可信数据空间合规100问 2025年9月 目录 一、基础概念类 1 1.可信数据空间的核心定义及本质特征是什么？ 1 2.可信数据空间与传统数据平台的核心区别体现在哪些方面？ 1 3.可信数据空间中“可信”的具体内涵包括哪些维度？ 2 4.可信数据空间的关键技术组件有哪些？ 2 5.可信数据空间的主要参与主体及其角色定位是什么？ 3 6.可信数据空间对数据要素市场建设的核心价值是什么？ 常态化风险防控的机制设计（如定期巡检）？ 69 97.第三方服务的风险防控要点（如合同约束、审计）？ 70 98.新技术应用的风险评估（如隐私计算、AI）？ 71 99.跨域数据风险的协同防控机制？ 72 100.风险事件的复盘流程与改进要求？ 72 一、基础概念类 可信数据空间的核心定义及本质特征是什么？ 1. 可信数据空间是数字经济时代以数据可信流通与价值转化为核心目 标，通过隐私计算、区块链等技术手段，融合法律规范、行业标准 一是一般违法情形：个人信息处理者或数据处理者未履行安全保护 义务（如未制定安全管理制度、未采取加密/去标识化等技术措施、 未定期安全评估）导致数据泄露的，监管部门先责令改正、警告、 没收违法所得；拒不改正的，《个保法》处100万元以下罚款，《数 据安全法》处50万元以下罚款。 二是情节严重情形：若泄露涉及敏感个人信息（生物识别、医疗健 康、金融账户等）、泄露数量大（如超10万条个人信息）、造成严 重后果（用户遭

据处理等 15 类高频业务的智能审批，平均处理时效从 48 小时缩短至 4 小 时。 维度 基线指标 目标指标 提升幅度 服务效率 5 分钟/单 90 秒/单 70% 人力成本 100%人工 30%人工介入 70% 业务覆盖率 40%标准化业 务 85%标准化业 务 112.5% 合规通过率 人工审核 85% 系统预审 95% 11.8% 项目实施后将产生三层价值体系：操作层实现日均处理能力从 ：当模型置信度低于 70%时自动转人工坐席，并推 送 实时告警至运维中台，确保业务连续性 SLA ≥99.9% 。 成本与效能需求 - 硬件成本控制在单节点年运维费用≤15 万元，支持横向扩展至 100 节点集群。 - 智能体需降低 30%以上的人工坐席咨询量，单次交互成本需比 传 统 IVR 降低 50%。 以上需求需通过 POC 验证关键指标，并在灰度发布阶段完成 压力测试和合规审查。 漏检欺诈行为）可能引发客户投诉或监管处罚。 为实现实时性目标，需满足以下技术指标： 场景 延迟要求 吞吐量（TPS） 实时交易风控 ≤50ms 10,000 ≥ 智能客服响应 ≤200ms 5,000 ≥ 市场行情分析 ≤100ms （增量更 新） 1,000 ≥ 准确性方面，需结合业务阈值设定性能基线： 1. 风险识别类场景：欺诈检测准确率≥99.5%，召回率≥98%； 2. 数据查询类场景：信息检索精确率≥99

耗的比率，数字越小越接近 1，能效越高 ) 提升的预期，来推测未来一段时间内 智能数据中心的用电量增长情况。 智能算力的提供者及主要使用者，如科技企业、电信企业、政府、以及日益数 字化的许多行业，都提出了 100% 使用绿色电力、实现碳中和的目标和路线图。 而获得绿电及清洁电力，尤其是直接接入供应的绿色电力，并且建立起新型能 源管理系统，是实现绿色智算中心的关键。 其中，无论在中国，还是在美国，数据中心的能效提升是确定性较强的部分。 芯片成为目前智算中心的主流算力硬件，占比 90% 左右。因此，全 球范围内芯片能效提升趋势相对明确，可预见的将来与英伟达GPU迭代周期同步， 未来有望一年一次更新。伴随着向更低精度的扩展，从 P100 到 B200 的 8 年间， 训练同一个模型的能耗，理论上目前已经降至最初的 1/400 左右。 因此，导致各方预测结果分歧较大的原因，主要在于对AI算力增长的预期不一致。 这既取决于算力需 新的角度，而非美 国的较确定的算力增长的角度。 中国目前无法通过官方渠道同步获得英伟达最先进的 GPU。美国降下的“硅幕”， 限制芯片设计、制造与流通的多个环节，试图将中国先进算力遏制在 A100 水平 文献综述与方法论 机构对数据中心未来用电规模的预测 来源：公开信息，未尽研究，环球零碳 说明：不完全列举。部分机构给出了单个场景的预测，为图中蓝色圆点；部分机构给出了不同场景的上下限，为图中线段。IEA

