AI数据泄露风险排行榜：甲方乙方应对策略

聊工业AI的数据安全，谁最紧张？答案往往落在乙方服务商身上。蘑菇物联CEO沈国辉直言，服务商泄露数据等于砸自己饭碗，甲方最多就是掉颗饭粒。你见过哪个快递员为了一个包裹，会拿自己的生计开玩笑？没这种傻事。

这个比喻精准点破了数据安全里微妙的权责关系。真正如履薄冰的，是服务商，不是客户。

沈国辉讲得很坦率：“数据从甲方工厂设备里采集出来，借个胆子也不敢泄露。真出事，公司直接关门，赔偿能把人压死。甲方呢？数据泄露可能算个事故，但完全不是一个量级。”他进一步强调，公司的护城河由三大支柱构成：算法、协议和数据。算法是入场券，没有硬实力，客户连服务机会都不会给；通讯协议是数据采集的前提，连不上设备，再好的产品也只是纸上谈兵。过去十年，他们积累了超过1600种设备通讯协议，业内甚至有一种说法：“蘑菇物联连不上的设备，别人也连不上。”最后才是数据积累——目前日均处理超过100GB工业数据，这些数据必须经过清洗、标准化到特征工程的完整流程，这才形成了独特壁垒。即使在当前市场环境下，他们依然保持了增长。

但市场正在变局。沈国辉观察到，客户的预算和需求都在收缩，更棘手的是，“劣币驱逐良币”的现象开始抬头。一些厂商为了迎合客户对短期回报的焦虑，在合同里写满承诺、海口乱夸，最后验收时不了了之，留下一堆烂摊子。这种情况，他看在眼里，也颇感无奈。

【 以下为本次访谈核心内容 】

工业AI的“黄金场景”：哪些环节最值得投入？

沈国辉：工业AI的价值落点，可以清晰划分为三个层级。

最优的场景，是直接帮客户拿订单、创造营收。在制造业里，这才是真正能让客户眼前一亮的硬价值。其次是创造可量化、可衡量的降本价值，比如省电、省人。这件事必须能装个电表测出来，或者明确算出少花了几个人工成本。最后，才是大家常说的提效提质。当然也有价值，但说服力相对更弱。

简单总结，制造业最关心的就是四个关键词：增收、降本、提效、提质。增收最难，但价值天花板最高。从当前市场反馈看，第二层级——可验证、可量化的降本效果，是客户最愿意掏真金白银买单的价值点。

工厂空压站现场图

巨头环伺，蘑菇物联的差异化壁垒在哪？

沈国辉：我们的护城河非常清晰，就是算法、协议和数据三位一体的闭环。

首先是算法能力。很多人以为工业AI等于大模型，但我们远不止于此。只用大模型根本形不成壁垒，因为谁都能用，甲方自己也能调。我们的独特之处，是把大模型跟强化学习、马尔科夫过程、傅里叶变换、随机森林这些传统AI技术进行了深度融合。大语言模型擅长文字推理，但对工业设备产生的时序数据效率并不高，甚至会出现“幻觉”。结合传统算法，才能更高效地处理设备数据。

其次是设备通讯协议。这是数据采集的“桥”，连不上设备，再好的算法也只是空中楼阁。我们专攻空压机、中央空调这类高耗能通用设备，这两个特点很关键：能耗高，节能需求强；通用性强，市场空间大。过去十年，我们积累了超过1600种设备通讯协议。协议对别人是巨大障碍，但我们却手到擒来，这是实打实的门槛。现在行业里有种说法，“蘑菇物联连不上的设备，别人也连不上”，这正是我们的价值所在。

最后才是数据积累。通过实际服务客户，获取真实场景下的设备运行数据。目前我们日均处理超过100GB工业数据，都要经过严格的三步处理：数据清洗，去除传感器噪声；数据标准化，转换成可分析格式；特征工程，提取有价值的工业特征。这个闭环，让我们形成了独特的数据优势，也是即使在艰难市场环境下仍能保持增长的核心原因。

工厂制冷站房现场图

从监控到优化：工业客户的需求是如何演变的？

沈国辉：这个问题问得很到位。举个生活化的例子，就像我们买智能手表，有人为了测心率，有人为了计步数，还有人纯粹为了好看。设备监控也是这个逻辑。

最初，客户的需求很简单：随时知道设备是否正常运转。这就像给设备装了个“健康手环”。但随着发展，客户发现光知道“设备现在好不好”远远不够，他们更想知道“设备什么时候会坏”。这就是预测性维护的价值所在。以空压机为例，突然停机可能让整条生产线瘫痪，损失高达上百万。通过AI分析设备数据，我们可以提前预警潜在故障，避免非计划停机。

