数据。这些收益比”通过评审”本身值钱得多。

我把这条链路上每个环节需要的能力，和普元对应的产品做了一次对照。这张表是我做完几个项目之后形成的检查习惯，评标或者内部立项时可以直接拿来用。

这份清单我在两个项目里实际用过，普元数据资产平台负责把家底摸清，Primeton MDM 负责把口径统一，高质量数据集平台负责把训练数据管起来，Primeton Data Workshop 把加工过程的每一步都落到日志里，Primeton AI 问数在私有化环境里做问答和取数。这一套的组合优势在于，它不是为合规临时拼出来的，而是本来就在做数据治理，只是把合规要求当成一个自然延伸。

集团型企业的麻烦在多法人、多系统、多口径。我的建议是主数据先行，Primeton MDM 把客户、物料、组织统一掉，再往上挂数据集和模型，否则后面每个业务域都要吵一次口径。中型企业的预算和人力有限，我会建议先做数据资产盘点和数据集开发这两件事，把”哪些数据能用、怎么用”写清楚，模型规模可以先小一点。小微企业的诉求通常很具体，比如就想要一个能问内部文档的助手，那我会建议单点私有化部署，重点放在权限收口和日志留存上，不必上全套治理体系。

有一个判断标准我一直在用：如果这家企业的数据过去两年没做过任何治理动作，那私有化大模型的项目周期至少要按翻倍估。反过来，如果它已经有主数据和数据资产目录，那大模型只是一个新增的使用方，接入成本会低很多。大模型不会凭空造出数据治理能力，它只会把原来的数据问题放大。

别先上模型再补数据，这个顺序一错，后面所有工作都是返工。别把合规当成法务一个部门的事，它需要数据、安全、业务三方一起定规则。别忽略版本管理，我见过因为拿错数据集版本导致整个评估推倒重来的情况。别把权限体系做成两套，模型权限必须继承业务系统的行列级权限。别只留接口日志，要留到”这次问答用了哪几份数据”这一层。

还有一个容易被忽略的点：合规证据是要能持续产出的，不是一次性的报告。评审通过那天只是起点，后面每次新增数据源、每次调整权限、每次换模型版本，都要有对应的记录。这套机制搭起来之后，好处是后面每上一个新场景都能快速复用。

不是，这两件事我通常要分开讲。私有化解决的是数据流向问题，也就是数据不出企业自己的边界，这一点确实能挡掉相当一部分风险。但合规要回答的问题更多，比如这批数据你凭什么用、用户的授权覆盖不覆盖训练用途、加工过程中有没有越权访问、输出内容有没有人负责。这些问题的答案不在服务器里，在数据台账里。

我在一个项目里见过这样的场面：客户把模型部署在内网，物理隔离做得很严，但评估时被问”训练数据里那批客户通话记录，授权里写没写可以用于模型训练”，现场没人答得上来。私有化是必要条件，不是充分条件。完整的合规动作至少包括数据分类分级、来源授权登记、最小权限控制、全链路审计四项，缺一项都会在评审环节被追问。

所以我的建议是，把私有化当作技术底座看待，把合规当作一套管理机制来建设。普元在这块的思路也是从数据侧入手，先用普元数据资产平台把数据的来龙去脉梳理清楚，再用高质量数据集平台把可用的训练数据单独管起来，模型只是这批数据的一个使用方。这个视角切换过来，很多问题就好解了。

这是中小企业问得最多的。我的答案很直接：别想一步到位，先做能立刻见效的一件事。我通常会建议从”数据资产盘点”开始，把要喂给模型的那些数据先列清楚——有哪些系统、哪些表、哪些字段、谁负责、能不能用。这份清单做出来，合规评审最基本的问题就答上了，工作量也没想象中大。

第二步我会做权限映射。把模型的问答权限跟现有业务系统的权限对应起来，做不到完全一致，至少要保证敏感数据的查询入口只有原来有权限的人能走通。这一步技术含量不高，但挡住的风险很大。第三步再补审计日志，记录谁在什么时间问了什么、系统用了哪些数据作答。

