安全與智能的雙向奔赴,安恒信息先行一步

人類文明發展的長河中,每一次技術變革都重新書寫了安全的定義。

從蒸汽機的轟鳴到電力的普及,從互聯網的誕生到人工智能的崛起,技術創新與變革從未停止對于安全的挑戰。今天,我們又站在一個關鍵的歷史節點:AI大模型的快速發展和智能體應用的大量涌現,不僅讓網絡攻擊側發生巨大變革,也衍生出數據投毒、模型攻擊、模型竊取、內容安全等一系列全新安全挑戰。

這些挑戰不是AI技術變革中的偶然現象,而是AI大模型、智能體在規模與復雜性突破臨界點之后的必然結果。因此,安全產業全面走向重構成為大勢所趨,即安全技術體系本身需要跟上技術變革的步伐,亦需要成為推動AI未來發展的基石,這無疑構成了一道時代命題:如何讓安全更智能,又如何讓智能更安全?

作為業界最早布局AI戰略的安全廠商之一,安恒信息一直致力探索安全與智能的深度融合,無論是基于恒腦構建的“讓安全更智能”產品與能力體系的持續迭代,還是“讓智能更安全”——“4+4”解決方案的發布,亦或是安全運營服務體系的探索與重構,無不彰顯出安恒信息在AI時代創新的決心。

正如安恒信息董事長范淵在2025西湖論劍AI+新品發布會上所言:“智能與安全猶如硬幣兩面:沒有安全的智能是危險的、沒有智能的安全是滯后的。安恒信息的答案是通過‘技術共生’實現‘雙向奔赴’——以AI驅動安全能力的進化,以安全護航AI應用的落地。”

恒腦 3.0:為安全與智能深度融合打樣兒

大模型等AI技術的崛起,讓網絡攻擊側的邏輯徹底改變,呈現出智能化、自動化和多維化的趨勢。AI技術不僅帶來攻擊門檻和成本的大幅降低,讓攻擊效率大幅提升;更重構了攻擊的范式,攻擊的實時性、規模、范圍乃至危害性遠勝以往。

與此同時,傳統安全的方法論、技術、產品乃至人員服務的短板與瓶頸全面凸顯。一方面,AI時代的攻防實戰全面走向常態化,大量專業的安全產品、工具猶如一個個孤立的能力點,這些能力點自身不僅需要持續進化,還迫切需要以點成線、線成面、面成體,從而讓整個安全能力體系全面重構;另一方面,傳統攻擊和新型攻擊交織的復雜局面下,安全技術人員所扮演的角色也在悄然變化,技術人員的能力與效率需要迎合AI時代攻防需求的新變化。

如何破解當下這種局面?讓安全更加智能成為關鍵,安全與智能開始走向深度融合。這其中,安全垂域大模型又是最重要的抓手。尤其是智能體時代的到來,安全垂域大模型不僅是安全智能體等新型安全產品的底座,驅動著安全產品的持續迭代與創新;更是整個安全能力體系重構的根基,牽引著安全能力從孤立點狀走向線、面、體的融合。

安恒信息董事長范淵直言:“安全與智能密不可分,安全的邊界決定著智能的發展疆域,而智能的高度也將重塑安全的維度。”

事實上,讓安全更加智能,除了安全垂域大模型本身能力的創新之外,更離不開安全產品、能力和業務場景深度結合。以安恒信息為例,從2023年8月份推出恒腦 1.0大模型,到恒腦 2.0以“智能體”形態實現跨越式進化,再到如今具備自主智能狀態的恒腦 3.0,安恒信息一直在產業界先行一步,以恒腦+全棧產品為核心戰略,持續迭代安全垂域大模型的同時,致力于將大模型能力深度融入安全垂直應用場景。

據悉,恒腦 3.0 作為中國首個安全 AI智能體(AI Agent),在泛連接、高交互、全模態領域實現重大躍升。所謂泛連接,即在全球共識的MCP協議上,大量集成插件,使得恒腦 3.0 能完成的工作與能力大幅拓展;而高交互則是針對大量智能體的產生和跨平臺的智能體,恒腦 3.0 基于A2A協議,實現多智能體交互協同;全模態則是進一步提升數據處理能力,支持跨模態的數據轉化,讓智能體更好地完成復雜任務。

