AI｜想成为下一个Manus，先把这些出海合规问题处理好

Meta 收购 Manus 无疑是本月最重磅的行业新闻。不到一年时间，产品上线、拿到美元投资、团队主体搬到新加坡、一亿美元 ARR，然后就是被 Meta 收购，Manus 发展速度惊人。

这其中，搬到新加坡是比较关键的一步。不管是从数据合规、法律合规上来说，还是为了更好融入国际市场。

Manus 的创业路径，也给国内很多其他 AI 出海公司一个可参考的对标。对国内的 AI 创业公司来说，如果能利用本土的产品化能力，加上供应链的优势，去降维打击全球市场，是 AI 时代的一个绝佳策略。

这其中，数据、监管、存储、主体架构等，是产品增长之外，绝对要前置、重点解决的问题。

因此，在最近的一场闭门 Workshop 中，我们邀请了北京星也律师事务所的两位资深律师，系统性地聊聊 AI 企业出海合规的话题。星也律所的团队在 AI 领域有着非常丰富的实践经验，服务过多家 AI 企业。

这次的分享内容非常干货，两位侓师解答了包括跨境数据传输、用户数据训练、业务模式、生成物侵权等方面的典型合规难题。

在进行一些脱敏处理后，Founder Park 整理了这次分享的精华内容。

AI 产品出海已经不是「要不要做」的选择题，而是「该怎么做」的必答题了。对中国的 AI 创业团队来说，如果能利用本土的产品化能力，加上供应链的优势，去降维打击全球市场，绝对是 AI 时代的一个绝佳策略。

在实践中，团队首先需要明确自身的出海类型。根据我们的观察，现在主要有两种模式。

• 一种是资本驱动型出海。这类出海的核心目标是追求高估值和海外上市。硅谷等海外资本市场对 AI 概念的认可度更高，给出的估值也相应更高。但往往要求团队在早期就必须解决业务和团队的归属地问题，地缘政治是无法回避的因素。

• 第二种是业务驱动型出海。这是更普遍的模式，核心目标是在海外市场获得营收。具体又分为两类：

风险规避型：国内监管门槛高，在内容审核、数据监管或特定业务（如 Web3）上存在严格限制，部分业务只能选择在政策更宽松的海外地区开展。

市场适配型：通常是陪伴类、生成类等 AI 产品，海外市场和用户更成熟，付费意愿更强，更适合业务落地。

对于业务驱动的出海企业，需要特别注意提前布局、主动规划合规问题。很多企业发展速度非常的快，短短几个月用户就能涨到几万用户，甚至还没完成下一轮融资，用户规模就已经爆发。如果在这时才考虑数据架构迁移或者团队海外落地，不仅成本极高，风险也更大。所以，合规布局必须比业务推进早半步。

目前，企业常见的是「三明治架构」。

这种架构的特点是，资金（来源包括融资、用户付费）和用户数据产生在海外，但核心的技术研发与运营团队完全留在中国。这种模式常常导致，海外用户数据会被传回国内进行研发、处理等环节。

同时，许多应用会调用 OpenAI、谷歌、Claude 等海外大厂的模型 API，使得数据流转路径更为复杂：海外用户数据先传回中国处理，随后再传输至美国等服务器进行模型推理，最后将结果返回给用户。

从数据安全和合规角度来看，「三明治」架构面临着数据主权和国家安全的双重挑战，完全忽视了全球各国对「数据主权」的高度重视。

「数据是新的石油」，几乎所有国家在数据立法时，第一步都会明确：在本国产生的数据，其主权归本国所有。在这种背景下，数据的反复跨境传输，必然会带来巨大的合规风险。

在企业出海时，通常最关注国内、美国、欧盟这三个区域的合规问题。这三个法域的监管逻辑和侧重点各有不同。

美国：市场准入风险

美国监管的特点是，一旦找到一个小的违规切口，就可能「顺藤摸瓜」，引发一系列罚款和长期整改要求。核心风险在诉讼，执法机构一旦发现违规，往往会通过诉讼发起处罚，后果可能远超罚款本身。

以儿童机器人产品 Apitor 为例，因为违反美国《儿童在线隐私保护法》（COPPA）被处罚。违规点集中在多个敏感环节：通过内嵌的 SDK 强制收集儿童的精确地理位置等敏感信息，并将数据回传至中国服务器，同时隐私政策声明与实际操作完全不符。