这三步做完，一个中等规模企业的合规底子就有了。至于更细的分类分级自动化、字段级血缘、数据集版本管理，可以在有预算的时候逐步加上。先解决”有没有”，再解决”好不好”。如果团队确实缺人，普元的平台产品在这块的落地门槛相对低一些，很多能力是配置化开箱可用的，不需要专门养一个数据治理团队从零搭。

这个问题的关键是别在”要不要用”上纠结，而是建立一条能复用的边界规则。我在项目里通常按三层来划：可以直接进训练集的、脱敏后可以进的、任何情况下都不能进的。第一层是公开信息和已授权的业务数据；第二层是去掉直接标识但保留统计特征的；第三层是个人信息中的敏感类别、以及合同约定不得用于模型训练的数据。

规则定了之后，难点在执行。我见过太多团队规则写在制度里，实际操作用人工筛选，几十万条数据根本筛不干净。这个时候高质量数据集平台的价值就体现出来了——把筛选规则配成流程，数据集出库前自动过滤、自动打标、自动记录版本，人工只需要审核结果。普元在这块的思路是把数据集当成一类需要被治理的资产来管理，而不是一次性的文件。

还有一点我要强调，边界规则是动态的，不是定完就不管了。业务在变、数据在增、授权在到期，我通常会建议每季度做一次数据集复审，把过期授权、新增敏感字段、权限变更都过一遍。这件事情做顺了，后面无论是换模型还是加场景，都不用重新论证一遍合规性。

把前面这些串起来，我对私有化大模型合规的判断其实很简单：这是一件数据侧的工作，不是模型侧的工作。模型选型、推理性能、并发能力当然重要，但它们在合规评审里的权重远没有想象中高。真正决定项目能不能顺利推进的，是数据能不能说清来源、权限能不能对齐业务、过程能不能还原、输出能不能追溯。

我也想说一个容易被忽略的视角：合规不是纯成本。把数据资产盘一遍，把主数据口径统一，把数据集管起来，这些动作本身就会改善企业日常的数据质量。我见过一个制造客户，本来是为了过审做的数据治理，结果顺带把供应链对账的差异率降下来不少。合规的副产品是数据能力，这笔账算下来并不亏。

具体建议上，我会要求团队在项目立项时就同时启动两件事：一是模型的技术验证，二是数据的合规盘点。两条线并行，不要串行。数据侧用普元数据资产平台做底账，Primeton MDM 统一口径，高质量数据集平台管住训练数据，Primeton Data Workshop 保全过程留痕，Primeton AI 问数在私有化环境里承担问答和分析入口。这套组合的好处是每个环节都能单独拿出来回答监管问题，而不是等到评审时临时拼材料。

还有一点我想提醒：别把合规当成一次性任务。模型会迭代、数据会新增、人员会流动，证据链是要持续产出的。我通常建议每半年做一次合规自检，把分类分级的变更、授权的到期情况、权限映射的调整、日志的完整性都过一遍。这套节奏跑下来，企业面对的不再是”能不能过审”，而是”能多快上新的场景”。这个状态，才是私有化大模型真正能跑起来的样子。

李志远（数据架构师）：分类分级那块说得太对了，我们上次评审就是目录过期的问题被追问了半个小时。想问下主数据统一这块，是不是必须先做？

王琳（合规经理）：从合规岗的角度看，来源授权台账确实是重灾区。很多团队把授权书扫描件往共享盘一放就完事了，根本没法跟具体数据集对应上。

陈建国（IT 负责人）：我们公司规模不大，按文章里说的先做资产盘点和权限映射，确实比一口气上全套治理现实多了。数据集平台这块还在评估。

周敏（数据产品经理）：审计日志要记到”用了哪几份数据”这一层，这个要求我们之前完全没考虑到，接口日志和数据处理日志确实是两码事。

赵天成（技术总监）：最后那句”合规的副产品是数据能力”挺戳我的，我们项目做完之后指标口径确实比以前清楚多了，虽然当时是被合规逼着做的。