现在，客户的需求又升级了：不仅要设备不坏，还要运行得更高效。就像我们不光希望手表能测心率，还希望它能给出健康建议。能效优化，就是在保证设备可靠性的前提下，帮客户省下真金白银的能耗成本。

这个发展过程，本质上是从“事后处理”到“事前预防”，再到“主动优化”的升级。每一步都对应着客户痛点的深化和需求的升级。预测性维护是被动防御，而能效优化则需要主动控制设备运行参数。

这一发展路径，与行业特点密切相关。2009年“感知中国”战略催生了一批设备监测公司，主要解决“设备会不会坏”的问题。但空压机、中央空调这些高耗能设备占工厂能耗的40%~60%，客户更迫切的需求是“怎么更省电”。我们选择专注于这个领域，主要基于三个维度的考量：一是通用性带来的庞大市场规模；二是高能耗特性蕴含的巨大节能潜力，客户付费意愿强；三是这类设备有实时的控制需求，为技术介入提供了重要切入点。

以电子行业为例，我们通过优化空压机群控策略，成功帮客户实现了15%~20%的能耗节省，而且这种节能效果是完全可测量、可验证的。

工程师在AI云智控软件上查看供气压力数据

经济下行，市场到底发生了哪些变化？

沈国辉：变化很明显，可以概括为三点。

第一，客户预算极度谨慎。现在的工业客户，就像手里攥着5000块钱，却只敢花1000块的消费者。投资回报周期要求从原来的3-4年，直接压缩到2年以内。他们对“增收”类项目普遍观望，更看重“降本”，尤其是可量化的节能项目，而不是模糊的效率提升。

第二，客户需求更加务实。现在，最愿意买单的是“看得见、算得清”的价值：节能效果要精确到度，故障预测能力要可验证，最好还能省下人力。

第三，也是我最担心的，是“劣币驱逐良币”现象。部分厂商为了迎合客户短期回报的诉求，在合同里乱承诺、夸海口，最后项目验收时不了了之，留下一堆烂尾工程。但我们蘑菇物联始终坚持三个底线原则：所有数据真实可追溯，效果必须经得起第三方验证，不承诺超出技术能力范围的回报。

标准化与定制化，如何权衡？

沈国辉：我们标准化SaaS的占比很高，超过了80%，定制化只占一小部分。标准化SaaS主要面向多数客户的共性需求，通过SaaS化部署快速落地；部分大型客户有私有化部署需求，会涉及少量定制化。

专注于高耗能通用设备这个特性，让我们能用标准化产品覆盖大部分场景。如果去做专用设备的数字化，同行往往不得不依赖私有化部署，最后大概率会沦为定制化解决方案。我们通过聚焦通用设备场景，成功避免了这种困境。

数据样本少，如何训练高精度模型？

沈国辉：核心在于数据治理。无论是大模型还是小模型，数据质量直接决定精度。数据治理不到位、结构混乱，模型就容易出“幻觉”，优化效果也会大打折扣。

我们的路径很清晰：先通过物联网采集数据，然后过滤掉传感器产生的噪点和毛刺，完成清洗；再将数据结构化，完善治理，形成数据集；最后用高质量数据集训练模型，不断迭代提升精度。物联网数据量极大，人工清洗不现实，必须靠算法自动化处理，这本身就是技术门槛。打个比方，数据就像石油，纯度不够的油会让发动机抖动，而经过治理的“纯正数据”才能为模型提供持续动力。基础打牢，模型精度才有保障。

通用工业设备空压机的数据正在被采集上传

数据存在你们那，安全怎么保证？

沈国辉：工业AI与智能驾驶类似，都采用云边端架构。核心是根据功能需求分配算力与存储资源。云端负责需要大存储、大算力的任务，比如模型训练和迭代。边缘端部署的是经过“蒸馏”的训练好的模型，负责实时计算与控制，服务器直接安装在空压站、中央空调机房等能源站房内，离设备只有几米到十几米，能实现毫秒级响应。

我们的决策标准是：需要实时处理、强调及时反应与独立运行的任务，比如设备控制，必须放在边缘端，避免依赖无线网络。大存储和模型训练迭代则放在云端。边缘端与云端每小时同步一次数据即可，模型迭代时通过OTA远程升级从云端推送到边缘端。