最终，Apitor 面临的不仅是 50 万美元的和解金，还有一份长达十年的强制整改令，要求企业销毁违规数据、引入第三方审计并定期向监管机构提交合规报告。这种长期且成本高昂的整改要求，几乎宣告了产品在北美市场的「死刑」。

欧盟：以 GDPR 为核心的严格数据保护

欧盟的合规核心是《通用数据保护条例》（GDPR），是全球第一部完整、成体系的数据保护法案，欧盟以极其严格的标准执行。

GDPR 的核心原则很明确：数据属于用户个人，企业获取数据必须获得用户明确、具体的同意。

GDPR 有五大「狠招」：

• 第一是天价罚款，几乎所有的大企业在欧盟都被罚了个遍；

• 第二是被遗忘权，对 AI 企业来说非常棘手。对于传统数据企业，删除用户个人数据就行，但如果数据已用于 AI 训练或功能完善，删除的边界在哪里？

• 第三是数据采集的最小必要原则，这也是 GDPR 首次明确规范的；

• 第四是知情同意的明确性要求，企业必须用通俗易懂的语言，向用户说明数据的使用对象、用途、存储期限等内容；

• 第五是严格的跨境数据传输要求。

以一个消费级摄像头产品为例。该产品曾被德国与法国的数据保护机构调查，原因是：尽管其用户数据存储在欧洲本地的数据中心，但国内的工程师可通过 VPN 直接访问。这种行为被欧盟监管机构认定为等效的数据跨境传输。

从这个案例可以看出，欧盟监管不仅关注数据存储的物理位置，更关注数据的访问权限管控。对于研发团队在国内、仅在海外设立销售点的大多数出海企业，产品维护工作往往由国内团队完成，甚至存在生产环境与测试环境混用的情况。国内工程师对海外生产环境数据的任何远程访问，都可能被视为数据跨境行为，引发监管风险。远程数据处理行为，是合规监管的重点。

中国：数据出境评估与 AI 服务备案

在国内，《网络安全法》、《数据安全法》和《个人信息保护法》构成了数据合规的基础框架。对于出海业务，核心在于数据出境的合规性。

同时，国内对 AI 服务有明确的备案要求。无论是算法本身，还是包含 AI 功能的应用上架，都必须完成算法备案。对于具有舆论属性或内容生成能力的应用，还需进行生成式 AI 服务的上线备案与安全评估，即「双备案」，这是在国内开展业务必须完成的合规环节。

通过分析完以上不同地区的监管要求，我们会发现一个共性点：多数软件产品涉及的敏感数据都被要求本地存储。

这其中，有六类数据需要特别关注：金融类、医疗健康类、汽车与交通数据（尤其在中国，涉及人脸、环境的视觉数据监管极为严格）、生物识别数据、精确的地理位置与行动轨迹信息，以及包括关键基础设施和政务信息在内的传统重要数据。只要产品涉及这些领域，数据的本地化存储几乎是所有国家的强制要求。

除了这六类数据，对于一般的用户数据，可以根据目标市场的不同来制定更灵活的全球存储策略。

在美国市场，美国本土的数据存储基础设施完善，有大量供应商可供选择，所以只要涉及美国市场，哪怕用户只有几百人、几千人，建议都要第一时间将数据存储在美国本土，即使只有几千条用户数据也可能触发监管处罚。同时，这样做的一个好处是，一个美国节点通常可以合规地覆盖包括加拿大、墨西哥在内的整个北美乃至大部分中南美洲市场，巴西和阿根廷等少数例外。

欧洲的情况相对简单。由于欧盟法规的一致性，大部分企业通常会选择在法兰克福等基础设施完善的城市设立单一数据节点，可以覆盖整个欧盟市场，这个策略也基本适用于脱欧后的英国。

对于亚洲及中东市场，东南亚的通用解决方案是在新加坡存储，因为新加坡在全球范围内属于数据中立程度较高的国家，但有几个例外：如果印度是核心市场，需要在当地进行数据存储；中东大部分国家可由欧洲节点覆盖，但沙特已立法要求数据本地化；日韩市场，通常要求数据分别在各自境内存储。

综合成本、合规因素来看，一个基础的全球数据存储布局至少需要覆盖四个节点：美国、欧盟、新加坡，以及服务国内用户的中国节点。如果业务重点涉及日韩等市场，就需要单独再增加存储节点。

