⼒资源恶意消耗，

以及安全问题在多源、

异构、

泛在算⼒资源间跨边界传 递的⻛险。 （b）
⽹络暴露⾯扩⼤。

模型本地化部署涉及⽹络拓扑和系统策略、

权 限、

端⼝、

资源的调整配置，

易形成新的⽹络攻击⼊⼝和路径。

智能体需 调⽤终端系统⽂件、

权限、

接⼝、

⼯具，

以实现复杂任务⾃主规划⾃动执 ⾏，

加剧⽂件泄露、

权限滥⽤等安全⻛险。 （c）
供应链安全。

⼈⼯智能产业链呈现⾼度全球化分⼯协作格局。

但 于 人工智能安全治理框架2.0 - 14 -内容标识的⼈⼯智能⽣成合成内容溯源管理范式，

总结梳理已有实践的成 功做法经验，

按照显式、

隐式等标识要求，

全⾯覆盖制作源头、

传播路径、 分发渠道等关键环节，

便于浏览⽤⼾识别判断信息来源及真实性。 5.7
安全有效释放重要⾏业应⽤需求。

制定重要⾏业领域⼤模型建设 部署基础安全指南，

从模型选⽤、

模型部署、

模型运⾏和模型停⽤等环节，



提出安全基线建议。

在此基础上，

相关⾏业领域结合⾃⾝属性特点，

制定 能源、

电信、

⾦融、

交通、

教育、

⼯业等重要⾏业领域的应⽤安全指南，

形成清晰的安全应⽤路径，

释放⾏业应⽤潜⼒。 5.8 建设⼈⼯智能安全测评体系。
构建模型算法安全测评、
应⽤通⽤ 安全测评、具体场景安全测评相衔接的⼈⼯智能安全测评体系。模型算法 测评，聚焦模型鲁棒性、可靠