在算力需求爆发的当下，数据安全与隐私保护已成为企业上云用智的核心障碍。9月12日，在2026中国算力大会主论坛上，中国移动正式发布AI可信计算（AITC），并启动生态共建战略合作。这一动作不仅是对AI安全技术的一次系统性重构，更透露出一个清晰信号：算力基础设施正在从“性能优先”转向“安全与效率并重”。
过去，企业上云普遍面临两难：性能强大的公有云便捷高效，但数据不敢放；私有云安全可控，却牺牲了弹性与成本效率。中国移动提出的AITC，试图用“让客户像使用私有云一样使用公有云”的承诺，打破这一僵局。本文将从技术架构、应用场景、产业合作三个维度，拆解AI可信计算如何成为企业数字化转型中的关键拼图，以及它为什么能成为效率提升的加速器。
一、AI可信计算的诞生背景：数据价值与安全焦虑的赛跑
大模型与AI技术的爆发，让数据变成了新型生产要素。金融风控需要聚合海量用户信息，政务系统涉及敏感人口数据，医疗AI依赖病历样本训练，工业制造则涉及核心工艺参数。这些场景都有一个共同特点：数据价值越高，泄露风险越大，合规要求越严。
传统做法是“隔离”——把数据放在私有化部署的服务器里，以物理隔离换取安全感。但这种做法在AI时代越来越吃力：大模型训练需要海量算力，私有化部署成本高昂，且难以弹性扩展；而纯公有云环境，又无法打消客户对隐私泄露和模型窃取的顾虑。
中国移动此次发布的AITC，正是针对这一结构性矛盾而生。它并非简单的加密工具，而是一套融合了机密计算、国产密码、信息流隐私防护等核心技术的云上安全体系。其底层依托移动云全栈国产化算力底座，向上提供通智多形态机密算力和机密Token，覆盖AI训练、推理及数据使用的全生命周期。
从产业视角看，这一布局暗合了当下AI治理的全球趋势。无论是欧盟的《人工智能法案》，还是国内陆续出台的数据安全合规要求，都在倒逼企业把安全能力内化为基础设施的一部分。AITC的价值，在于把“事后补救”变成了“事前默认安全”，让企业在不改变业务习惯的前提下，获得接近私有云的安全等级，同时保留公有云的弹性与成本优势。对于正在寻求企业数字化转型的机构来说，这无疑是一剂强心针。
二、三大核心能力解密：数据可用不可见，模型可算不可取
AI可信计算的技术亮点，可以概括为三个“安全转变”，每一个都直击行业痛点。
首先是数据安全维度，告别传统明文计算。过去在云端处理敏感数据，要么需要先解密，要么依赖数据脱敏，而脱敏常常导致模型精度下降。AITC基于机密计算技术，通过端到端加密，让数据在内存中始终以密文形式参与计算，实现了“可用不可见”。这意味着即算平台运维人员、云服务商自身，也无法窥探用户数据内容。
其次是模型安全维度，突破私有化部署的局限。传统AI模型部署在公有云上，通常以明文形式运行，存在被镜像、被复制的风险。AITC支持AI模型在公有云上进行机密部署，全程密文运行，从加载、执行到参数更新都在受保护的执行环境中完成，杜绝了安全泄露风险，实现模型“可算不可取”。这对那些将核心算法视为生命线的企业尤其重要——模型的权重和推理逻辑，是比数据更难的“商业秘密”。
第三是环境安全维度，从边界防御升级为硬件级可证明。传统安全策略像围墙，防外不防内；AITC则将信任锚点下沉到CPU和芯片层，通过硬件级环境度量，确保运行环境全程可信无篡改。任何试图注入恶意代码或篡改计算逻辑的操作，都会被即时感知并阻断。
这三项能力组合在一起，形成了一道从底到顶的纵深防线。更关键的是，它不是孤立的技术拼盘，而是将AI技术与机密计算深度融合后的系统性产物。对于金融风控、政务处理等High敏感场景，这种组合带来的安全感，足以支持它们放心地把核心业务迁移到云上。
三、端云协同与国产化底座：从芯片到终端的全链路可信
如果说机密算力解决的是“云上安全”，那么中国移动此次发布的另一项创举，则把安全防线延伸到了终端设备。AITC业界首创深度融合中国移动AI-eSIM与超级SIM，打造“物联网+人联网”端云协同AI安全解决方案。
这个方案巧妙利用了SIM卡作为硬件信任根的天然优势。SIM卡具备独立的存储和计算能力，且难以被远程篡改。通过在SIM卡中嵌入密钥和可信度量逻辑，手机、物联网设备与云端之间的通信，可以从物理层面阻止密钥泄露与数据篡改。也就是说，即使用户的终端被植入恶意软件，攻击者也拿不到真正的加密钥匙。
这一设计有着强烈的现实意义。随着AI Agent和智能终端普及，越来越多的推理任务不再发生在云端数据中心，而是在手机、车载系统、边缘网关等终端设备上直接执行。如果只保护云端，终端侧就会成为新的安全短板。AITC的“芯片级全链路保障”，恰好补上了这一环。