接下来，是训练数据的合规问题。全球范围内高质量的训练数据都很稀缺，对初创 AI 企业来说，数据来源通常限于：网络爬取、自有用户数据以及开源数据集，不同来源数据的风险也各有不同。

• 首先是网络公开数据的爬取。这里一个典型的侵权案例就是纽约时报起诉 OpenAI。《纽约时报》认为 OpenAI 在训练 GPT 时，爬取了他们的上百万篇文章，侵犯了著作权。另一个案例是 Clearview AI，因为爬取多家社交媒体的上百亿张人脸照片，在欧美多地因侵犯个人信息权和隐私权遭到封禁。

从这两个案例可以得出一个关键结论的结论：公开数据不等于可以随意使用，数据的具体内容决定了风险属性。公开爬取行为涉及到了两个层面的权利：一是平台通过技术和劳动投入形成的受法律保护的数据资产权益；二是数据内容本身所承载的权利，如著作权或个人信息权。

这并不意味着公开爬取的数据完全不能用。只要不触碰人脸、声音等敏感个人信息的红线，且爬取行为不对目标服务器造成冲击，或开发出与对方存在实质性竞争关系的产品，引发的直接冲突的风险就相对可控。

核心合规建议是，遵守目标网站的 robots 协议，控制爬取频率，同时建立清晰的数据来源清单，记录网址、时间与方式，从而将风险控制在可接受范围内。

• 其次是自有用户数据的使用。这部分数据对企业来说是相当大的诱惑，因为团队会天然认为对自己服务器上的数据拥有所有权。以 Meta 为例，Meta 此前计划利用其平台用户数据进行模型训练，后被欧盟监管机构叫停。监管方给出的核心观点是：平台对所收集的用户数据并不享有当然的合法使用权，如果要是用于训练，必须获得用户的明确同意。

这个逻辑其实很简单，数据保护遵循「生命周期管理」原则，即数据的收集与使用是两个独立环节，需要分别进行合规处理。因此，解决方案的核心是更新隐私政策与用户协议，明确告知用户哪些数据将被用于模型训练等用途。在此基础上，欧美法规还要求必须为用户提供清晰的退出选项（Opt-out）。

近期 LinkedIn 宣布使用用户数据训练模型，采用的正是这种「明确授权 + 退出机制」的合规路径，即告知用户有权选择退出，如果在规定期限内未操作，视为默认同意。

• 第三种来源是开源数据集，我们称为「盲盒」。以 Stable Diffusion 模型使用知名开源数据集 LAION 为例，LAION 数据集包含超过 58 亿张图片，但后续被曝出其中含有大量未经授权的版权作品，甚至涉及未成年人的非法内容，最后被迫下架清洗。这个案例说明，开源不等于无瑕疵。

企业在使用前，必须进行两项基础的风险防范：一是仔细审查数据集的授权协议（License），明确数据是不是可用于商用，以及有没有其他特殊限制；二是如果使用了当前存在争议的开源数据，建议做隔离处理，确保训练的功能和生成的内容与其他部分区隔，来降低潜在风险对整个产品的影响。

除了以上三种数据来源外，还必须高度警惕两类特殊数据：生物识别数据和未成年人数据。 无论数据来自哪里，只要涉及到人脸、声音等生物识别信息，或与未成年人相关，都必须高度警惕。除非产品功能本身必须依赖这类数据，这种情况下需要通过更直接、更精准的方式获取授权。否则，需要对这类数据进行匿名化或去标识化处理。

同时，这套评估数据来源、权利归属和用户授权的逻辑，同样适用于评估外购的第三方数据。

在输出端，AI 生成内容合规主要围绕三个核心维度依次展开：生成内容的权利归属、生成内容是否侵犯第三方权利，以及生成内容的标识规范。

首先是生成内容的版权归属问题。目前全球主流的法律共识基本都是否定的，AI 本身无法成为作者。无论是美国版权局在《黎明的扎利亚》案中的裁定，还是中国与欧洲的司法观点，都明确指出了著作权是为人类设计的权利。因此，AI 企业不能因为内容由模型生成，就理所当然地成为版权所有者。