基于恒腦 3.0,安恒信息實現全棧產品核心能力突破,涵蓋檢測類、網關類、服務類、平臺類等多個領域,并構建起全方位、多層次的安全產品矩陣。

以數據分類分級為例,過去強依賴人工與工具,安恒信息通過數據分類分級智能體,將分類分級效率大幅提升30倍;又如,數據泄露一直是用戶們的老大難問題,過去極其依靠專家去配置策略和篩查風險,安恒信息借助恒腦 3.0則讓篩查效率提升50倍以上;再如,基于AI驅動的DevSecOps一站式平臺,通過AI威脅建模、組件漏洞分析等能力,助力企業應對合規檢查,實現智能判定與修復。

如今,基于恒腦,安恒信息正徹底重塑安全防護體系,引領“讓安全更智能”。在安恒信息CTO 劉博看來,安恒信息的核心優勢在于:

  • 大模型技術門檻依然很高,To B垂直領域尤甚,而安恒信息從2022年一直深耕大模型技術領域,積累起相對豐富的經驗;
  • 安恒信息成立十八年,擁有豐富的安全知識與經驗,通過將安全知識、經驗與大模型持續融合,確保大模型在安全業務領域更加可靠、穩定;
  • 致力于探索大模型與安全產品的深度結合,不僅與真實業務場景深度融合,而且上線快、可復制、體驗化,能夠真正讓用戶感知到大模型的價值所在。

讓智能更安全:安恒信息先行一步

任何技術的變革與突破都會面臨現實困境:技術變革往往需要突破傳統模式的確定性邊界;而邊界的模糊,則可能成為安全風險的溫床,不重視就會釀成系統性危機。

近年來,AI技術的不斷突破與快速發展,也使得智能的安全挑戰不可低估。ChatGPT、LLaMA等大模型因為漏洞引發的一系列安全事件,充分表明“讓智能更安全”已刻不容緩。

當下,大模型已進入到規模化商用的新階段,逐漸被個人和千行百業所接受和使用。但大模型依然面臨著數據安全與信息泄露、模型濫用與對抗攻擊、內容安全與合規風險、模型幻覺與事實性錯誤等一系列安全風險挑戰。

例如,攻擊者向大模型發起多次惡意提問,輸入包含特殊編碼的提示詞,繞過系統輸入過濾機制,成功獲取隱私數據;有些金融用戶部署的大模型疏于安全防護,使得黑客通過未加密的API接口發起攻擊,竊取用戶敏感數據;在醫療領域,攻擊者上傳含有對抗性擾動的影像數據,結合精心設計的文本指令,成功誘導系統做出誤判。

此外,智能體從2025年開始全面崛起,這會使大模型存在的上述安全風險進一步放大;并且,智能體具備自主決策能力,可能會被攻擊者惡意利用;更加重要的是,智能體應用成為關鍵趨勢,多個智能體在復雜場景中需要頻繁交互,此過程容易存在安全隱患;而且自動駕駛、無人機操作等物理環境中的安全風險也不可低估。

此時此刻,很多企業往往處于“摸著石頭過河”的狀態,對于大模型和智能體所面臨的安全風險和應對措施并不清晰。在安恒信息高級副總裁楊勃看來,面對大模型和智能體帶來的一系列安全風險,企業首先需要從構建大模型應用開始,就將安全理念設計進來,而不是等安全風險發生之后再去思考和應對;其次,大模型需要從建設、運維和監管等多個維度入手,實現全生命周期的安全防護;第三,大模型的安全還需要根據場景的差異來采用不同的應對措施。

為此,安恒信息基于這些年的實踐與探索,率先在業界推出“4+4”解決方案:4個大模型安全產品(掃描、服務、終端、網關)+4大場景解決方案(企業大模型安全解決方案、智算中心一體化安全解決方案、政數局AI安全解決方案和AI大模型安全檢測管理解決方案),全方位保障大模型的安全運行。

