面向AI时代重新思考安全

导语：网络安全的底层逻辑正在被AI重写。微软推出Project Perception，以智能体安全系统重新定义防御范式，用AI抵御AI。

网络安全的底层逻辑正在发生改变。自主系统如今能够推理、适应并持续运行。与此同时，攻击的成本正在不断降低，而需要保护的对象在规模、速度和复杂度上持续增长。攻击者可以更快地生成漏洞利用，更大规模地扩展攻击活动，并以前所未有的效率运作。为人类行为者世界构建的方法，已经无法跟上AI、智能体以及机器速度攻击的节奏。

安全需要一个新的Cyber Stack。新的Cyber Stack必须能够持续感知整个数字资产的风险，在海量上下文中进行推理，并以机器速度采取行动。它必须随着环境的变化而学习和适应，帮助组织始终走在威胁前面。因为安全归根结底是一项人类使命，新的Cyber Stack还必须以更深入的洞察和更强大的行动方式赋能防御人员。下一代安全系统的决定性特征，不在于能否生成更多的告警，而在于能否持续地感知、推理和行动。

正是这一愿景促使我们构建了Project Perception。这是一个面向AI现实全新设计的智能体安全系统。它利用AI将信号转化为实时防御能力，以AI抵御AI。Project Perception将信号、上下文、模型和专业智能体整合为一个持续学习的防御体系。它能够以机器速度进行推理、确定优先级并采取行动，同时让人始终牢牢掌握控制权，并通过强大的新工作流赋能人类。

Project Perception基于一个简单的理念：有效的防御需要持续理解攻击者如何看待世界、防御者如何评估风险，以及防护措施如何随时间改进。为此，Perception协调三类专业智能体协同工作。红队智能体在攻击者利用之前识别潜在的入侵路径；蓝队智能体调查、推理上下文，并确定哪些代表真正的风险；绿队智能体采取纠正行动并加强整个环境的防御。这些智能体共同构成一个闭环系统，持续发现、评估并改进组织的安全态势。

像Project Perception这样的系统，其有效性取决于其可见性、可执行的操作、构建团队的经验以及可用的模型。微软同时具备这四方面能力。我们在身份、终端、应用、数据、云和AI系统中提供广泛可见性，跨越整个数字资产。重要的是，我们能够帮助客户在这些环境中采取行动。结合数十年的安全研究、威胁情报以及防御组织的真实运营经验，这些能力塑造了Project Perception如何推理、确定优先级并做出响应。

安全是一项全天候的使命。组织需要高效、持续可用且经济可扩展的保护。这不仅需要访问最强大的模型，还需要将合适的模型应用于合适的任务。Project Perception采用多模型架构，结合前沿模型与专业安全模型，在质量和成本两方面进行优化。作为这一多模型战略的一部分，我们致力于为客户提供针对每项安全任务的最佳模型，包括通过我们自研的专业模型进行创新。第一个应用场景是软件漏洞管理，将MAI-Cyber-1-Flash集成到我们的软件漏洞多模型智能体团队MDASH中。集成MAI-Cyber-1-Flash的MDASH在行业领先基准CyberGym上取得96%的成绩，比Mythos高出12分，并且相较当前市场上MDASH的配置节省了近50%的成本。这正是经过良好调优的多模型系统结合独特丰富历史训练数据的威力。接下来，Project Perception将在更多安全工作流中利用MAI-Cyber-1-Flash，覆盖软件漏洞以外的场景。

我们正通过Project Perception将这一愿景带给全球客户，该系统将于8月3日进入公开预览。要交付智能体安全，仅在现有工作流中添加智能体是不够的。它需要一个从零开始设计的全新Cyber Stack。该栈从跨数字资产的信号和传感器开始，安全上下文将这些信号转换为智能体可以使用的、token高效的理解；模型提供智能和推理能力；harness跨安全工作流协调模型与智能体；智能体将智能应用于安全工作流；执行器将决策转化为保护措施。这些层共同构成一个持续学习的系统，能够理解风险、适应变化的条件并随时间改善安全结果。虽然每一层都提供了重要能力，但Project Perception的力量源自它们如何协同工作。

有效的推理需要的不只是原始信号，智能体需要上下文。微软将其广泛的可见性、威胁情报和安全专业知识转化为安全上下文，将安全数据、知识和语义连接起来，跨越整个数字资产。其结果是组织资产、身份、关系、风险和活动的持续更新的表示，使智能体对其所协助防御的环境拥有共享的、近实时的理解。这一共享理解是Project Perception运作的基础。智能体无需持续从原始信号中收集、关联和重建上下文，而是能够立即且以token高效的方式访问推理风险、确定行动优先级和做出决策所需的信息。通过将每次交互根植于这种丰富的安全上下文，Project Perception提高了推理的准确性和一致性，同时降低了大规模运营所需的时间、算力和成本。没有单一模型能够成为每项安全任务的最优解，有效的网络防御需要在正确的时间将正确的模型应用于正确的问题。