当前位置：首页 > news >正文

AI安全赛道融资数亿元，制造业该关心的不是技术，是数据安全这笔账

news 2026/7/21 12:24:36

AI安全领域再引产业关注。制造业管理者看到这则消息，第一反应不应该是“AI安全又热了”，而是该问一句：工厂的数据，还安全吗？

这不是危言耸听。AI进工厂有个矛盾被讨论得最少，影响却最大——绝大多数制造企业连自己的生产数据、库存数据、质量数据都没管明白，却在被推着“上AI”。而数据安全这件事，恰恰是AI落地制造业的先决条件。

一、AI越深入工厂，数据安全这道题就越绕不开

融资的同一天，2026世界人工智能大会刚刚闭幕。大会传递出的一个明确信号是：人工智能正在从“炫技”走向“落地”，而落地的主战场之一，就是制造业。

但制造业对AI的态度，远没有舆论场那么乐观。

在今年两会期间明确指出，制造业对AI的可靠性、稳定性与事实性要求极高，当前面临两大瓶颈：一是企业因商业秘密与数据安全顾虑，“不敢、不愿”共享工业数据；二是大模型“幻觉”问题难以满足工业场景的严苛要求。

一组数据能说明问题：一份针对制造业企业的调研显示，67%的企业认为工业控制系统安全、生产数据泄露或篡改是首要隐患，89%的企业称数据安全顾虑是产业协同的最大障碍。

通俗点说：不是不想用AI，是怕把“家底”交出去之后，收不回来。

在调研中发现，部分企业不是排斥数字化，而是担心数据交出去就交出了“家底”。他打了个比方——“就像合作做菜，我只分享调料配方，不需要把厨房敞开”。企业的数据库、业务系统和生产数据就像各自的“厨房”，属于最敏感的核心资产。

AI要进工厂，首先得回答一个问题：凭什么让老板相信，数据交给你是安全的？

二、工业大模型落地，先过三关

AI安全赛道的融资热度，恰恰说明了一个被很多人忽略的事实：AI进工厂这件事，安全问题是先决条件，不是附加题。

信息通信研究院信息通信网络安全响应中心副主任在2026工业互联网大会上指出，承载着大量工艺参数和决策逻辑的工业大模型本身就容易成为网络攻击新突破口，带来数据泄露、大模型污染等风险。奇安信董事长齐向东也直言，经过AI改造的生产系统和业务系统，一旦被攻击，企业将面临停产停工，损失不可估量。

具体来看，工业大模型要真正在车间里站住脚，至少得过三关：

第一关：数据关。信息通信研究院发布的《工业智能创新发展报告（2026年）》指出，大部分工业数据因质量参差不齐、知识内嵌程度不够，无法直接用于智能模型训练。工业报社发布的2026“人工智能+制造”十大课题也提到，工业数据存在“技术异构+标准割裂+组织壁垒+安全顾虑”四维叠加的系统性问题，约70%工业数据未被激活。车间里每天产生的海量数据，格式不统一、标准不一致，连“喂”给AI的资格都没有。

第二关：信任关。通用大模型存在固有的幻觉和可解释性问题，不能完全满足工业生产对安全性、可靠性、确定性的要求。工业控制要求可重复、有边界，而大模型的概率生成机制，在工业生产对安全零容忍的红线面前，构成了根本性的矛盾。AI“猜”错了可以重来，工厂里“猜”错了就是废品、停线、安全事故。

第三关：落地关。现阶段人工智能赋能制造业的瓶颈，不是大模型的能力约束，而是工业体系本身的数据质量、可靠性要求、场景碎片化和经济性等因素，与大模型的能力特征存在差异，大量项目难以规模化落地。大模型厂商在展台上演示得再炫酷，进了车间能不能跑起来，是另一回事。

三、AI要安全落地，先从数据治理入手

回到融资的核心逻辑——“安全可信大模型系统的持续研发与产业落地”。安全可信的前提是什么？是数据本身的治理水平。

如果一个工厂连生产数据、库存数据、质量数据都采集不全、管不清楚，AI安全就无从谈起。数据治理的第一步，不是上AI，而是先把制造运营的基础系统跑通——让生产进度可看、库存账实一致、质量可追溯、排产有依据。这正是MES、WMS、APS等制造运营系统要解决的基本问题。

以深耕离散制造的精工智能，其自主研发的MES、WMS、APS、QMS、JMOM等平台，覆盖了从车间执行到仓储管理、从计划排程到质量管控的完整链条。通过实时采集设备、工单、物料、库存等数据，帮助工厂逐步建立起结构化的数据资产。这些系统本身并不涉及AI大模型，但它们恰好为AI后续的进入提供了可用的数据底座。

在这个意义上，AI安全落地，首先取决于工厂有没有把数据这件事管明白。连“数据孤岛”都没打破的企业，谈AI赋能还为时过早。