以政務領域為例,政務數據泄露往往會帶來極大隱患,同時生成內容偏差會影響公共決策,并且對合規性要求極高。而安恒信息政數局AI安全解決方案為AI應用提供全流程保護,包括數據脫敏、內容審核、攻擊檢測、全量審計等功能,廣泛應用于語料庫脫敏、合規審核、大模型攻擊防護等場景,有效降低數據泄露風險,確保AI應用安全穩定運行。

又如,很多行業用戶當下都有著本地部署DeepSeek等先進國產大模型的需求,隨之而來就面臨主機安全防護薄弱、內容輸出合規性難控、數據泄露風險加劇以及運維安全保障不足等安全挑戰,安恒信息的企業大模型安全解決方案具備大模型全生命周期防護架構,能夠構建一套覆蓋全流程的安全防護體系,為企業大模型的構建與應用提供多重安全防護。

“大模型的構建與應用,并不意味著傳統網絡安全的防護任務就減少,反而衍生出更加高級的安全挑戰,像智能體采用的MCP等協議本身就沒考慮太多安全措施,后續隨著智能體的爆發,相應的安全風險問題會呈現指數級的增長。”楊勃介紹道。

安全服務:因大模型全面走向重塑

與國外安全服務高度SaaS化不同,中國安全服務市場在過去20年中一直都存在著需求側與供給側之間的“矛盾”。在需求側,用戶往往想購買高質量的專家服務,不滿意低成本的人工服務;而處于供給側的廠商,則需要考慮投入和產出,并不能夠很好地平衡需求與成本。

“安全服務一直面臨這個問題。今天,在市場告別高速增長的趨勢下,安全廠商如何既能為用戶提供高質量的安全服務,又能向服務要利潤,基于AI大模型的智能安全服務是非常好的解決路徑。”安恒信息CSO袁明坤如是說。

眾所周知,運營是安全成功的關鍵。當下,面對新舊攻擊交織的復雜局面,傳統安全運營模式的效率和服務質量已經舉步維艱。在袁明坤看來,安全服務將基于AI大模型全面走向重塑。

首先,安全服務模式將從傳統“人力密集型”轉向“智能驅動型”,過去堆人頭的方式在變化多端的需求中無法勝任,安全專家+眾多安全智能體的人機協作模式,將會極大推動智能安全服務時代的到來。

其次,高質量的安全智能體不斷出現,將能夠自主完成風險評估、合規審計、事件溯源等一系列流程服務,這不僅帶來了效率的大幅提升,更意味著安全服務的邊際成本有望大幅降低,并讓高質量服務有衡量的依據,進而會增加用戶對于安全服務的付費意愿。

第三,AI能力賦能安全服務之后,安全有望從“被動防御”向“智能自治”進行轉變。

事實上,安恒信息近年來一直在實戰中探索安全服務的轉型。通過亞運會、亞冬會等一系列重大活動的安保實踐中,逐步探索出DASOF智能安全運營服務框架,以恒腦大模型為底座、驅動重構安全開發供應鏈安全、識別、保護、監測、響應、運營優化等,推動安全服務的全面轉型。2025年5月,安恒信息將AI能力賦能的安全服務,正式升級為智能安服。

“Gartner預測,到2028年,將有15%的工作由智能體決策完成。在安全服務領域,由智能體自主決策完成的安全服務將快于其他領域,并且比例也將會越來越高。”袁明坤最后表示道。

綜合觀察

站在智能時代的門檻回望,人類文明史本質上是安全與創新的平衡史。AI技術的崛起,我們既不能因恐懼風險而扼殺創新,也不能盲目樂觀而放任失控。智能與安全的這一場雙向奔赴,是數字文明不斷進化的必然選擇。在這場沒有終點的進化征程中,智能與安全的共舞,才剛剛奏響序曲,而安恒信息對于“讓安全更智能”和“讓智能更安全”的探索,無疑為序曲寫下完美的音符。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/pingmian/81161.shtml
繁體地址,請注明出處:http://hk.pswp.cn/pingmian/81161.shtml
英文地址,請注明出處:http://en.pswp.cn/pingmian/81161.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

