端侧 AI 如何确保本地数据不被意外上云?

端侧 AI 的隐私承诺，不能只停留在“数据不上传”。真正需要防范的，是本地数据在任务执行、长期留存、跨设备同步和功能更新中，被悄然扩大使用范围。用户担心的往往不是一次明确的云端调用，而是不知道照片、文档、位置或对话内容何时被读取、推断结果保存了多久，以及这些信息会不会在未来被用于另一项功能。

先把一次任务拆开

任何端侧 AI 功能都应拆分为读取、推理、留存、同步与上传几个环节，并分别设定边界。允许读取一封邮件来提取会议时间，不等于允许保存邮件全文；允许根据照片生成整理建议，也不等于允许把照片中的人物、地点和内容转化为长期画像。

原始内容应尽量只在完成当前任务所需的范围内使用。任务结束后，即时上下文应自动消失；为连续操作暂存的信息，应有明确的失效规则；只有用户主动确认的偏好、格式或提醒习惯，才适合进入长期记忆。长期记忆还应可查看、修改和删除，并能说明其来源与用途。

上云必须是可见的例外

端侧无法完成某些任务时，云端参与并非不可接受，问题在于是否把它伪装成默认流程。更稳妥的原则是：本地能够完成的，默认留在本地；确需云端计算时，在发送前说明原因、发送范围和预期用途，并让用户可以取消或选择本地简化处理。

上传内容也应遵循最小化原则。系统应优先发送任务所需的片段、摘要或已去除直接标识的信息，而不是将完整原始资料整体交给云端。若产品无法清楚解释某项数据为何必须离开设备，就不应把上传视为理所当然。

授权与撤回要真正改变系统行为

读取信息、生成建议与代替用户执行操作，风险并不相同，权限不应混为一个“同意并继续”。能读取日程，不代表可以自动发送邀请；能识别支付页面，也不代表可以确认交易。越接近不可逆的操作，确认越应发生在操作发生前。

撤回权限也不能只是停止未来访问。它至少应同时处理后续读取、已保存记忆以及同步副本或云端留存。模型和规则更新若改变了读取范围、记忆方式或云端协同机制，也应让用户重新知情和选择。端侧 AI 值得信任，不在于它掌握了多少数据，而在于它能否清晰证明：哪些数据从未被多看一眼。