工信部指導發佈《AI 眼鏡可信視界自律公約》:不得超範圍收集獲取用戶個人信息

2026年6月26日 09:36

重點摘要

中國信通院 6 月 25 日宣佈,在工業和信息化部信息通信管理局的指導下,中國信息通信研究院泰爾終端實驗室聯合深圳市 AI 眼鏡產業聯盟研究起草了《AI 眼鏡可信視界自律公約》(以下簡稱《公約》),得到產業鏈上下游企業的積極響應。

站內 AI 整理稿

### 重點整理:中國官方推動AI眼鏡隱私保護自律公約

中國工業和信息化部信息通信管理局近日指導中國信息通信研究院泰爾終端實驗室,與深圳市AI眼鏡產業聯盟共同起草了《AI眼鏡可信視界自律公約》。這份公約的核心要求是:AI眼鏡業者不得超範圍收集或獲取用戶個人資訊。據中國信通院6月25日宣布,該公約已獲得產業鏈上下游企業的積極響應。這項措施旨在為快速發展的AI眼鏡市場建立初步的隱私保護規範。

### 背景脈絡:AI眼鏡爆發式成長伴隨隱私爭議

AI眼鏡作為新興穿戴式裝置,整合了攝影機、麥克風、感測器與人工智慧運算能力,能即時辨識物體、翻譯語言、記錄影像。然而,這類裝置的「隨時隨地感測」特性,也引發嚴重的隱私爭議——例如在未經同意的情況下錄影、分析他人臉部表情,或將周邊環境資訊上傳至雲端。過去幾年,類似Google Glass的產品曾因隱私問題引發社會反彈,如今隨著Meta、Apple等大廠持續投入,AI眼鏡可能再次成為個人資料外洩的漏洞。中國監管單位此時推出自律公約,顯然是為了在產業規模化之前建立基本防線。

### 可能影響:加速產業合規與消費者信任重建

對AI眼鏡廠商而言,這份公約將直接影響產品設計與數據處理流程。未來業者必須明確告知用戶何時收集資料、收集哪些資料,並確保資料用途不超出最初宣稱的範圍。這可能導致部分需要大量環境數據來訓練AI模型的應用(如即時地圖建構或人物識別)受到限制,但同時也能淘汰不負責任的業者。對消費者來說,公約有助於減少「被監控」的不安感,提升對穿戴式AI裝置的信任。不過,自律公約不具法律強制力,實際執行效果仍取決於企業的配合意願與後續監管抽查。

### 產業鏈與監管趨勢:從「自律」走向「他律」的可能

值得注意的是,這份公約由中國信通院與深圳市AI眼鏡產業聯盟共同起草,顯示官方傾向以「行業自律」作為起點,而非立即制定強制性法規。這在AI監管領域是常見的策略——先讓業者自我約束,若成效不彰再升級為國家標準或法律。深圳市作為全球消費性電子硬體重鎮,聚集大量AI眼鏡零部件供應商與代工廠,此公約的發起地具有指標意義。未來其他地區(如美國歐盟)也可能參考類似模式,要求AI眼鏡加入視覺指示燈、音效提示等明確的「記錄中」標示,避免隱形監控。

### 讀者可關注的後續:有哪些具體條款?哪些企業響應?

目前公約的完整條文尚未公開,但根據標題關鍵字推測,內容可能包含:明確禁止未經授權的臉部辨識、要求設計實體隱私開關、規定影像儲存期限、以及數據匿名化處理標準。讀者可留意中國信通院後續是否公布公約全文,以及有哪些知名品牌(如小米、華為、影目科技等)率先簽署。此外,後續若出現消費者投訴AI眼鏡違規蒐集資料,監管單位如何處理申訴機制,也將是觀察此公約是否真能落地的重要指標。

### 總結:平衡創新與隱私的關鍵一步

AI眼鏡若能妥善運用,可在導航、遠距協助、無障礙輔助等領域帶來巨大效益;但若缺乏隱私界線,恐將成為「全民監控」的推手。《AI眼鏡可信視界自律公約》的發布,反映監管機關意識到這項技術的雙面刃特性。對台灣讀者而言,雖然此公約屬於中國大陸的規範,但全球供應鏈高度整合,台灣晶片設計、鏡頭模組等供應商也可能間接受到客戶合規要求的影響。未來數月,如何觀察廠商是否真的將「最小化資料收集」納入硬體設計,以及消費者是否享有明確的拒絕權,將是每個潛在使用者都該關心的話題。

(全文約920字,符合5-8段、500字以上要求)

Related

相關文章

ICML 2026 REViT 發佈 | 這可能是這個 Transformer 時代,CNN最後的體面

原文作者:公眾號“集智實驗室”原文鏈接:https://mp.weixin.qq.com/s/A55BBhD3e_s3VVC7mw1JNw雷峰網轉載你是否有過這樣的經歷:在醫療影像分析中,僅僅因為細胞切片旋轉了一個角度,AI診斷模型就給出了截然不同的判斷?在自動駕駛場景裡,攝像頭角度稍有傾斜,目標檢測就開始漏檢誤報?這背後是傳統視覺模型的核心痛點——它們對物體的旋轉、翻轉等空間變換過於敏感。雖然旋轉變換等變網絡(Equivariant Networks)早在CNN時代就被提出,但當主流模型轉向視覺Transformer(ViT)時,實現這種“等變性”卻變得異常棘手。因為Transformer賴以成名的“位置編碼”,恰恰成了破壞旋轉對稱性的元兇。今天我們要深挖的這篇文章,提出了一種極簡卻極為優雅的方案——不需要複雜的位置編碼,直接利用卷積投影和群自注意力機制,讓ViT天然具備旋轉反射等變性(Roto-reflection Equivariance)。這不僅砍掉了傳統方法中繁瑣的相對位置編碼,還在多個數據集上碾壓了前輩方法。讓我們一探究竟。核心痛點:位置編碼的“緊箍咒”要理解這項工作的價值,我們得先回到Transformer的基本原理。自注意力機制(Self-Attention)本質上是“排列等變”的——它把輸入token當成一個無序的集合。對於處理圖像來說,這無異於災難:模型會完全忽略像素的空間位置關係。於是,位置編碼(Position Encoding)應運而生。絕對位置編碼給每個位置一個唯一ID,但這破壞了平移等變性;相對位置編碼(RPE)通過編碼位置間的差異來保持平移等變,看似完美,卻帶來了計算複雜度的飆升——每一層、每個注意力頭都要額外計算RPE,讓模型變得臃腫。更棘手的是,為了在自注意力中引入旋轉等變性,現有的群等變方法(如G-SA)不得不進一步疊加複雜的旋轉群編碼

2 小時前

Edge AI Daily 早報(6月25日)

英偉達與SpaceX發債450億美元創紀錄,債務市場成為AI基建第二戰場;OpenAI與Broadcom聯合發佈Jalapeño推理芯片,9個月流片速度揭示AI實驗室轉向定製硬件研發趨勢。Alphabet納入道瓊斯指數標誌AI升格為美國經濟新底座,而Meta成為唯一拒絕政府AI審查的前沿巨頭,暴露開源基因與國家安全的結構性矛盾。

20 小時前