防止代理式人工智能的數據目的洗錢：基於硬件的預執行層用於GDPR目的限制和高風險AI治理

隨着代理式人工智能系統（Agentic AI）的普及，個人數據在不同計算之間的流動變得更加複雜。傳統的控制機制往往無法確保數據的使用始終符合其原始收集目的。本文提出了一個基於硬件的預執行層（Pre-Effectuation Layer），旨在從技術層面解決這一問題。

所謂“數據目的洗錢”（Data-Purpose Laundering），是指數據在授權目的下收集後，經過AI系統的轉換、組合或推理，被用於完全不同的目的，而無需重新獲得授權。例如，用於欺詐檢測的財務記錄可能被用於信用評分，健康數據可能被用於保險分析。儘管某些二次使用可能是合法的，但現有系統缺乏統一的技術門禁來驗證每次計算的目的授權。

當前的安全措施，如身份和訪問管理（IAM）、加密和審計日誌，雖然重要，但並不能在計算發生時實時檢查目的合規性。訪問控制只決定誰可以訪問數據，但不確保每次計算符合目的；加密保護數據靜態和傳輸中的安全，但解密後的使用不受約束；審計日誌則只是事後記錄，無法阻止未授權事件的發生。AI對齊和提示層級的安全措施可以影響模型行為，但無法控制最終的數據庫提交、支付接口、文件導出、網絡傳輸、內存更新或執行器命令，這些才是模型輸出轉化為外部後果的關鍵路徑。

為此，本文提出了一種硬件根植的架構，將數據與使用條件綁定，包括授權目的、允許的模型、輸出類別、管轄區域、同意狀態、撤銷狀態、允許的接收方和最終目的地等。數據持有本身不再賦予計算授權，計算完成後，結果的釋放也需要獨立的授權檢查。此外，派生數據（如AI生成的評分、摘要、嵌入向量、特徵向量、推薦、報告、推斷屬性或模型內存對象）被視為受管轄的派生數據（Governed Derivative Data），其使用同樣需要滿足綁定條件。後續系統試圖重用派生數據時，必須滿足該派生對象自身的保護條件，才能獲得計算、釋放、導出、模型更新、內存更新或實施授權。

這一架構不替代法律責任，而是提供一種技術實施層，使目的授權成為機器可驗證的先決條件。對於GDPR，它有助於實現第5條的目的限制和第25條的數據保護設計（Data Protection by Design and by Default）。對於EU AI Act，它支持高風險AI系統的持續風險管理、人工監督和日誌記錄要求。通過將目的權限與計算和後果邊界綁定，該架構為歐洲的數據保護和AI治理提供了一個可行的技術路徑。