能耗的比率，数字越小越接近 1，能效越高 ) 提升的预期，来推测未来一段时间 内智能数据中心的用电量增长情况。 智能算力的提供者及主要使用者，如科技企业、电信企业、政府、以及日益数 字化的许多行业，都提出了 100% 使用绿色电力、实现碳中和的目标和路线图。 而获得绿电及清洁电力，尤其是直接接入供应的绿色电力，并且建立起新型能 源管理系统，是实现绿色智算中心的关键。 其中，无论在中国，还是在美国，数据中心的能效提升是确定性较强的部分。 芯片成为目前智算中心的主流算力硬件，占比 90% 左右。因此， 全球范围内芯片能效提升趋势相对明确，可预见的将来与英伟达 GPU 迭代周期 同步，未来有望一年一次更新。伴随着向更低精度的扩展，从 P100 到 B200 的 8 年间，训练同一个模型的能耗，理论上目前已经降至最初的 1/400 左右。 因此，导致各方预测结果分歧较大的原因，主要在于对AI算力增长的预期不一致。 这既取决于算力需求 新的角度，而非美 国的较确定的算力增长的角度。 中国目前无法通过官方渠道同步获得英伟达最先进的 GPU。美国降下的“硅幕”， 限制芯片设计、制造与流通的多个环节，试图将中国先进算力遏制在 A100 水 文献综述与方法论 AI 改变能源 智算如何引领新型电力系统 机构对数据中心未来用电规模的预测 来源：公开信息，未尽研究，环球零碳 说明：不完全列举。部分机构给出了单个场景的预测，为图中

Memory，HBM）是基于 3D堆 栈工艺的高性能 DRAM，其本质是将多个 DDR 芯片堆 叠后和 GPU 一起封装。目前，AI算力增长速度远高于 显存容量和性能的增长速度，以英伟达 A100、H100 为 例，虽然 H100 较 A100 的算力增长了将近 3 倍，但显存 容量没增长，带宽只增长了近 2倍，这对分布式显存调 度提出了更高的要求 ［8］。此外，当前 HBM 的主要厂商 为海力士、三星和美光，国产 流水线并行对集群内机间实时通信的带宽和时延带 来挑战。为了减少计算单元的闲置，需要在流水线单 元的计算周期内完成前序数据的同步和通信，一般要 求在百毫秒级完成数据通信，按照十 GB 级的通信量， 集群内机间带宽应至少达到 100 Gbit/s，且随着单卡算 力和吞吐的增加，对机间带宽的需求也同步增加。此 外，为了避免数据重传，一般要求集群内组网为无损 网络。 2 智算中心的部署策略和方案建议 2.1 绿色集约、高效布局 卡在风冷集群的温度可能达到 100 ℃以上，为避 免过热带来的故障和风险，GPU 卡会进行降频处理， 如果风、液冷共集群，液冷设备的 GPU 卡的高性能就 无法发挥最大价值。因此，在智算中心建设前要做好 提前规划，避免不必要的损失。 c）单一智算集群的机房不宜过度分散。为便于 无损网络组网部署和后续故障定位，建议 Leaf 与 GPU 服务器之间的距离不超过 100 m，即两者最好同机房

综上，基础算力和智能算力合计有望在 2024/25/26 年增加电力负荷 6.1/8.0/9.1GW。 落地到用电量层面，我们基于一年 8760 小时，假设基础算力、智能算力上架率分别 50%、100%，则上述新增数据中心装机规模对应每年新增数据中心用电量 2024/25/26 年分别 365/530/633 亿度，拉动全国用电量 0.4/0.5/0.6pct，占全国电力需求比重达到 3.4%/3 京津冀、长三角、珠三角 AI 大模型、自动驾驶、空间地理等人工智能技术领域 300~1000P 中型智算中心 70% 10 亿元及以上 一线、新一线及二线城市 人工智能产业链或细分行业智能化集群 ＜100P 小型智算中心 10% 10 亿元及以下 二线及以下城市 企业智能化建设或小型人工智能产业集群 资料来源：甲子光年智库，华泰研究 AIDC-智能算力：通常采用芯片异构计算架构，结合 CPU、GPU、NPU、TPU 等多种芯片，形成高并发的分布式计算系统。随着智算需求的持续增加，当前我国智算 中心用电规模可以达到 100-200MW（根据 DTDATA，火山引擎内蒙古和林格尔算力中 心一期机架功率达 100MW），Vertiv 预测未来有望攀升至 300～500MW 的水平。 图表6： 通用算力、超算算力和智能算力应用场景和特点一览 云数据中心

