Z6.07.1On-device processing trade-offs设计研究
本地处理降低数据外泄风险但计算能力受限
别名: 本地优先 · edge computing · 边缘处理
概念解释
本地处理（on-device / edge processing）指数据不出家庭网络——推理、识别、存储都在设备或家庭内的中枢完成。它对隐私的收益是结构性的：没有云端副本，云端那部分攻击面整体消失。代价同样是结构性的：家用设备的算力、内存与功耗预算有限，跑得动轻量识别，跑不动大模型；没有跨用户数据，模型质量与个性化上限低。
这条知识讲的是权衡的第一条轴：能力随数据外移而增长，风险也随数据外移而增长——本地处理站在「低风险低能力」的一端。
机制
本地处理为什么真的降低风险？因为外泄风险近似正比于数据的可达路径数，而本地化整段砍掉路径：
- 数据不出局域网 ⇒ 云端账号被盗、平台漏洞、内部人员滥用、数据被并购转移、传票调取——这些与「远端副本」绑定的路径全部不存在。剩余路径只有两条：网络入侵家用内网、物理接触设备。
- 没有远端副本还改变了响应窗口：本地泄露是单户事件，发现与止损在家庭尺度；云端泄露是批量事件，用户在事发时无能为力。
受限的一面同样来自物理事实：
- 算力与功耗：本地 NPU 只够跑量化的小模型——人形检测、语音唤醒词没问题；复杂任务（长音频转写、多相机联合再识别、大语言模型对话）要么跑不动要么延迟不可接受。
- 无跨用户学习：云端能用全体用户的数据持续改进模型，本地模型冻结在出厂水平；识别准确率与场景适应性的上限低一截。
- 无异地冗余：设备损坏即数据消失——这既是隐私优点（真删除很容易），也是可靠性缺点（唯一的录像随被盗设备一起没了）。
怎么研究
- 架构权衡的基准测试：同一识别任务分别在本地与云端跑，比较准确率、延迟与功耗；再对两种架构分别做威胁建模，比较攻击面。系统与 HCI 两边都有这类工作，常用于论证「隐私损失换来了多少能力」。
- 可用性实地研究：把同一产品分别配置为纯本地与云端模式，交给家庭长期使用，跟踪功能失败率、用户满意度与信任变化——度量「能力受限」在真实使用里是否可感知。
- 隐性外传审计：声称本地的设备，抓包审计其全部对外通信（遥测、DNS、心跳、崩溃报告），统计「名义本地、实际外传」的比例——这是检验本地声明可信度的关键方法。
方法论注意点：本地与云的准确率差距不是常数——模型量化技术、家用硬件的 NPU 规格都在快速变化，比较结论要标定硬件与模型版本，过期基准会误导选型。
边界
- 「本地=安全」过于粗。 局域网可被入侵（摄像头作为内网跳板是成熟攻击模式），固件漏洞本地照样有；本地化的收益是砍掉云端路径，不是免疫一切。
- 本地处理的隐私收益依赖「数据真的不出门」。 遥测、崩溃上报、DNS 查询、时间同步都是隐性外传通道——存在这些通道的「本地」产品，收益要打折核算，逐项审计后才能计入。
- 能力受限是移动的边界。 专用 NPU 的进化让去年必须上云的任务今年可以本地跑；判断「本地够不够用」要用当前硬件实测，不能沿用旧印象。
怎么落地
- 按数据敏感度分配处理位置：高敏感数据流（音视频原始数据、连续生理信号）默认本地处理；低敏感流（聚合统计、设备状态）可以上云换能力。
- 本地模式必须是完整闭环：断外网时核心功能（录像、检测、本地回放）完整存活——本地不是阉割版；「本地跑检测、云端才存录像」的设计要明示这是混合而非本地。
- 审计外传面：把设备放进隔离网段，列出全部对外通信并逐一确认用途；确认不了的一律封掉，观察功能损失。
- 验证办法：断外网运行测试（核心功能存活清单逐项过）+ 抓包审计（隔离网段内无未解释的外发流量）。两项都过，本地声明才算成立。