制造企业最关心的不是“AI 能不能做”，而是“我的工艺、客户和成本数据会不会出去”。不答清楚，项目寸步难行。
关于 Elephas：Elephas 是精工智能数字化事业部在 AI 趋势下推出的 AI 数字员工产品，是事业部面向制造业 AI 的新业务，而非独立公司。它依托核心团队二十多年数字化经验与 300+ 客户场景入口，把制造 Know-how 封装成可执行的岗位级智能体。
一、先给结论：数据留在企业，模型能力进入企业边界
Elephas 在部署架构上给出的原则是一句话：按企业数据安全等级选择部署方式，核心原则是企业数据留在企业，模型能力进入企业边界。
整个架构自上而下分为四层，每一层都有明确的归属：
这里最关键的是最后一行：业务原始数据始终留在企业内网，进入 AI 服务层和推理层的是按需调用的结果，而非整库搬迁。
二、第一道防线：部署安全
Elephas 支持私有化、私有云、混合部署，适配不同数据安全等级，敏感数据优先运行在本地或私有云。
混合模式适合多数制造企业：核心数据留在本地，仅在非敏感任务上按需调用合规公网模型，靠场景分级划清边界。
三、第二道防线：数据安全——按需读取，不是整库上传
这一条直接回应了最常见的担忧："AI 会不会把我的数据拿去训练公开模型？"
答案是：业务系统数据不整库上传公网；AI 通过接口按需读取，敏感字段可脱敏处理。
"按需读取"意味着每次调用都有明确目的和范围；"可脱敏"意味着客户名称、价格、成本这类敏感字段可在送达模型前被遮蔽。两项结合，把风险从"数据的物理位置"转移到"数据的使用权管理"——后者可审计、可收回。
四、第三道防线：权限安全——不同角色看到不同边界
一个成熟的企业不会因为用了 AI 就放弃权限，反而会要求更细。Elephas 的做法是：按组织、岗位、角色控制 AI 访问的数据范围——董事长、厂长、PMC、品质、仓储各自看到不同的边界。
实践中价值极大：同样问“上季度毛利为什么下降”，董事长能看到分客户、分产品的利润结构，采购员只看得到与自己相关的物料价格区间。AI 不是绕过权限的捷径，而是权限体系的新执行者。
五、第四道防线：审计安全——所有动作可追溯
所有问答、数据调用、报表生成、导出动作均日志留痕，支持追溯、审计和内控。
这条对制造业尤其重要：IATF 16949、ISO 9001、两化融合等体系都要求记录可追溯；上市与拟上市企业还要应对内控审计。AI 动作无法留痕，就无法进入受体系约束的核心流程。
配套机制还有两道：权限／沙盒限制智能体的可执行范围，人机确认（HITL）要求关键动作必须经人授权。
六、训练侧的隔离：客户的数据，还是客户的
更深一层的疑问是：模型要迭代必然要用数据，那么客户数据会不会沉淀到供应商的公共模型里？
Elephas 的架构采用了双层分离设计：
客户私有域模型：客户的原始数据、专属 SOP、经营规则、知识库和适配器全部留在企业边界内，支持独立版本管理；
行业专家模型：仅沉淀经授权、脱敏和可复用的共性规则、任务模板、评价方法与行业知识，不带走客户原始私有数据。
这条原则很直白：不是把客户数据"喂给模型"，而是把真实问题、专家判断、执行动作和业务结果转化为可治理、可评测的训练资产。
此外还有评测与安全验证：离线基准、影子运行、仿真回放、人工确认与红线测试，在模型上线前完成多轮验证。
本文小结
摘要： Elephas 通过部署安全、数据安全（不整库上传、按需读取、敏感字段脱敏）、权限安全（按组织岗位角色划分数据边界）、审计安全（全动作留痕）四道防线，加上客户私有域模型与行业专家模型的双层分离，在保证 AI 可用性的同时把原始数据留在企业边界内。
适用读者： 企业信息化与信息安全负责人 有强合规要求的集团客户 法务与内控岗位 拟上市企业数字化负责人