同时，AITC构建在移动云全栈国产化算力底座之上，支持海光、摩尔线程、兆芯等国产芯片。这意味着从底层硬件、操作系统到上层应用，整个技术栈具备自主可控性，不受外部技术封锁影响。对于政企客户而言，这意味着在获得安全能力的同时，也满足了信创合规的要求。想体验国产化AI工具如何提升创作效率，不妨试试AI画图或文生图，感受AI技术在日常场景中的落地魅力。
四、生态共建：一场关于信任的合纵连横
在大会主论坛上，中国移动并未孤军奋战。它携手中国电子、中国银行、中核集团、中国信通院、华为、中兴、阿里云、浪潮、海光、摩尔线程、兆芯等产业伙伴，正式启动AI可信计算（AITC）生态共建战略合作。
这份名单很有深意。其中有银行、能源等大行业用户，有设备商、芯片商，有互联网云厂商，也有权威研究机构。为什么需要这么多角色参与？因为可信计算本质上不是一个单点产品，而是一条信任供应链——上游芯片要支持可信执行环境，中游云平台要集成机密计算框架，下游应用要适配密文计算接口，终端厂商要嵌入SIM卡安全模块，而行业用户则要贡献真实场景和需求。任何一环缺失，信任链条都会断裂。
中国移动在其中扮演的角色更像一个“信任连接器”：它提供统一的AITC平台和标准接口，让不同厂商的硬件、软件、算法能够在同一套安全框架下协同工作。这种模式借鉴了移动通信行业成熟的标准化思路，有望把碎片化的安全技术整合成一套通用基础设施。
对于中小型科技企业和开发者来说，这其实是个利好信号。一旦AITC生态走向成熟，他们无需再自研一套完整的安全体系，只需要基于AITC开放接口进行开发，就能快速获得企业级安全能力。全球AI工具链正在往平台化方向演进，从大模型API到AI工具导航，集中式基础设施让开发门槛不断降低。
五、行业洗牌在即：谁会在新安全范式下受益最多？
谈论某项技术的前景，最终要落到“谁在用，用来干什么”上。AITC首批瞄准的行业极具代表性：金融风控、政务处理、工业制造、医疗诊断、高校科研。这些领域无一例外，都是数据敏感度高、合规压力大、云端迁移意愿强而信心不足的典型。
以医疗AI为例。一家医院想要训练一个辅助诊断大模型，训练数据涉及海量患者的影像和病历。按照传统方式，这些数据不能出医院，只能内部采购昂贵的GPU服务器，在小规模数据上训练，效果自然受限。有了AITC，医院可以把数据加密上传至公有云，在机密计算环境中完成多方联合训练，模型精度大幅提升，而数据全程不出域。这对提升医疗AI的研发效率具有颠覆性意义。
再来看金融领域。银行间的反欺诈模型往往各自为战，难以共享样本。AITC支持的“多方机密计算”，让不同机构可以在不暴露原始数据的前提下，联邦训练一个共享风控模型，有效识别跨行欺诈链条。数据可用不可见，模型可算不可取，这两句话对银行风控部门而言，无异于打开了新世界的大门。
从商业回报角度看，AITC也重塑了云服务的价值等式。传统公有云的定价模式主要围绕计算、存储、带宽等资源消耗；而机密算力将安全等级变成了可量化的增值服务，价格更高但黏性更强。哪家云厂商能率先提供“安全+算力+模型”的一站式服务，谁就能在存量市场的争夺中扳回一城。这促使更多科技产品团队重新审视自己的安全架构，将“默认安全”作为产品设计的出发点。对普通用户而言，AI图片生成等工具的普及也正在改善创作流程的效率提升体验，而抠图这样的轻量级应用则让非专业人员也能快速产出高质量素材，这些进步本质上都是安全与效率良性互动的缩影。
六、从安全合规到效率提升：AI可信计算的长期价值
最后回归到一个更宏观的命题：AI可信计算到底如何促进效率提升？
答案藏在“信任成本”的削减中。企业上云用智之所以犹豫，本质上是因为存在大量看不见的信任成本：合规审核成本、安全审计成本、数据拆分成本、私有化部署的运维成本……这些成本并不会体现在账单上，却能实实在在拖慢项目上线速度。AITC提供了一种“可证安全”的确定性，让企业和监管机构都能基于明确的信任模型做决策，从而把精力集中在业务创新上。
以政务数据处理为例。以往各地政务数据共享需要层层审批、专网对接，周期长达数月。基于AITC的安全沙箱，多个部门可以将数据加密放入同一计算环境中联合分析，符合安全策略的前提下，自动完成计算和销毁流程。流程从几个月压缩到几天，效率提升是数量级的。
当然，任何新技术都不可避免面临挑战。AITC目前仍处于生态建设早期，跨厂商的机密计算互操作标准尚未完全统一；密文计算性能相比明文计算仍有损耗；国产芯片的机密计算指令集也需持续优化。但可以预见，随着生态扩大和硬件迭代，这些瓶颈会被逐步克服。中国移动此次的生态共建战略合作，本质上就是在提前铺路——用集体力量定义下一代AI安全基础设施。
未来，算力将成为像水电一样的基础资源，而安全则是这条管道的隐形护壁。当企业不再为安全担忧，AI Agent技术的自主决策、大模型的行业落地、云端协同的智能应用才能释放出真正的生产力。在这一进程中，AI可信计算不会是一把万能钥匙，但它无疑是打开大模型训练与产业深度融合的关键一环。