AI家电时代的安全新底座：UL/IEC 60730、UL 3115与全球合规路径

随着生成式人工智能、大模型、多模态感知和自主决策技术加速进入家电领域，智能家电正从“被动执行”走向“主动理解、学习和决策”。这一变化为提升用户体验和产品竞争力带来新机遇，也使安全评价的范围从传统的硬件失效、控制失效，进一步扩展到算法决策、数据隐私、网络安全和系统级联动风险。

10月28日，在2026年中国家用电器技术大会上，UL Solutions工程部经理马喆成以“AI家电时代的安全新底座”为主题，从测试、检验和认证（TIC）行业视角，探讨人工智能家电时代的安全新挑战，并提出以UL/IEC 60730为控制与功能安全底座、以UL 3115为人工智能可信评价框架、结合网络安全与系统韧性的三层防护体系。他同时分享了如何帮助企业建立从产品设计、风险评估、证据链构建到全球市场准入的整体合规闭环，支持人工智能家电在安全可信的基础上走向全球。

智能家电从被动执行走向主动服务

从电力化、自动化、互联化到具备理解与决策能力的智能体，AI正在重构人、设备与家庭空间的关系。对于如何理解智能家电进入主动服务时代，马喆成表示，所谓“主动服务”，不是家电多了一个语音入口，也不是把手机操作变得更方便，而是设备开始根据用户需求和实际场景，参与判断“什么时候做、怎样做更合适”。传统家电主要按照预设规则执行任务，人工智能家电则逐步形成“感知、理解、学习、决策、执行、反馈”的服务过程。

“以洗衣机为例，过去通常由用户选择程序，设备按照设定完成洗涤；现在，一些产品可以根据衣物材质和脏污程度调整洗护方案。对用户来说，是减少了逐项设置的负担；从技术角度看，则是设备从‘执行程序’进一步走向‘参与判断’。一些空调产品也有类似变化：不再只根据室温运行，还可以结合人员位置和使用偏好，判断怎样送风更合适。”马喆成举例。

当多个设备连接起来，服务范围也从单台设备扩展到家庭场景。马喆成指出，用户不一定关心某个设备采用了什么算法，而是希望家庭环境能够更自然地响应自己的需求。相应地，研发团队需要关注的不只是单个功能是否实现，还包括感知信息是否可靠、决策权限是否清晰，以及跨设备协同是否可控。

主动服务并不意味着设备可以无限自主。马喆成建议，企业在提升智能程度的同时，也要明确自主决策的边界：哪些操作可以自动完成，哪些需要用户确认，哪些安全保护不能被算法越过。设备遇到不确定情况时，应根据风险采取请求确认、限制动作或切换至经过验证的安全运行方式等措施。主动服务的成熟度，不仅体现在“更懂用户”，也体现在“知道自己的能力边界”。

风险边界如何被重新定义

未来家电竞争的不只是AI能力，更是AI安全能力。人工智能进入家电，并没有让电气、机械、热和控制失效等传统风险消失，而是在这些风险之上增加了算法判断、数据和系统联动的不确定性。

“尤其当人工智能输出参与加热、电机等设备功能的控制时，判断偏差就可能进一步影响物理世界。因此，安全评价不能只看模型平均准确率，还要看错误发生后会造成什么后果，以及产品能否限制风险。”马喆成认为，新型风险主要体现在六个方面。

第一，错误推断与误分类。例如，在一个假设的智能烹饪场景中，如果设备错误判断食材状态，而识别结果又参与加热控制，就可能影响温度或加热时长。这里需要验证的不只是识别功能，还包括错误结果能否被控制系统限制。

第二，模型漂移与性能退化。产品进入真实家庭后，环境、数据和使用习惯会不断变化，模型表现可能偏离最初的验证结果。实验室中表现良好，不等于在整个使用周期内都能保持相同水平。

