1、产业政策与法规研究赛迪研究院 主办2025 年 10 月 20 日总第 59 期4第期本期主题 端侧大模型安全风险与治理研究所长导读当前，以生成式大模型为代表的人工智能技术正以前所未有的速度融入经济社会各领域。在这一进程中，端侧大模型作为 AI 能力从云端向终端下沉的重要载体，以其本地化、低延迟、强隐私等特征，正逐步成为智能终端、工业物联网、智能家居等场景中的关键技术支撑。然而，端侧部署在提升用户智能体验同时，也带来了全新的安全挑战，亟需从技术、管理、法律等多维度系统研判与应对。本报告聚焦于端侧大模型在部署与应用过程中所面临的安全风险，重点梳理其在智能手机个人助理、智能家居语音控制中枢、工业物

2、联网边缘节点等典型场景下的功能特点与安全隐患。报告从数据安全、模型安全、算法安全三大层面深入剖析风险成因与影响，并结合国内外实践，提出构建涵盖法律法规、行业标准、企业内控与用户教育的综合治理体系。本报告旨在为政策制定者、行业从业者及广大用户提供端侧大模型安全治理的参考框架，推动在技术创新的同时筑牢安全底线，促进人工智能在端侧场景中健康、可信、可持续发展。由于研究涉及领域较新、内容广泛，报告中若有疏漏与不足，恳请各位读者批评指正。赛迪研究院政策法规所（工业和信息化法律服务中心）所长 彭健2025 年 10 月 20 日本期主题：端侧大模型安全风险与治理研究一、端侧大模型概述与发展现状1（一）端侧

3、大模型的定义与核心特征欧盟1（二）端侧大模型的发展驱动力2（三）端侧大模型的技术架构4二、端侧大模型典型应用场景分析6（一）智能手机上的个人助理6（二）智能家居中的语音控制中枢9（三）工业物联网中的边缘计算节点12三、端侧大模型安全风险深度剖析15（一）数据安全风险15（二）模型安全风险16（三）算法安全风险18四、端侧大模型安全治理体系构建19（一）法律法规与政策监管19（二）行业标准与自律机制23（三）企业内部安全管理25（四）用户教育与权益保障26五、结论与展望28（一）结论总结28（二）未来发展趋势展望29目 录 目 录 CONTENTS本期主题：端侧大模型安全风险与治理研究产业政策与

4、法规研究2025 年第 4 期1本期主题：一、端侧大模型概述与发展现状（一）端侧大模型的定义与核心特征1.定义：部署于终端设备的大型人工智能模型端 侧 大 模 型（On-device LargeModel）是指将经过优化和压缩的大型人工智能模型直接部署在智能手机、个人电脑、物联网设备、智能家居中枢以及工业边缘计算节点等终端设备上，使其能够在本地环境中独立运行和处理数据的人工智能系统。这种模型通常具备大规模参数，通过在海量数据集上进行无监督学习并进行有监督微调得到，能够执行广泛的任务。与传统的云侧大模型（Cloud-based Large Model）相比，端侧大模型的核心在于其“端侧部署”的特

5、性，即模型的推理和计算过程主要在用户设备本地完成，而非依赖远程云端服务器。这种部署方式旨在克服云侧模型在实时性、数据隐私和网络依赖性等方面的固有局限。根据部署设备的不同，端侧大模型可以进一步细分为手机大模型、PC 大模型等，它们共同构成了端侧 AI 生态的核心。例如，vivo 推出的蓝心大模型和蔚来汽车的 NOMIGPT 大模型，都是端侧大模型在各自领域的典型应用。这种模型的出现，标志着 AI 技术正从集中式的云端服务向分布式的终端智能演进，旨在为用户提供更加即时、个性化且安全的智能体验。2.核心特征：本地化、低延迟、强隐私性端侧大模型的核心特征主要体现在其本地化运行、低延迟响应和强化的隐私保

6、护能力上。首先，本地化运行是其最本质的特征。模型端侧大模型安全风险与治理研究专业就是实力 精准就是品牌产业政策与法规研究2025 年第 4 期2和数据均存储在终端设备上，推理过程无需将数据上传至云端，从而实现了完全的离线或弱网环境下的智能服务。这不仅降低了对网络带宽的依赖，也避免了因网络波动或中断导致的服务不可用问题。其次，低延迟响应是端侧部署带来的直接优势。由于数据处理在本地完成，省去了数据往返云端传输的时间，使得模型能够以极低的延迟（通常用 TTFT，即 Time-to-First-Token来衡量）响应用户请求，这对于需要实时交互的应用场景（如语音助手、实时翻译）至关重要。最后，强隐私性