如何把 NIST AI 风险管理框架（AI RMF）映射到邮件安全场景？

NIST 官方页面说明：AI RMF 由信息技术实验室（ITL）AI 计划牵头、与公私部门协作制定，供自愿采用，旨在提升在 AI 产品、服务与系统的设计、开发、使用与评估中纳入可信性考量的能力，用以更好地管理 AI 带来的对个人、组织与社会的风险。框架于 2023 年 1 月 26 日发布，经由包含信息征询（RFI）、多轮公开征求意见草案与多场研讨会的共识驱动、开放、透明与协作过程形成。NIST 同时发布了配套的 AI RMF Playbook、AI RMF Roadmap、AI RMF Crosswalk 及多份 Perspectives，并于 2023 年 3 月 30 日上线 Trustworthy and Responsible AI Resource Center（AIRC）。2024 年 7 月 26 日，NIST 发布 AI 600-1《生成式人工智能剖面》，帮助组织识别生成式 AI 带来的独特风险并提出与其目标和优先级最相符的生成式 AI 风险管理行动。NIST 官方页面另注明 AI RMF 1.0 正在修订中，并于 2026 年 4 月 7 日发布了「关键基础设施可信 AI 的 AI RMF 剖面」概念说明。

• govern（治理）：明确谁批准把 AI 引入邮件链路、模型变更的审批路径、供应商与模型卡的准入要求、事故上报与下线机制；把 AI 邮件组件纳入既有的信息安全治理与变更管理，而非另起炉灶。
• map（映射）：逐一登记 AI 在邮件系统中的落点——反垃圾/反钓鱼分类器、URL 与附件的智能研判、用户举报的自动归类、AI 邮件助手与摘要功能；对每一处写明输入数据、输出用途、失败后果与受影响主体（含收件人与被误判的合法发件方）。
• measure（衡量）：为每个落点定义可度量指标——误报率与漏报率、对合法营销与事务邮件的误伤率、模型漂移、对抗样本下的鲁棒性、解释输出的可用性；建立独立于供应商的回归评测集。
• manage（管理）：按风险优先级分配资源，为高影响落点保留人工复核与快速回滚通道，并定期依据度量结果调整策略。

AI RMF 1.0 第 3 节列出可信 AI 系统的特征：有效且可靠（valid and reliable）、安全（safe）、安全且有韧性（secure and resilient）、可问责且透明（accountable and transparent）、可解释且可理解（explainable and interpretable）、增强隐私（privacy-enhanced）、公平且有害偏见得到管理（fair with harmful bias managed）。文档说明「有效且可靠」是其他可信特性的基础，而「可问责且透明」因关涉其他所有特性而被单独强调；这些特征均为社会技术属性，需在具体使用情境下权衡，不能孤立处理。落到邮件：可靠性对应稳定的判定质量；韧性对应面对对抗样本时不崩塌；可解释对应分析师能看懂「为什么这封被判钓鱼」；增强隐私对应邮件正文不被无边界地送入第三方模型；有害偏见管理对应不能系统性误伤特定语言、地区或行业的合法发件人。

AI RMF 明确旨在建立于他人的 AI 风险管理努力之上、与之对齐并予以支持，NIST 亦提供官方 Crosswalk 用于与其他框架对照。实践中建议：把邮件 AI 组件登记进现有的系统清单与风险登记册，复用已有的 SP 800-53 控制族证据（如 AU 审计、SI 系统与信息完整性、SC 通信保护），并对涉及生成式能力的落点额外套用 AI 600-1 剖面。需要提醒的是，AI RMF 为自愿性框架而非强制标准，也不替代任何法律义务；邮件场景中涉及个人数据处理的部分，仍须独立满足所适用的数据保护法规要求。