为什么微软认为单一AI模型不足以阻止下一次攻击

防御的算法已经改变。攻击者现在利用AI发现漏洞、串联利用路径并扩大攻击行动，速度之快远超任何人类团队的应对能力。传统网络安全堆栈是为人类行为者世界设计的，无法跟上永不休息的代理的步伐。

周三，微软公布了其答案：Project Perception，一个建立在新型网络安全堆栈之上的系统，将AI视为既是威胁又是盾牌。该公司认为，安全需要从生成警报转向持续的感知、推理和行动，并且没有单一AI模型能够完成所有任务。

三个代理，一个循环

Project Perception协调三类专用代理。红队代理在攻击者利用之前探测弱点。蓝队代理调查信号并确定什么是真正的风险。绿队代理采取纠正行动并加强整个环境的防御。它们共同形成一个闭环，持续发现、评估和改善组织的安全态势。

这种代理方法并非全新。我们最近报道过的Sakana的Fugu-Cyber也使用多个子代理在建议补丁之前验证漏洞。但微软带来了初创公司无法提供的东西：跨身份、端点、云和AI系统的深度集成，以及保护全球最大企业客户数十年积累的威胁情报。

为什么单一模型不够

Project Perception的核心架构赌注是多模型。微软认为，没有任何单一模型对每项安全任务都是最优的。质量、可靠性、延迟和成本都影响着哪个模型被调用于哪项工作。系统持续为每个工作流选择最合适的模型，根据需要在前沿模型和专用网络安全模型之间切换。

第一个具体示例是软件漏洞管理。微软将其专用模型MAI-Cyber-1-Flash整合到MDASH中，这是其现有用于漏洞分析的多模型代理团队。结果：在CyberGym基准测试中达到96%，比Mythos高出12个百分点，并且与当前MDASH配置相比节省了近50%的成本，根据微软的说法。

节省成本很重要，因为安全是一项始终在线的任务。可持续的经济性是规模化运行代理防御的先决条件，微软在其公告中反复强调这一点。

网络安全堆栈的重构

微软描述了一个包含七层的新型堆栈：信号与传感器、安全上下文（资产、身份和风险的持续更新表示）、模型、协调模型与代理的框架、代理本身、将决策转化为保护行动的执行器，以及信任与负责任的AI原则基础。

安全上下文层尤其重要。Project Perception不是迫使代理自行收集和关联原始信号，而是提供一个共享、近乎实时的环境理解。这减少了代理对风险进行推理所需的时间、计算和成本，同时提高了一致性。

这类基础设施正是行业在诸如自主AI代理入侵Hugging Face等事件后所需要的，该事件展示了攻击者能够多么容易地将恶意代码注入构建管道，并通过凭证盗窃持久化。那次攻击最终利用AI辅助分析检测到，同样使其成为可能的技术也帮助阻止了它。

基准测试的意义

在CyberGym上达到96%是一个很强的数字，但独立验证很重要。微软表示CyberGym是行业领先的基准测试，比Mythos高出12个点表明实际改进。然而，与任何供应商的说法一样，基准测试与现实世界保护之间的差距是攻击者生存的地方。多模型架构本身可能比任何单一得分更重要，因为它允许系统随着新模型和威胁模式的出现而适应。

8月3日及未来

Project Perception将于8月3日进入公开预览。微软计划将MAI-Cyber-1-Flash扩展到漏洞管理之外更多的安全工作流。该系统继承了该公司现有的安全、合规和治理控制措施，这应该会降低已经使用微软堆栈的企业采用的门槛。

然而，更大的故事是安全行业已进入新阶段。AI驱动的攻击与AI驱动的防御之间的军备竞赛不再是理论上的。微软的赌注, , 获胜的方法是让一组专用模型协同工作，而不是任何单一模型, , 是一个值得密切关注的方向。