时间：2027年4月9-11日

地点：深圳会展中心

联系：姚华I88.I720.8969

算力是人工智能产业的底层底座，算力安全与 AI 安全相辅相成，共同构成智能时代数字安全的核心防线。伴随智算集群、大模型、智能体规模化落地，安全边界从传统网络、服务器边界，延伸至算力基础设施、训练数据、模型权重、推理调用、算法输出全链路。行业不再局限于传统攻防防护，转向兼顾算力集群稳定运行、模型资产保护、内容合规、风险溯源的一体化可信体系，成为支撑 AI 产业高质量发展不可或缺的配套赛道。政策体系持续完善，为算力与 AI 安全划定发展框架。相关法规明确数据安全、算法备案、生成式 AI 内容治理要求，推动高风险 AI 产品开展安全评估，落实分级分类管理机制。监管思路从事后处置转向前置防控，鼓励安全能力原生嵌入算力集群、模型开发流程，沙盒监管、安全测试、风险审计等机制逐步落地。金融、政务、能源、工业制造等高敏感行业，陆续将算力安全、AI 安全纳入基础设施安全考核，倒逼企业在智算中心建设、大模型采购部署阶段同步配套安全方案，安全投入从可选增值服务转为刚性需求。

算力集群规模扩张带来全新的基础设施安全挑战。万卡、十万卡级智算集群广泛部署，异构芯片、高速互联网络、存算分离架构大幅提升系统复杂度，攻击目标从普通服务器转向算力调度节点、NPU 卡、模型存储介质。算力劫持、集群侧信道攻击、算力调度篡改、固件漏洞、集群 DDoS 攻击等风险持续增多，一旦算力链路被入侵，不仅会造成算力资源被窃取占用，还会污染训练数据集、篡改模型权重，引发连锁业务风险。机密计算、可信执行环境、硬件信任根、零信任访问、集群流量审计等技术成为算力底座防护的主流方案，保障数据在计算过程中可用不可见，实现算力环境可信隔离。AI 安全风险呈现多维度、隐蔽化特征，催生全新细分市场。在数据层面，训练数据泄露、投毒污染、版权侵权、隐私提取风险突出；在模型层面，对抗样本攻击、模型窃取、逆向推理、提示注入、后门植入成为高频威胁；在应用层面，深度伪造、算法偏见、内容违规、智能体越权执行等问题，对社会治理、品牌信任形成冲击。传统安全工具难以识别模型层面的隐性风险，模型安全检测、提示词风控、输出内容审核、水印溯源、模型加固、红队测评等产品快速兴起。同时 AI 也反向赋能安全，利用大模型自动挖掘漏洞、分析攻击样本、自动化研判告警，提升安全运营效率，形成 “AI 赋能安全、安全守护 AI” 的双向循环。

技术路线持续迭代，产业分工逐步清晰。硬件侧可信芯片、安全固件、加密加速模块，为算力集群提供底层信任根基；平台侧聚焦算力调度审计、多租户隔离、机密推理服务；应用侧围绕模型评测、内容风控、溯源水印、安全测评构建工具链。国内厂商持续攻关模型检测、数据脱敏、隐写溯源、联邦学习等技术，逐步搭建自主可控的 AI 安全工具矩阵。行业服务模式也发生转变，从单一产品售卖，转向安全咨询、模型测评、攻防演练、持续监测、合规整改一体化服务，适配不同行业大模型落地的差异化需求。行业发展仍面临多重现实瓶颈。算力集群高性能与安全防护存在天然矛盾，加密、审计、隔离机制容易带来算力损耗，如何平衡安全开销与推理训练速度是长期难点。AI 安全属于交叉学科，融合密码、机器学习、硬件、网络安全等多领域知识，复合型人才供给不足。攻击手段迭代速度快，大模型黑箱特性使得风险预判难度高，通用检测方案难以覆盖全部后门与对抗攻击场景。行业标准仍在完善，不同厂商模型格式、算力架构不统一，安全测评工具通用性不足，跨平台验证成本较高。不少中小企业对 AI 安全认知不足，安全预算投入有限，优先保障模型功能落地，安全建设滞后。

中长期来看，内生安全、全链路可信、软硬协同是行业主线。安全能力将深度融入算力芯片、智算平台、模型开发管线，实现原生可信，而不是后期叠加防护。算力安全与 AI 安全产品走向标准化、工具化，形成覆盖算力集群、数据集、模型、应用、智能体的统一安全运营平台。水印溯源、模型指纹、安全审计体系逐步普及，实现 AI 生成内容全生命周期可追溯。随着算力网络、行业大模型持续普及，算力安全与 AI 安全市场将保持高速增长。深圳汇聚算力、大模型、人工智能、终端制造资源，为安全厂商搭建技术交流、供需对接、方案验证的平台，推动安全技术与算力、AI 场景深度融合，为智能产业构筑稳定、可控、可信的安全屏障。