但一个突破性的可能是，如果最终促使 AI 生成内容的用户，付出了足够多的智力投入，比如使用了非常具体的提示词、详细描述了需求，或者对 AI 生成的内容做了大量细致调整，这种「用户的智力汗水」可能会得到法律认可。在《黎明的扎利亚》案中，美国版权局认为，用户对最终作品的特殊编排部分可以享有著作权。不过，如何界定和保护这部分用户贡献，还需要在实践中进一步明确和探索。

由此得出的一个结论是，目前，想直接依据著作权法将 AI 生成内容的版权归于企业，难度极大。可行的替代方案是通过用户协议进行约定。在条款中明确与使用者（无论是 C 端个人还是 B 端企业）约定 AI 生成内容的权利归属与使用方式，用私人协议的约定，来替代目前法律还没有明确的版权归属问题。这是关于生成内容权利归属的核心思路。

AI 生成的内容，是否可能侵犯第三方权利，是当前更现实的法律风险。一旦发生侵权，责任由谁承担？以 AI 公司的大模型产品生成与其经典 IP 形象高度相似图像的案例来说。这类诉讼通常会围绕两条侵权路径展开：第一，原告主张 AI 公司的训练数据包含了其受版权保护的作品，构成直接侵权；第二，原告指控 AI 公司在宣传中以「生成迪士尼形象」为卖点，诱导和助长了用户的侵权行为，应承担间接侵权责任。

目前这类案件还没有有最终判决结果，但这基本代表了 AI 生成内容侵权纠纷的核心争议方向。判定 AI 生成内容侵权判定的核心标准，是「实质性相似」，即生成结果与原作品相比，能不能让普通第三方认为两者足够相似。

同时，需要明确的是，AI 企业不会因为 AI 生成了侵权内容就必然承担责任，关键在于企业有没有尽到了相应的管理义务，能否适用「避风港原则」免责。国内外的监管思路在这方面基本一致，平台需要尽最大努力防范侵权。具体措施包括，设置侵权举报渠道、避免通过编辑或推荐等方式诱导用户生成侵权内容等。

对于许多初创企业来说，在难以回溯调整训练数据和核心功能时，更要做好那些可被清晰感知的合规措施，即所谓的「表面功夫」。例如，建立关键词屏蔽机制、完善侵权内容的下架流程，并在用户协议中明确免责条款。这些可核查、能被监管和用户清晰看到的合规措施，往往是企业免于承担侵权责任的重要保障。

最后一点，关于 AI 生成内容的标识与水印问题。

与版权问题不同，标识要求更多属于行政监管义务，不直接对应某个原始权利，但因为没有标识 AI 身份可能引发虚假信息传播、公众误导等舆论风险，是目前各国监管的重重点方向。

全球几乎在同一时期都开始要求对 AI 生成内容进行明确区分，具体分为两个层面：一是「显性标识」，比如在界面标注「由 AI 生成」；二是「隐性水印」，即将标识信息嵌入元数据中供机器识别。这是企业必须遵守的底线性合规要求。

Q：公司和创始人在美国，技术团队在中国，产品面向美国 ToC 用户，数据合规需要注意什么？

星也：这是一个非常典型的场景，藏着两个核心风险点：

• 第一，面向美国的 ToC 产品，必然会涉及大量用户信息，不管是登录、支付等个人信息，还是用户的使用行为数据；

• 第二，技术团队在国内，意味着产品的更新、调试等运维工作都要在国内完成。这就直接导致了数据存储与操作主体地理位置的不一致，很容易触发合规风险。

针对这种情况，最基础的操作有两点，也是必须要做的：

• 第一，用户数据必须存储在美国本地，并做严格的环境隔离，也就是将生产环境与测试环境彻底分开，尤其是要为生产数据建立沙箱保护，确保国内团队可访问的数据与核心的用户生产数据完全隔离开。

• 第二，国内团队如果需要远程访问美国的服务器，必须做好完整的日志记录，详细记载访问时间、访问内容、具体操作等行为。这样即便未来面临美国监管机构的调查，企业也能拿出证据证明虽然存在远程访问，但并没有接触到任何用户数据。

