如何为受监管行业构建气隙隔离 AI 流水线

你已决定你的 AI 流水线必须气隙运行——与互联网物理隔离，无例外。本文涵盖在构建永远不会接触互联网的 AI 系统时，每个流水线阶段需要做出的架构决策。

流水线架构概述

┌──────────┐   ┌──────────┐   ┌──────────┐   ┌──────────────┐   ┌──────────┐
│  摄取    │──▶│  清洗    │──▶│  标注    │──▶│  增强        │──▶│  导出    │
│          │   │          │   │          │   │  (合成数据)   │   │          │
│ OCR      │   │ PII/PHI  │   │ NER      │   │ 本地 LLM     │   │ JSONL    │
│ PDF      │   │ 脱敏     │   │ 分类     │   │ 推理         │   │ COCO     │
│ 布局     │   │ 标准化   │   │ BBox     │   │              │   │ CSV      │
└──────────┘   └──────────┘   └──────────┘   └──────────────┘   └──────────┘

每个阶段写入本地审计日志。在气隙环境中，审计追踪是你唯一的数据处理证据。

阶段 1：数据摄取

气隙兼容 OCR：Tesseract 5.x、PaddleOCR、EasyOCR。 不兼容：Google Document AI、Azure Document Intelligence、AWS Textract（均为云 API）。

阶段 2：清洗和去标识化

气隙兼容：正则表达式模式匹配 + 本地加载的 spaCy NER 模型。

阶段 3：标注

气隙兼容：Prodigy（完全本地 Python 库）、原生桌面标注工具。 注意 Label Studio 自托管版本需检查外部调用。

阶段 4：合成数据增强

气隙兼容：Ollama + 本地托管模型、llama.cpp。 推荐 8B-14B 量化模型作为实用最佳选择。

阶段 5：导出

导出目标为本地存储——永远不是云对象存储。审计追踪文档必须随训练数据一起导出。

传输机制

所有软件和模型必须通过批准的物理媒体传输。

合规映射

参考架构

硬件：16+ 核、64 GB RAM、NVIDIA RTX 4090 或 A6000。 估计硬件成本：$8,000-$15,000（工作站级）或 $20,000-$40,000（服务器级）。

---