本文综述了人工智能系统风险识别、分析与管理的系统性方法论。首先，梳理了全球范围内推动AI风险评估需求的监管格局，包括欧盟《人工智能法案》等基于风险的监管框架。其次，系统分类了文献中识别的AI相关风险谱系，涵盖从技术故障（如模型鲁棒性不足、数据泄露）到伦理与社会影响（如歧视、隐私侵犯、可解释性缺失）的多种维度。随后，重点回顾了面向AI系统的主流风险评估方法论，聚焦于通用框架（如NIST AI风险管理框架、ISO/IEC 42001等），分析了各框架的核心步骤、适用场景及优缺点。论文指出了当前AI风险评估中的最佳实践，例如分层评估、持续监控与多方利益相关者参与，同时揭示了方法论缺口（例如动态风险适应、因果关系量化、人机协作场景的特殊评估需求）。最后提出了未来研究方向，包括风险指标的标准化、跨领域迁移能力、以及与大模型风险特性匹配的评估技术。本文适合AI安全工程师、风险合规人员、政策制定者及研究人员阅读，以系统理解AI风险评估的现状与挑战。

该论文聚焦于人工智能（AI）系统中产生的损失如何进行准确重建与保险索赔。当前保险理赔主要依赖事件重建，但AI系统（尤其是生成式AI和智能体系统）具有状态依赖性，其行为随推理、检索、工具调用和自主行动而动态变化，因此需要状态重建而非简单的事件重建。论文提出了CER框架，用于用例层面的AI残余风险转移诊断。CER包含三个维度：C（控制边界），评估系统是否具有可执行的操作范围约束；E（证据重建），判断从保留的日志和工件中能否重建系统状态与因果链；R（保险响应），确定重建的损失是否属于保险覆盖范围，包括市场是否存在对应保单以及证明索赔的证据要求。论文的主要贡献包括：定义了AI特定的损失重建问题，通过CER框架将其可操作化，以及明确了用于保险理赔的AI重建证据等级。文中通过PocketOS、Replit智能体数据库删除事件以及Moffatt v. Air Canada输出依赖案例进行了实证说明。该研究适用于保险精算师、安全架构师、风险管理人员及AI治理从业者。