回到安全问题。数据是从甲方工厂设备里采出来的，设备是他的，数据自然也是他的。我们拿了他的数据，敢乱来？借个胆子也不敢！真泄露了，公司直接关门，赔得倾家荡产。甲方呢？数据泄露了可能算工作失误，根本不是一码事。我们比甲方紧张多了。

我们拿数据是当石油来加工的，是帮他创造价值的，不是拿去卖钱的。真能卖钱这生意倒好做了，可甲方能答应吗？甲方真没必要担心，实在不放心，签协议，加惩罚条款，怎么罚都行，规矩我们都认。还是那句话，乙方泄露数据是砸自己饭碗，甲方最多掉颗饭粒，谁傻啊！

一个真实案例：AI是如何解决企业问题的？

沈国辉：就拿德福科技来说，它是铜箔行业的龙头企业。生产铜箔，需要空压机、中央空调、水泵这些通用设备来保障水电气冷热的供应。但问题在于，这些高耗能设备的管理极其复杂，涉及空气动力学、机械制造、电气工程自动化、暖通工程、热能与动力工程好几个学科。大学里都没哪个专业能把这些全教了，招人都难，想找能同时管好这么多设备的人才，更是难上加难。而且设备多了，能耗也跟着飙升。

这不正是工业AI能发挥作用的地方吗？我们做的，就是把“老师傅”的经验“软件化”，变成一个数字人。我们的“云智控”产品，就相当于一个训练有素的老师傅分身，不仅懂那五大专业，连语数外、数理化这些基础学科知识也都掌握，是大模型结合小模型训练出来的。德福科技买的就是这个“数字老师傅”。它在产能扩张期，既要保证生产不掉链子，又要降能耗，还缺设备管理的人手，我们的产品全给解决了。既能节能，又能帮着省人，还不耽误生产。现在测下来，节能效果超过了15%。

沈国辉在与客户交流

客户最常见的认知误区是什么？

沈国辉：最典型的就是客户过度自信，老外管这叫“OC（Over Confidence）”。他们太相信自己那套老经验了，觉得“我干这行十几年，参数都是手调的，你一个软件能比我强？”这其实是对过往经验的路径依赖。他们一开始就对你的POC做“有罪推定”，先认定你不行，然后到处找理由证明自己是对的。想挑刺还不容易？有人会直接怼“你又不是干这个的，你懂还是我懂？”但他们忘了，现在的AI可能真的比他懂，只是很多人不愿意承认。

为什么坚持深耕“一厘米宽”的领域？

沈国辉：我们就是要在窄领域做深做透，让客户看到我们的工业AI软件，比如云智控，就是比最有经验的老师傅还靠谱。做工业得有敬畏心。现在在这“一公尺宽”的领域里，都还有人天天挑刺、想证明我们错了，要是贪多求广，那不就被批得体无完肤了？

至于进入新行业时适配设备协议和工艺逻辑，没别的捷径，全靠一点点啃那些脏活累活。朱啸虎也说过，工业领域，把脏活累活干扎实了，自然就有了护城河。光靠算法耍花架子，根本成不了事。这就像毛竹生长，前四年在地下默默扎根，看起来没动静，可根扎够深了，一旦破土，就能蹭蹭往上长。我们蘑菇物联快十年了，现在就像刚冒头的毛竹。碰上行业环境不好，时代的尘埃一层层压上来，更得把根扎稳、把脏活累活干透，才能不管多少土压着，都能顶破出来。我们已经在做出海的事情，东南亚的越南、泰国、马来西亚，还有日韩都在推进，这些国家都已经有POC概念验证项目了。

AI商业化，面临的主要挑战是什么？

沈国辉：主要是三大挑战。

一是客户认知与信任问题。部分客户过度依赖传统经验，认为手动调参比AI更可靠。我们的策略是筛选客户，优先与愿意尊重专业分工的客户合作，同时借助媒体力量提升行业认知。

二是预算约束。当前工业企业资金压力大，对AI投入的回报周期要求更严，从过去的三年缩短到两年以内。尽管短期困难，但我坚信制造业是中国的经济支柱，长期市场必将回暖。

三是数科公司对行业的冲击。大量数科公司以“包工头”模式运作，将研发外包，自己赚取利润，导致真正投入创新的企业利润缩减、研发受限。这种模式不可持续，行业终将回归良性生态。