【Reality Capture 】02:Reality Capture1.5中文版軟件設置與介紹

文章目錄 一、如何設置中文二、如何設置界面分區三、如何切換二三維窗口四、工具欄有多個視圖選項卡RealityCapture是虛幻引擎旗下一款三維建模軟件,跟我們常用的三維建模軟件一樣,可以從圖像或激光掃描中創建實景三維模型和正射影像等產品。可用于建筑、測繪、游戲和視覺特效…

真題卷001——算法備賽

藍橋杯2024年C/CB組國賽卷 1.合法密碼 問題描述 小藍正在開發自己的OJ網站。他要求用戶的密碼必須符合一下條件: 長度大于等于8小于等于16必須包含至少一個數字字符和至少一個符號字符 請計算一下字符串,有多少個子串可以當作合法密碼。字符串為&am…

17.three官方示例+編輯器+AI快速學習webgl_buffergeometry_lines

本實例主要講解內容 這個Three.js示例展示了如何使用BufferGeometry創建大量線段,并通過**變形目標(Morph Targets)**實現動態變形效果。通過隨機生成的點云數據,結合頂點顏色和變形動畫,創建出一個視覺效果豐富的3D線條場景。 核心技術包括…

InfluxDB 2.7 連續查詢實戰指南:Task 替代方案詳解

InfluxDB 2.7 引入了 Task 功能,作為連續查詢(CQ)的現代替代方案。本文詳細介紹了如何使用 Task 實現傳統 CQ 的功能,包括語法解析、示例代碼、參數對比以及典型應用場景。通過實際案例和最佳實踐,幫助開發者高效遷移并…

Pytorch張量和損失函數

文章目錄 張量張量類型張量例子使用概率分布創建張量正態分布創建張量 (torch.normal)正態分布創建張量示例標準正態分布創建張量標準正態分布創建張量示例均勻分布創建張量均勻分布創建張量示例 激活函數常見激活函數 損失函數(Pytorch API)L1范數損失函數均方誤差損失函數交叉…

大模型在數據分析領域的研究綜述

大模型在業務指標拆解中的應用場景與方法研究 隨著人工智能技術的快速發展,大模型(Large Language Models, LLMs)在數據分析領域的應用日益廣泛。尤其是在業務指標拆解這一復雜任務中,大模型展現了其獨特的價值和潛力。通過對多維…

JAVA:ResponseBodyEmitter 實現異步流式推送的技術指南

1、簡述 在許多場景下,我們希望后端能夠以流式、實時的方式推送數據給前端,比如消息通知、日志實時展示、進度條更新等。Spring Boot 提供了 ResponseBodyEmitter 機制,可以讓我們在 Controller 中異步地推送數據,從而實現實時流式輸出。 樣例代碼:https://gitee.com/lh…

Spring Boot循環依賴的陷阱與解決方案:如何打破“Bean創建死循環”?

引言 在Spring Boot開發中,你是否遇到過這樣的錯誤信息? The dependencies of some of the beans in the application context form a cycle 這表示你的應用出現了循環依賴。盡管Spring框架通過巧妙的機制解決了部分循環依賴問題,但在實際開…

如何閱讀、學習 Tcc (Tiny C Compiler) 源代碼?如何解析 Tcc 源代碼?