第三，训练和验证场景覆盖不足，即遇到训练或验证未充分覆盖的输入。例如，假设洗衣机遇到训练中很少出现的特殊面料或混合衣物，原有识别能力可能不足，进而影响洗护方案。

第四，对抗攻击与数据投毒。恶意输入、被操纵的数据或模型篡改，可能影响系统判断。这类问题说明，人工智能安全与网络安全需要协同考虑，但二者并不能相互替代。

第五，低置信度输出与失效响应。模型判断不确定时，产品是否能够识别这种不确定性，并采取适当的告警、限制或安全响应，是重要的评价内容。

第六，系统级联动风险。在全屋智能场景中，一个错误判断可能触发多个设备，风险会从单一产品扩展到系统层面。

从工程角度出发，马喆成建议把验证重点从“正常情况下功能是否有效”，进一步扩展到“边界情况下表现怎样、判断错误时如何处理、异常能否被限制”。人工智能安全能力，不是承诺算法永不出错，而是识别可能的错误，并让产品在错误和不确定性面前仍然保持可控。

从数据保护到全生命周期防护

AI正在处理更多家庭行为、健康偏好与个人数据，安全风险也从设备本身扩展到数据和信任。公众信任不能只依赖一句“数据是安全的”或“算法是可靠的”。企业需要用清晰的控制边界、可理解的用户交互和可追溯的验证证据，让用户知道设备能做什么、不能做什么，以及出现异常时会怎样处理。

“应当把数据保护、人工智能可信和设备安全放在同一个产品架构中考虑，而不是分别交给不同团队，最后再做拼接。数据隐私、控制与监督、透明度、数据治理和生命周期管理，都是这一整体思路的重要组成部分。”马喆成说。

他还强调，在工程实践中应该重点做好四件事。首先，从设计源头控制数据使用范围。先回答“实现这项服务究竟需要什么数据”，再决定如何采集和处理，而不是先尽可能多地收集。对于可以在设备本地完成的处理，应评估是否有必要上传云端；对于家庭行为和健康偏好等信息，应明确用途、访问权限和保存期限，并提供清晰、可理解的用户控制方式。

其次，把设备、应用程序和云平台作为一个整体进行防护。建议结合产品风险，落实身份认证、最小权限、敏感信息保护、安全通信和软件更新验证，并建立漏洞接收与处置机制。消费类物联网安全框架也将密码保护、安全通信、软件更新和漏洞处理作为重要内容。

第三，既要防止数据泄露，也要防止数据和模型被不当修改。从工程角度来看，应当能够追溯数据来源、模型版本和更新记录，并验证异常输入、数据变化或模型变更是否影响安全相关行为。对于涉及物理控制的功能，还应设置明确的动作限制和安全保护，不能让未经验证的算法输出直接获得不受约束的控制权限。

第四，把防护延伸到上市之后。产品更新了模型、软件或云端服务，就需要判断原有验证结论是否仍然适用。建议建立运行监测、异常处置、版本追溯和必要的恢复机制，同时向用户说明关键功能的限制以及可以采取的干预方式。

智能家电三层安全防护体系

马喆成在演讲中提出的三层安全防护体系，是一种便于理解和实施的组合式评价思路，并不意味着完成三项测试就能覆盖全部安全与合规要求。三层体系分别关注控制安全、人工智能可信，以及联网系统的持续安全运行，需要结合具体产品功能和风险进行衔接。

马喆成解释，三层体系可以概括为三个问题：控制是否安全，人工智能是否可信，系统能否持续可信运行。三层之间需要通过风险分析和验证证据连接起来，而不是各自完成后就彼此割裂。

具体而言，三层体系分别承担不同的评价任务。

第一层，是控制与功能安全底座。这一层以UL/IEC 60730等适用的控制安全要求为基础，既关注控制器本身的安全，也关注与设备安全有关的控制功能。正常运行时的运行控制与异常运行时防止危险的保护控制，应按各自功能和适用要求评价；对于承担保护功能的电子控制，还需重点关注软件失效防护、故障检测和安全响应。无论上层人工智能多么复杂，设备最终仍可能通过电机、加热器、泵、阀等部件影响物理世界，因此底层控制安全不能被弱化。从设计角度，马喆成建议明确人工智能功能与安全保护之间的关系。例如，当算法输出不合理，或传感器、通信发生异常时，系统应当能够按照预先定义并经过验证的策略限制动作或进入安全状态。具体保护措施需要根据风险分析确定，而不是所有设备采用同一种处理方式。