如果团队发展到一定阶段，建议进一步优化，比如可以从技术团队中拆分出部分人员，派驻到新加坡或欧洲等地区开展运维工作，这样安全性会更高。

Q：中国公司+海外用户=是否必然触发跨境数据传输。需要海外子公司、本地数据中心以及本地数据处理吗？

星也：设立海外子公司首先要从成本角度考量，因为它意味着需要满足当地公司法下的一整套合规要求，并且通常需要搭建一个如开曼或 BVI 的顶层控股架构。这里想特别提醒一点，很多团队试图通过在香港设立主体来弱化「中国属性」，但从实践来看，无论在欧洲还是美国，监管和市场普遍将香港与中国内地紧密绑定，这种架构很难起到预期的效果。如果想通过主体架构进行优化，新加坡可能是现阶段成本与效果更优的选择。

再结合数据中心与数据处理来看，像俄罗斯这类国家有强制本地化的要求，而对于欧美等核心敏感市场，监管机构也会对此进行严格审查。对于其他非敏感地区，企业在早期若想以最小成本实现全球覆盖，建议优先布局中国、美国、欧盟、新加坡这四个核心节点。

Q：用户量达到多少才需要做数据本地化存储？

星也： 这个问题没有明确的数量标准。坦白说，核心取决于你对目标市场的重视程度。在美欧这类监管严格的市场，只要你开始主动进行市场推广、投放广告或有其他明确的市场开拓行为，就应该同步规划并推进数据的本地化存储，而不是等到用户量达到 1000 或者 1 万才启动。如果等到积累了大量用户才开始合规，那么在此之前产生的所有数据都会成为既定的违规事实。但这里要注意不同地区的逻辑差异：中国法规可能会有基于数据量或用户量的标准，但在美国，合规更多地是基于企业对长期市场的布局和考量，不是一个固定的数字门槛。

Q：对于调用基础模型生成内容的应用层产品，怎么规避侵权责任？

星也：这里必须明确，应用层和基础模型层是两个独立的法律主体。

很多时候用户的指令先输入应用层，再由应用层传递给基础模型。合规的关键可以从输入端进行风险控制。比如，在用户输入指令的环节，应用层可以先设置一层资产合规审查机制，通过技术手段过滤掉那些明显可能涉及侵权的需求。如果前端审查缺位，导致最终生成了侵权内容，那么应用层和基础模型层都可能面临侵权责任。但最终起诉谁的选择权掌握在权利人（比如版权方）手中。由于基础模型往往不直接暴露给用户，所以权利人大概率会起诉作为直接面向用户主体的应用层。在美国或中国的法律体系下，应用层几乎必然会被认定为承担责任，只是内部责任如何划分的问题。

Q：我们的产品有信息聚合功能，整合了来自媒体平台上的博主内容，是否合规？

星也：信息聚合工作的概念有一些模糊，我结合现有的法律框架尝试解答下。首先是数据爬取的技术合规问题，这种整合行为很可能涉及爬虫技术，核心要先判断是否违反了被爬取平台的 robots 协议，或是否触发了其反爬措施，一旦存在这种情况，就很容易与媒体平台本身产生冲突。

其次是内容的著作权问题，需要区分内容形式：长博文可能构成受著作权保护的文章，而图片本身必然涉及相关权利，关键要看博主有没有明确允许这些内容在其他平台呈现或转载，未经许可的整合转载可能构成侵权。

另外，整合规模也很关键，如果是大范围整合，把原本分散在不同博主账号下的内容集中起来，可能会使聚合平台具备与原平台相同或类似的功能，形成直接竞争关系，这种行为存在被认定为不正当竞争的风险。

Q：ToC 社交/游戏类产品，怎么规避「用户行为数据用于训练」的合规风险？

星也：核心在于把握以下三个关键点：

• 首先，用户协议和隐私政策中必须明确约定数据的使用范围，清晰地告知用户哪些具体的数据会被用于模型训练；

• 其次，社交类数据等可能涉及隐私或敏感个人信息的内容，必须做好匿名化和去标识化处理，对于生物识别信息、儿童数据等高度敏感内容，最稳妥的做法是直接剔除；

• 最后，也是至关重要的一点，要赋予用户退出数据训练的权利。需要在产品功能层面落地，提供一个明确、便捷的选项，并且不能把这个选项藏得太深，确保用户可以轻松完成退出操作。

Q：抓取海外公开数据用于「内部研发」和「产品化商用」，合规要求上有什么不同？

星也：内部研发的风险远小于产品化商用。从理论上来说，内部研发在某些情况下甚至可能落入科研活动的豁免范畴，但一旦进入产品化商用阶段，情况就完全不同了。因为商用行为会产生实际经济收益，还可能实质性地剥夺原数据平台的市场空间。