閱讀和解析 TCC(Tiny C Compiler) 的源代碼需要對編譯器的基本工作原理和代碼結構有一定的了解。以下是分步驟的指南,幫助你更高效地學習和理解 TCC 的源代碼: 1. 前置知識準備 C 語言基礎:TCC 是用 C 語言編寫的&…

Java Set系列集合詳解:HashSet、LinkedHashSet、TreeSet底層原理與使用場景

Java Set系列集合詳解:HashSet、LinkedHashSet、TreeSet底層原理與使用場景 一、Set系列集合概述 1. 核心特點 無序性:存取順序不一致(LinkedHashSet除外)。唯一性:元素不重復。無索引:無法通過索引直接訪…

解決 CentOS 7 鏡像源無法訪問的問題

在國內使用 CentOS 系統時,經常會遇到鏡像源無法訪問或者下載速度慢的問題。尤其是默認的 CentOS 鏡像源通常是國外的,如果你的網絡環境無法直接訪問國外服務器,就會出現無法下載包的情況。本文將介紹如何修改 CentOS 7 的鏡像源為國內鏡像源…

云計算與大數據進階 | 26、解鎖云架構核心:深度解析可擴展數據庫的5大策略與挑戰(上)

在云應用/服務的 5 層架構里,數據庫服務層穩坐第 4 把交椅,堪稱其中的 “硬核擔當”。它的復雜程度常常讓人望而生畏,不少人都將它視為整個架構中的 “終極挑戰”。 不過,也有人覺得可擴展存儲系統才是最難啃的 “硬骨頭”&#…

Linux——UDP/TCP協議理論

1. UDP協議 1.1 UDP協議格式 系統內的UDP協議結構體: 注1:UDP協議的報頭大小是確定的,為8字節 注2:可以通過報頭中,UDP長度將UDP協議的報頭和有效載荷分離,有效載荷將存儲到接收緩沖區中等待上層解析。 注…

考研復習全年規劃

25考研以330分成功上岸。 備考期間,我深知學習規劃的重要性,為大家精心整理了一份初試備考時間線任務規劃,希望能為正在備考的同學們提供參考。如果你對如何規劃學習路線仍感迷茫,不妨參考這份時間表,合理分配時間&…

PhpStudy | PhpStudy 環境配置 —— PhpStudy 目錄結構 環境變量配置 · Windows 篇

🌟想了解這個工具的其它相關筆記?看看這個:[網安工具] 服務器環境配置工具 —— PhpStudy 使用手冊 在前面的章節中,筆者詳細介紹了如何在 Windows 和 Linux 系統中安裝 PhpStudy,但可能會有崽崽在安裝完成后發現依舊…

DDS(數據分發服務) 和 P2P(點對點網絡) 的詳細對比

1. 核心特性對比 維度 DDS P2P 實時性 微秒級延遲,支持硬實時(如自動駕駛) 毫秒至秒級,依賴網絡環境(如文件傳輸) 架構 去中心化發布/訂閱模型,節點自主發現 完全去中心化,節…

java中XML的使用

文章目錄 什么是XML特點XML作用XML的編寫語法基本語法特殊字符編寫 約束XML的書寫格式DTD文檔schema文檔屬性命名空間XML命名空間的作用 解析XML的方法??DOM解析XMLDOM介紹DOM解析包:org.w3c.dom常用接口DOM解析包的使用保存XML文件添加DOM節點修改/刪除DOM節點 S…

Spring Boot異步任務失效的8大原因及解決方案

Spring Boot異步任務失效的8大原因及解決方案 摘要:在使用Spring Boot的@Async實現異步任務時,你是否遇到過異步不生效的問題?本文總結了8種常見的異步失效場景,并提供對應的解決方案,幫助你徹底解決異步任務失效的難題。 一、異步失效的常見場景 1. 未啟用異步支持 ? …

QT6 源(104)篇一:閱讀與注釋QAction,其是窗體菜單欄與工具欄里的菜單項,先給出屬性測試,再給出成員函數測試,最后給出信號函數的學習于舉例測試

(1) (2) (3)接著給出成員函數測試 : (4) 給個信號函數的舉例 : (5) 謝謝

visual studio生成動態庫DLL

visual studio生成動態庫DLL 創建動態庫工程 注意 #include “pch.h” 要放在上面 完成后點擊生成 創建一個控制臺項目 設置項目附加目錄為剛才創建的動態庫工程Dll1: 配置附加庫目錄: 配置動態庫的導入庫(.lib):鏈…