防止代理式人工智能的数据目的洗钱：基于硬件的预执行层用于GDPR目的限制和高风险AI治理

随着代理式人工智能系统（Agentic AI）的普及，个人数据在不同计算之间的流动变得更加复杂。传统的控制机制往往无法确保数据的使用始终符合其原始收集目的。本文提出了一个基于硬件的预执行层（Pre-Effectuation Layer），旨在从技术层面解决这一问题。

所谓“数据目的洗钱”（Data-Purpose Laundering），是指数据在授权目的下收集后，经过AI系统的转换、组合或推理，被用于完全不同的目的，而无需重新获得授权。例如，用于欺诈检测的财务记录可能被用于信用评分，健康数据可能被用于保险分析。尽管某些二次使用可能是合法的，但现有系统缺乏统一的技术门禁来验证每次计算的目的授权。

当前的安全措施，如身份和访问管理（IAM）、加密和审计日志，虽然重要，但并不能在计算发生时实时检查目的合规性。访问控制只决定谁可以访问数据，但不确保每次计算符合目的；加密保护数据静态和传输中的安全，但解密后的使用不受约束；审计日志则只是事后记录，无法阻止未授权事件的发生。AI对齐和提示层级的安全措施可以影响模型行为，但无法控制最终的数据库提交、支付接口、文件导出、网络传输、内存更新或执行器命令，这些才是模型输出转化为外部后果的关键路径。

为此，本文提出了一种硬件根植的架构，将数据与使用条件绑定，包括授权目的、允许的模型、输出类别、管辖区域、同意状态、撤销状态、允许的接收方和最终目的地等。数据持有本身不再赋予计算授权，计算完成后，结果的释放也需要独立的授权检查。此外，派生数据（如AI生成的评分、摘要、嵌入向量、特征向量、推荐、报告、推断属性或模型内存对象）被视为受管辖的派生数据（Governed Derivative Data），其使用同样需要满足绑定条件。后续系统试图重用派生数据时，必须满足该派生对象自身的保护条件，才能获得计算、释放、导出、模型更新、内存更新或实施授权。

这一架构不替代法律责任，而是提供一种技术实施层，使目的授权成为机器可验证的先决条件。对于GDPR，它有助于实现第5条的目的限制和第25条的数据保护设计（Data Protection by Design and by Default）。对于EU AI Act，它支持高风险AI系统的持续风险管理、人工监督和日志记录要求。通过将目的权限与计算和后果边界绑定，该架构为欧洲的数据保护和AI治理提供了一个可行的技术路径。