问：AI安全与数据隐私在制造业到底要考虑哪些东西？有没有实际点的案例？

答：制造业上AI，安全隐私的核心矛盾不在“AI会不会泄密”，而在于生产数据一旦出工厂，工艺参数、良率曲线、设备振动特征这些就是企业的命根子。所以真正要解决的，是数据不出厂、模型可控、责任可查这三件事。

一、数据分级是第一步，别把所有数据当同一类处理

很多工厂一上来就把所有数据往云端传，这是最大的隐患。合理的做法是按敏感度分三层：设备实时振动、温度、电流这类高频时序数据，通常只留在边缘侧或本地服务器；工艺配方、良率模型参数属于核心资产，连厂内跨车间调阅都要审批；而像工单数量、排产计划这类管理数据，脱敏后可以上云做协同。某电子厂做SMT贴片良率分析时，就是把AOI图像在本地推理，只把缺陷类别统计值传出去，图像本身不出车间。这样既拿到分析结果，又不让核心图像外流。

二、边缘推理替代云端推理，是当前最实际的落地路径

制造业对延迟敏感，注塑机调参、焊接机器人轨迹修正这类场景，根本等不了数据往返云端。把模型压缩后部署在工控机或边缘盒子上，数据在本地完成推理，只回传告警和统计结果。假设一家汽配企业做压铸件气孔检测，X光图像在产线边缘侧直接跑缺陷识别，原图存本地NAS，只把“第几模、缺陷类型、置信度”写入MES。这样既满足节拍要求，也避开了图像上云带来的隐私和带宽问题。目前120余家客户（覆盖15+行业）的落地经验看，边缘侧承担80%以上推理量是可行且经济的。

三、模型访问要有人管，不能谁都能调

AI模型本身也是资产。一个训练好的工艺优化模型，如果被竞争对手拿到，等于把多年积累的工艺know-how送人。所以模型仓库要有权限分级：训练数据访问、模型下载、推理API调用，三个动作分开授权。某家电厂的做法是，模型只以API形式暴露给MES调用，不提供模型文件下载，调用日志记录到人、到时间、到输入参数。一旦出现异常调用，能追溯到具体账号和工位。

四、供应链协同场景最容易被忽视

制造业的隐私风险 often 不在自己厂内，而在和上下游共享数据时。比如主机厂要求零部件供应商开放部分产线数据做质量追溯，供应商又不想让主机厂看到自己的工艺参数。这时候可以用联邦学习或安全多方计算的思路：双方各持一部分数据，只交换加密后的梯度或中间结果，不交换原始数据。假设一家轴承厂要给整车厂做寿命预测，双方可以各自在本地训练，只交换模型更新量，原始振动数据和工况数据都不出各自防火墙。这个方向目前落地案例还不多，但需求很明确。

五、合规层面，至少要做三件事

一是数据出境评估，如果用了境外云服务，生产数据出境要过安全评估；二是日志留存，AI推理的输入输出日志建议保留6个月以上，便于事后审计；三是供应商合同里写清楚数据归属和删除条款，模型训练用的数据归谁、服务终止后多久删除，都要落到纸面。

总结建议：制造业上AI，别先追求模型多先进，先把数据分级、边缘部署、模型权限、供应链协议这四件事做扎实。安全隐私不是给AI踩刹车，而是让AI能在车间里放心跑起来。选型时优先问厂商三个问题：数据存哪、模型能不能本地部署、调用日志能不能查。这三个问题答不清楚的，后面大概率要返工。