0kW级跃升至100/130kW 以上，带动机房配电系 统同步进行深度变革。市场主流型号GPU服务器算力及功耗数据如下表所示： *而基于Nvidia NVL架构的NVL72单柜容量已经突破130kW，预计到2030年其单机柜容量会达到1MW。 服务器 HGX A100 8*A100 SXM 华为Atlas 800T A2 配置昇腾910B HGX H100 8*H100 SXM HGX HGX B100 8*B100 SXM HGX B200 8*B200 SXM DGX GB200 NVL72 FP16 稠密算力 (PFLOPS) 服务器 单体功耗 (kW) 整机架功耗 (kW) 2.4 3 8 14 18 180 6.5 5.6 10.2 10.2 14.3 不适用 约26 约22 约40 约40 约60 约130 1 在此背景下，末端配电母线系统作为数据中心 3 在AI浪潮来临之前，数据中心机房母线市场规模目前全球容量2023年约6亿美元，随着AI大 模型应用如ChatGPT的流行，这个数字在2024年爆发增长到25亿美元，并预计在2030年超过100 亿美元。 随着AI服务器的容量上升，单机柜容量快速上升，传统400A、630A精密配电柜系统难以满 足AI机柜需求，目前800A、1250A的机房母线成为AI 数据中心的主流方案； 以400A

部署分层缓存机制，对高频问答内容实施边缘节点预加载 3. 建立多模态反馈闭环，通过用户行为数据持续优化意图识别模型 预期产生的公共服务效益包括：降低人工讲解成本约 60%，使 残障人士服务覆盖率提升至 100%，游客平均停留时长预计增加 15%-20%。通过 mermaid 流程图展示核心服务链路： 最终形成可扩展的技术中台架构，支持后续接入 AR 导航、多 语种实时翻译等扩展功能模块，为智慧城市基础设施建设提供标准 而本方案采用边缘计算+云端弹性扩容，通过模型量化技术将 128 层 Transformer 模型压缩至 8GB 内存即可运行，使单台边缘设备 可同时服务 200+并发请求。此外，传统方案的语音库占用空间通 常超过 100GB（含多语言版本），而本方案通过声学模型共享机 制，将存储需求降低至 15GB。 运维层面，传统方案需专业声学团队维护录音室设备，而本方 案通过自动化质量监测系统实现异常检测，当音频 MOS NVIDIA T4 显卡上实现 4bit 权重量化与 8bit 激活值计算的平衡。实测数据显示： 量化方案 显存占用 (GB) 推理速度(token/s) 准确率保留 FP16 24.8 45 100% 8+4bit 6.2 112 99.3% 4+4bit 4.1 158 97.8% 安全合规方面构建了三级防护体系： 1. 数据过滤层：部署敏 感词实时检测模块，支持正则表达式与语义双模匹配

从飞行器分类的维度看，eVTOL与直升机、短距起降航空器以及常规起降航空器存 在差异。在电动航空的分支里，eVTOL又可以细分为多旋翼（multicopter，时速0–100公 里/小时）、复合翼（lift + cruise，时速100–200公里/小时）、倾转旋翼（tilt-rotor，时速 130–300公里/小时）等类别，与油电混合动力飞机、电动固定翼飞机等共同构建多元化的 电动航空生态 1（参阅图1）。 中国载人eVTOL行业白皮书 eVTOL核心特点 垂直起降 航空器 （VTOL） 短距起降 航空器 （STOL） 燃油驱动 电力驱动 常规起降 航空器 （CTOL） 多旋翼 复合翼 倾转旋翼 0–100公里/小时 100–200公里/小时 130–300公里/小时 直升机 民用飞机 油电混动 电动固定翼飞机 混动固定翼飞机 电动—混动 固定翼无人机 可满足中国民航局、美国联 邦航空管理局、欧洲航空安 ○ 个人飞行eVTOL：专为个人飞行体验设计的轻量化飞行器，主要应用于私人购买、 周末短途自驾游、长途自驾游、低空观光、租赁等场景。当前主流产品以1–2人座 机型为主，续航半径100公里以内，最高时速可达100公里/小时。 ○ 出行eVTOL：定位为中长距离的空中出行工具，主要用于私人购买、商务包机、 机场与高铁接驳等场景。当前主流产品以4–6人座机型为主，续航半径在70–500 公里之间，时速可达130–300公里/小时。

..................................................................................................100 6.3 性能评估指标....................................................................................... 件识别率不足 12%。 为量化现有问题，以下是某保险公司车险理赔欺诈识别数据对 比： 检测手段 识别准确率 误判率 平均处理时长 覆盖案件类型比例 规则引擎 38% 15% 0.5 小时 100% 人工审核 61% 22% 3.2 小时 45% 第三方调查 89% 5% 72 小时 8% 解决这一痛点的技术路径需满足三个核心要求：第一，建立多 源数据融合分析能力，整合医保数据、车辆 典型场景的性能指标要求如下： 场景类型 准确率要求 处理速度要求 人工复核率控制目标 医疗理赔审核 ≥92% <2 分钟/件 15% ≤ 车险定损 ≥88% <90 秒/件 20% ≤ 大额案件预警 ≥95% 实时 100% 行业部署环境存在特殊约束条件：70%的保险公司采用混合云 架构，要求方案支持本地化知识库与公有云模型的协同计算。同时 需要兼容现有核心业务系统中的 27 种数据接口标准，包括 ACORD、HL7