第二层，是人工智能可信与决策安全。这一层对应UL 3115的评价框架。该框架提供跨产品类别的横向评价要求，需要与相应的产品标准结合使用，而不是替代终端产品安全要求。评价内容围绕技术、伦理和治理展开，涉及鲁棒性与可靠性、风险管理、质量管理、人工智能功能安全、公平性与偏差、数据隐私、控制与监督、透明度与可解释性、数据收集与分析、文档与报告，以及生命周期管理等方面。这一层不仅问“模型能否完成任务”，还要问：“在什么条件下完成任务？验证覆盖了哪些场景？存在什么限制？谁能够监督和干预？模型更新后，怎样证明安全相关表现没有受到不可接受的影响？”

第三层，是网络安全与系统韧性。这一层关注设备连接云端、接受远程更新和参与跨设备联动之后的风险，包括身份与访问控制、安全通信、更新保护、漏洞管理，以及异常情况下的响应和恢复。功能安全与网络安全需要从产品生命周期早期协同考虑。

同时，马喆成建议企业特别验证断网、云服务不可用、更新失败和联动异常等情况。所谓“韧性”，不只是抵御攻击，也包括异常发生后，系统能否限制影响、维持必要的安全功能，并按经过验证的方式恢复。

助力全球市场准入的整体合规闭环

针对人工智能家电，马喆成认为，合规工作应当尽早进入研发流程，而不是等产品定型后再寻找测试和认证方案。UL Solutions提供的人工智能安全评价、功能安全、网络安全及市场准入相关服务，可以支持企业在不同阶段识别要求、开展评价并准备相应证据。具体服务范围仍需根据产品、目标市场和项目情况确定。

马喆成表示，从技术路径看，可以围绕四个环节建立闭环。

第一，在设计早期明确功能边界和评价范围。先弄清楚人工智能承担什么功能、影响哪些设备动作、是否涉及安全相关控制，以及产品将进入哪些市场。UL Solutions公开介绍的UL 3115评价流程包括界定预期用途、人工智能功能、适用要求和评价边界。范围越早明确，后续验证越有针对性。

第二，把风险分析转化为可验证的设计要求。企业需要识别可能出现的危险、失效和误用情形，再确定相应的控制措施。UL Solutions建议把“风险是什么、由谁控制、怎样验证”明确到具体功能，而不是只形成一份与设计脱节的风险清单。第三方评价可以审查相关风险管理实践、设计和测试证据，帮助企业识别需要进一步解决的问题。

第三，构建可追溯的证据链。从工程管理角度，他建议把功能要求、风险分析、控制措施、测试结果、模型与软件版本，以及变更记录连接起来。由此，企业不仅能够展示“测试通过”，还能够说明“针对什么风险、在什么条件下、对应哪个产品、模型或软件版本”。UL Solutions的人工智能安全评价流程可包括质量与风险管理评估、设计与测试证据审查以及发现项的处理，其具体范围依项目而定。

第四，将市场准入与上市后的持续管理连接起来。不同市场的产品安全、无线连接、网络安全和数据相关要求存在差异。UL Solutions可通过市场要求研究、差距分析、测试认证和合规管理工具等服务，支持企业梳理市场准入路径；产品发生更新或要求发生变化后，也需要重新判断其影响。

马喆成同时强调，一项人工智能安全评价或一张证书，并不等于自动满足所有市场的全部要求。UL 3115需要与适用的产品标准结合，全球准入也需要根据产品和市场逐项判断。他表示：“我们希望支持企业建立的，不只是上市前的一次性合规结果，而是一套能够伴随产品持续运行和更新的证据体系。让创新有边界、风险有控制、验证有依据、变更可追溯，才能更稳健地推动人工智能家电走向全球”。