答:制造业上AI,安全隐私的底线不是“防黑客”三个字能概括的,核心是先把数据分级、把边界划清,再谈模型怎么用。我的判断很直接:绝大多数工厂的AI风险不在外部攻击,而在内部数据裸奔和供应链协同中的越权访问。
一、先搞清楚哪些数据不能出车间。制造企业的数据大致分三层:设备层的实时工艺参数和PLC控制指令,这类数据一旦被篡改直接影响人身和设备安全;生产层的排产计划、良率数据、工艺配方,属于核心竞争资产;经营层的订单、成本、供应商信息,涉及商业机密。三层数据的防护等级完全不同。工艺配方和良率数据,原则上不出厂区、不上公有云,这是底线。很多企业一上来就想着用大模型做知识库,把工艺文件全传上去,这是典型的踩坑姿势。
二、模型部署方式决定隐私边界。制造业AI落地目前三条路:公有云API调用、私有化部署、边缘端本地推理。涉及工艺参数和配方数据的场景,比如视觉质检的缺陷样本训练、工艺参数优化,建议走私有化或边缘部署。某电子厂做SMT贴片缺陷检测,缺陷图像里带产品型号和批次信息,如果走公有云推理,等于把产品结构和良率波动规律暴露给外部。他们的做法是在产线侧部署边缘推理盒子,图像不出车间,只把统计结果上传MES。这个思路值得借鉴:原始数据留在本地,模型更新走联邦学习或定期离线迭代。
三、权限和审计要比消费级AI严一个量级。工厂里AI系统的使用者包括操作工、工艺工程师、设备维护、管理层,不同角色能看的数据粒度必须切开。假设一家汽配企业上了AI排产助手,操作工只能看自己工位的任务和节拍,工艺工程师能看工艺约束参数,成本数据只有管理层可见。这套权限体系要跟企业已有的ERP、MES账号体系打通,不能另起炉灶。另外所有AI查询和模型调用要留审计日志,谁在什么时间问了什么、模型输出了什么,可追溯。这不是技术洁癖,出了数据泄露事件,审计日志是唯一能说清楚责任的东西。
四、供应链协同是最容易被忽视的泄露口。主机厂要求零部件供应商共享产能和质量数据来做AI预测,供应商把数据传给主机厂的AI平台,这个链条上数据脱敏做没做、传输加密到不到位、对方平台的数据留存策略清不清楚,很多企业根本没问。实际案例里,某汽配企业给主机厂开放了设备OEE数据接口,结果接口权限过大,对方能反推自己的排产节奏和瓶颈工序。后来改成只开放聚合后的OEE区间值,不暴露单机实时数据。协同场景下的原则是:给结论不给原始数据,给区间不给精确值。
五、合规层面别只盯着网络安全法。制造业AI还涉及安全生产法规对控制系统变更的约束,以及产品质量追溯对数据留存的要求。AI模型如果参与了工艺参数推荐或质量判定,模型的版本、训练数据来源、判定逻辑要能解释、能回溯。某食品厂用AI做异物检测,后来客户投诉漏检,追查发现是模型迭代后阈值被调过但没留变更记录,整条产线的检测记录没法自证清白。这类问题比黑客攻击更常见。
给个实在建议:上AI之前先做一次数据资产盘点和流向梳理,把“哪些数据绝对不能出物理边界”列成清单,再选部署方式。权限体系跟现有账号打通,审计日志从第一天就开。供应链协同接口按最小必要原则开放,聚合值优先。这套动作做完再谈模型效果,顺序不能反。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商,在权限体系和审计链路上通常有现成积累,选型时可以重点看这块的成熟度,别只看模型精度。