边缘推理为何仍需可审计?

边缘推理把识别能力放到摄像头、门店设备或终端附近，图像不用总是绕远路传到云端，反应更快，也少了一层传输压力。但它不是“设备能跑起来”就万事大吉。尤其涉及人脸这类敏感信息，出了误判、漏检或越界使用的问题，大家总得知道：它当时看到了什么、按什么规则判断、谁该负责。

可审计，先解决“出了事说不清”

拿门店客流统计来说，强侧光可能让轻量级检测器漏掉部分人。如果系统只给出一个统计结果，却没有记录异常发生的环境、模型表现和处理链路，门店很难区分是摄像头问题、设备性能不足，还是模型在特定条件下失灵。可审计不是要求保存更多无关的人脸数据，反而应强调处理边界和必要记录：什么数据被处理、为何处理、结果如何产生、异常如何处置。

这也关系到普通人的基本安全感。人脸检测在不同性别、肤色和年龄群体上的表现可能不均衡，模型一旦为了小体积、低延迟被过度压缩，某些群体的错误率可能被放大。没有跨群体表现的评估与异常记录，“准确率不错”就容易变成一句空话。

审计不是给系统找麻烦

有人会觉得，边缘设备本来就资源有限，再加日志、文档和评估，会不会拖慢部署？这笔账不能只看眼前。边缘推理通常承担实时任务，一旦被用于身份校验、客流分析等场景，事后无法解释的成本往往更高：业务方难以排错，用户不知道自己的信息如何被使用，合规团队也难以证明处理是否合乎边界。

比较实在的做法，是把可审计性当作设计的一部分，而不是上线后补材料。上线前检查真实光照、遮挡等条件下的表现，并关注不同群体的差异；运行中保留必要的审计日志，记录异常与处置；对外用模型卡、数据说明文档讲清能力范围和限制。这样做未必让系统显得更“酷”，却能让它在出问题时不至于只剩一句“设备自己算的”。

边缘推理追求的是快，可审计追求的是清楚。前者让系统能用，后者让系统值得被用。