数字化、网络化、智能化加速推进的背景下，人工智能在制造业的应用范围不断扩大，从研发设计到生产制造、供应链与售后服务，正在改变企业的运营方式；但随之而来的是数据泄露、模型被篡改、算法偏差影响决策、关键系统遭攻击等风险。对制造业企业来说，一旦安全防线出现漏洞，不仅可能导致停产停线、质量波动、商业秘密泄露，还会引发产业链协同受阻和合规风险，影响转型成效。 业内人士指出，制造业人工智能应用的安全挑战特点是"跨域叠加"。一上，工业现场既连接信息系统又连接生产控制系统，数据链路长、接口多、供应商众多，形成更复杂的攻击面。另一方面，企业在推进智能化时往往更关注算力、模型效果和业务指标，对数据全生命周期管理、模型训练与部署安全、第三方组件与开源工具风险评估等环节投入不足。加上不少企业数字化基础差异大，安全制度与技术能力跟不上应用速度，导致"带病上马""重建设轻运营"等问题频发。 为此，江苏发布制造业人工智能应用安全防护工作指引，为企业提供可对标、可实施的"安全底座"。指引以工作体系建设为抓手，将安全管理要求与技术防护要点结合，既涵盖数据保护、网络与系统安全等基础领域，也突出人工智能特有的风险，如算法安全、模型可信与可解释性、输出结果的可靠性与可追溯性。通过场景化指引，将抽象要求转化为生产一线的具体流程，帮助企业在引入人工智能时同步完成风险识别、控制措施配置和责任划分，避免因安全漏洞导致的返工和中断。 指引针对31类典型应用场景提出具体建议，体现"分类施策、因场景定策略"的思路。在智能生产线应用中，强调完善数据采集、传输、存储与使用的全流程管理，确保数据真实性、完整性与权限可控，防止错误数据导致模型决策偏差。在预测性维护场景中，强调模型验证、持续监控与异常告警机制，防止模型漂移和对抗样本导致的误判。在质量检测、智能物流等环节，提出加强关键接口与设备接入安全、业务系统与工业控制系统隔离、重要操作留痕审计等措施，提升全过程可追溯能力。 对于企业的落地实施，指引提出三个方向：首先，先评估再建设。企业应根据自身数字化水平、资产重要度与业务连续性要求，开展分级分类的风险评估，明确"先保关键、再扩覆盖"的治理路径。其次，方案贴近业务。不同行业与工艺流程差异大，企业需围绕核心场景制定差异化安全方案，明确数据边界、模型边界、人员权限边界和供应商责任边界。再次，安全强调"运营"。将持续监测、定期评估、迭代优化纳入常态化机制，形成从制度到技术、从建设到运行的闭环管理，避免安全措施流于形式。 随着制造业智能化深入，人工智能将进入工艺优化、柔性排产、供应链协同等更多关键环节，安全治理也将从单点防护发展为体系化能力竞争。业内预计，下一阶段企业安全建设将更加强调"数据治理+模型治理+工程治理"的联合推进：在数据侧强化分级分类、合规使用与跨域流转控制；在模型侧强化训练数据审查、模型版本管理、推理过程监控与输出可信评估；在工程侧强化端云协同、第三方组件管理、供应链安全与应急演练。随着实践积累与标准化推进，制造业有望在确保安全可控的前提下释放智能化潜力，提升产业链韧性与国际竞争力。
从德国工业4.0安全白皮书到美国NIST智能制造框架，安全基座已成为全球制造业竞争的新领域。江苏此番举措不仅为区域产业升级筑牢防线，更探索出技术创新与安全治理协同发展的中国方案。当智能时代的"安全阀"与"加速器"实现精准平衡，制造业高质量发展才能行稳致远。