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。结语融资数亿元这件事与其说是一个AI安全公司的好消息不如说是一个给制造业的提醒。89%的企业因数据安全顾虑不敢做产业协同67%的企业担心生产数据泄露或篡改70%的工业数据未被激活。这些数字背后有一个被很多人忽略的真相——制造业最大的数据风险可能不是“被黑客攻击”而是“数据根本没用起来”。数据躺在系统里睡大觉既产生不了价值也谈不上安全。真正安全的数据是被管起来、用起来、治理起来的数据。精工智能制造运营系统恰恰在于帮助制造企业先把数据底座打牢——让生产进度可看、库存账实一致、质量可追溯、排产有依据。只有在这个基础上AI大模型才有可能真正安全地进入车间、参与决策。这笔账制造企业需要提前算。