课程导入：TinyML数据合规的为什么重要？学习目标、课程框架、适用人群与前置知识
TinyML（微型机器学习）正在将人工智能从云端数据中心推向我们身边的每一个微控制器——从智能手表中的心率监测，到工厂振动传感器上的预测性维护，再到智能音箱里的本地唤醒词检测。当模型推理发生在毫米级芯片上、当传感器数据在设备本地完成处理时，一个容易被忽视却至关重要的问题浮出水面：这些数据从采集、处理到存储的每一个环节，是否符合法律法规与伦理规范？ 本课程正是要回答这一问题——在TinyML的工程实践中，如何构建一套既高效又合规的数据处理体系。
上图展示了TinyML数据合规的三层知识架构：法律与监管层提供合规的"底线"约束，技术与工程层提供实现合规的"工具"，伦理与业务层则回答"为什么值得投入"的价值问题。三者交汇于TinyML数据合规的核心实践，并贯穿数据从采集到删除的全生命周期。这张图也是本课程后续所有章节的知识地图——每一章都会围绕其中一个或多个模块展开深入讨论。
一、为什么TinyML数据合规如此重要？
核心原理：TinyML设备通常部署在用户身边，持续采集环境或生物特征数据。与云端AI不同，TinyML的"边缘"属性使其数据合规面临独特挑战：设备资源极度受限（KB级内存）、网络连接不稳定、用户对设备内数据处理"黑箱"感知更强。合规不再是法务部门的纸面工作，而是直接影响产品能否上市、能否通过应用商店审核、能否获得企业客户信任的硬性门槛。
从法律环境看，全球数据保护法规正在快速收紧。欧盟GDPR（通用数据保护条例）对个人数据处理设置了严格的条件，违规罚款可达全球营业额的4%或2000万欧元（取较高者）；中国《个人信息保护法》（PIPL）于2021年生效，对敏感个人信息（如生物识别、健康数据）的处理提出了单独同意、影响评估等要求；美国各州如加州CCPA/CPRA也赋予消费者更多数据控制权。这些法规并不因设备"小"而豁免——恰恰相反，由于TinyML设备往往直接接触最私密的个人数据（心率、语音、位置、习惯），监管机构对其关注度正在上升。
判断方法：评估一个TinyML项目是否需要合规设计，可以从三个维度快速判断：
| 判断维度 | 关键问题 | 合规风险等级 |
|---|---|---|
| 数据类型 | 是否采集生物识别、健康、精确位置、儿童信息等敏感数据？ | 高（需重点设计） |
| 处理方式 | 数据是否离开设备？是否用于训练模型？是否与第三方共享？ | 中-高（取决于传输与共享范围） |
| 用户预期 | 用户是否清楚设备在采集什么、为何采集、如何停止？ | 中（影响信任与透明度） |
二、本课程学习目标
完成本课程后，学习者将能够：
- 识别合规风险点：在TinyML项目的需求分析阶段，准确识别哪些数据属于敏感数据、哪些处理行为触发法律义务。
- 设计隐私保护方案：掌握在资源受限的MCU上实现数据脱敏、差分隐私、安全聚合等技术的工程方法。
- 界定采集边界：根据"数据最小化"原则，确定传感器采集的频率、精度、时长和触发条件，从源头减少隐私暴露。
- 构建合规流程：建立从数据采集、处理、存储到删除的完整合规操作流程，并形成可审计的文档记录。
- 平衡合规与性能：理解隐私保护措施（如加密、脱敏）对TinyML模型精度、延迟、功耗的影响，并掌握优化权衡技巧。
三、课程框架总览
本课程共30章，分为六大模块，循序渐进地从理论到实践构建TinyML数据合规能力：
| 模块 | 章节范围 | 核心主题 |
|---|---|---|
| 模块一：基础与法规 | 第1-5章 | 合规重要性、GDPR/个保法解读、TinyML特有风险、合规设计原则 |
| 模块二：数据生命周期 | 第6-10章 | 采集边界、脱敏技术、加密存储、安全传输、数据删除机制 |
| 模块三：隐私增强技术 | 第11-16章 | 差分隐私、联邦学习、安全多方计算、可信执行环境、模型水印 |
| 模块四：工程实践 | 第17-22章 | MCU资源约束下的算法实现、功耗与隐私的权衡、硬件安全模块集成 |
| 模块五：行业案例 | 第23-27章 | 可穿戴设备、智能家居、工业预测性维护、医疗健康、智慧城市 |
| 模块六：合规管理 | 第28-30章 | 合规审计、DPIA（数据保护影响评估）、团队协作与合规文化 |
四、适用人群与前置知识
适用人群：本课程面向三类核心学习者：
- TinyML/嵌入式AI工程师：正在开发或计划开发边缘AI产品，需要确保产品符合法律法规要求，避免上市后遭遇合规风险。
- 产品经理与项目经理：负责AIoT产品规划，需要理解合规对产品功能、用户体验、成本的影响，以便做出合理的产品决策。
- 信息安全与法务人员：需要了解TinyML技术特点，以便将通用合规要求落地到具体的边缘设备场景中。
前置知识要求：
- 对机器学习基本概念有初步了解（如训练、推理、特征工程），不要求深入数学推导。
- 了解嵌入式系统的基本工作原理（如传感器读取、内存管理、通信协议），具备C/C++或Python基础更佳。
- 对数据隐私法规有基本认知（如听说过GDPR或个保法），但不要求法律专业背景。
五、常见误区与学习心态
在开始正式学习之前，有必要澄清几个常见误区，这些误区可能会影响你对课程内容的理解和应用：
误区一："合规 = 限制创新"。实际上，合规设计往往能催生更优的工程方案。例如，为了减少数据采集量而设计的自适应采样算法，不仅保护了隐私，还降低了功耗、延长了电池寿命——这是TinyML产品竞争力的核心指标。合规不是创新的对立面，而是高质量创新的催化剂。
误区二："我的设备不联网，所以没有数据安全问题"。即使设备完全离线，物理攻击（如通过调试接口读取Flash）、侧信道攻击（通过功耗分析推断数据处理内容）依然可能泄露数据。此外，设备在维修、回收、转售时，存储介质中的数据也可能被恢复。离线不等于安全，只是攻击面不同。
误区三："合规是法务部门的事，工程师只需要实现功能"。在TinyML领域，由于资源极度受限，很多合规要求（如数据脱敏、加密存储）必须在硬件和固件层面实现，无法通过事后管理弥补。工程师的每一个设计决策——从传感器选型到内存分配——都在影响产品的合规状态。合规是工程团队的职责，法务只是提供指导。
误区四："等产品做完了再考虑合规"。这是最危险的误区。如果产品架构已经定型，再回头增加隐私保护功能，往往需要重新设计硬件、重写固件，成本是早期设计的数倍甚至数十倍。合规必须从需求分析阶段就纳入设计流程，这也是本课程将"采集边界"放在早期章节的原因。
本课程的设计理念是：合规不是一项独立的任务，而是贯穿TinyML产品全生命周期的质量属性。每一章都会从具体的技术场景出发，分析合规要求、提供工程解决方案、并通过案例展示实际应用效果。我们不会停留在法律条文解读的层面，而是深入到寄存器配置、内存布局、通信协议这些工程师真正关心的细节中。