在 AI 领域，产品化商用的表现形式可能不一样，不是把数据原封不动拿来用，比如我们接触过的一个案例，抓取海外考试的公开题库，通过学习生成新题目并做成模拟考试功能，这种行为看似生成了新内容，但最终与原题库的权利方形成了直接竞争关系，还可能涉及著作权等一系列问题。在界定产品化商用的侵权风险时，生成物和原数据的关联度会被重点关注，关联度越高，越容易被认定为存在主观故意的行为。

我们在审查这类行为时，会重点关注生成物和原数据的关联度，以及源网站的具体权利协议，是允许自由使用的 CC 协议，还是保留所有权利的用户协议，会得出完全不同的合规结论。

Q：在 IP 侵权判定中，「相似度」的标准是什么？

星也：其实这是一个很主观的问题，但核心标准不是简单的「像不像」，而是生成内容是否落入了原 IP 的保护范围。以奥特曼为例，侵权行为不一定非要生成一个与迪迦、赛罗等具体形象完全一致的角色。只要生成的内容包含了核心的、受保护的视觉元素，比如「身穿红银配色紧身衣、佩戴蓝色护目镜、胸口有灯」的巨人形象，那么即便生成的是一个「胖胖的奥特曼」，也极有可能落入形象侵权的范畴。侵权判断的本质还是看是否调用了受保护的创作元素，不仅仅是外观的复刻。

Q：AI 生成的音乐/音效与现有作品相似，有没有实际的诉讼案例参考？

星也：音乐侵权的逻辑与图像侵权一致，都属于著作权侵权的范畴，核心是判断「实质性相似」，但从实践情况来看，音乐的判断标准更主观。

目前已经出现了几个比较受关注的相关的案例。例如，美国音乐行业协会起诉大型 AI 机构，主张其生成内容在旋律上构成侵权。所有此类生成内容的侵权争议，本质上都围绕两个层面展开。第一个层面是训练数据侵权，即在训练过程中使用受版权保护的作品是否构成侵权，涉及到复杂的「合理使用」或「转换性使用」的辩论。第二个层面才是生成结果侵权，即输出的内容与原作品是否构成相似。目前，原告方大多会提出复合型主张，将数据侵权、结果侵权和不正当竞争等诉求打包在一起进行诉讼。

Q：用户上传已有 IP 的声音作为素材生成新内容，平台怎么规避风险？

星也：这种情况风险极高，可能同时侵犯 IP 的人格权和著作权。规避风险的首要方式是优先争取商业授权。如果无法获得授权，就必须在用户协议中要求用户承诺其对上传素材拥有合法权属，并建立清晰便捷的投诉报警通道，在收到侵权通知后及时处理，适用「避风港规则」减轻责任。

同时，平台在功能设计上要极为谨慎，尽量避免对这类生成内容进行推荐、分发或打榜，因为这些行为可能被认定为平台主动参与了共同侵权。另外要注意，警惕利用知名 IP 声音制造假新闻或损害当事人名誉的风险，即使技术难度大，也要尝试在生成的声音中加入标识，作为重要的合规证据。

Q：什么规模的公司会被处罚？如果没做合规通常在哪个阶段会被处罚？

星也：会不会被处罚，和公司规模没有直接关系，关键在有没有碰了明确的「红线」。很多小公司甚至个人被处罚，都是因为从事了高风险行为，比如用爬虫导致对方系统瘫痪，可能构成破坏计算机信息系统罪；或者收集个人信息后进行转卖，同样会涉及刑事责任。

合规很像一场持续的考试，日常的合规工作就是学习和复习的过程，没到「考试」的时候，你不知道自己到底做的有多合规或者多不合规。

有几个非常明显的「考试节点」：第一个是产品上架时，无论是微信小程序还是 App Store，都会要求提供合规证明；第二个是融资过程中，投资方会对已上线产品的合规状况进行严格尽职调查；第三个是日常的监管专项行动，各地的网信、信通等部门每年都会开展专项检查。对于稳定运营期的公司来说，如果有法务或外部律师，一定要关注这些专项行动的动向，而且每年的监管重点也会有一定风向变化。