MoAI安全综述：提出三大安全支柱与四层架构
这篇论文是MoAI安全的第一张完整地图，告诉你手机本地AI有哪些攻击面，以及如何系统性地思考防御。
当AI模型从云端部署到手机本地（MoAI），隐私提升但模型暴露风险增大。墨尔本大学等发表的首篇MoAI安全综述，将系统拆为输入、模型、运行时、硬件四层，提出三大安全支柱——输入可信、模型可靠、环境安全，并梳理五类攻击与防御。
正文摘录
 新智元报道  过去很长一段时间里，移动 AI 服务大多是一个「云端故事」：手机采集语音、图像、文本、位置和上下文，把请求传到服务器，等云端大模型完成推理，再把结果显示给用户。 这套模式简单、可扩展，也方便服务商集中管理模型。但在现实场景里，它天然有三重代价： 敏感数据要离开设备，网络传输会带来延迟，没网或弱网时智能功能直接降级。 现在，硬件升级和模型优化给出了另一条路。 墨尔本大学、RMIT 大学和南洋理工大学联合发布的最新研究论文指出，Google Tensor、Apple Neural Engine、Qualcomm Hexagon 等移动端 AI 硬件，以及面向本地部署的轻量化、多模态、生成式和推理模型，正在把越来越多 AI 能力推向终端设备。 于是，Mobile On-device AI（MoAI）正成为移动智能服务的重要范式：AI 模型不再需要部署在云上，而是以 LiteRT/TFLite、Core ML、ExecuTorch、ONNX 等形式，真实地存储、加载、运行在用户手机里。 对用户来说，这意味着更低延迟、更强隐私保护，以及离线可用的 AI 功能。对开发者来说，这意味着模型离用户更近，体验更顺滑。但对安全研究者来说，这也意味着一个更复杂的问题： 当模型部署在用户设备上，谁来保护模型本身？谁来保证输入可信？谁来约束运行环境？