重新思考 AI 时代的网络安全

导语：2026 年 7 月 27 日，微软安全事业部执行副总裁 Hayete Gallot 发表署名文章，正式介绍面向 AI 时代构建的智能体安全系统 Project Perception（感知项目），并宣布该系统将于 8 月 3 日进入公开预览。文章阐述了在自主系统持续推理、攻击成本不断下降的背景下，传统以人为中心的安全方法已无法应对机器速度的攻击；新系统通过整合信号、上下文、模型与红/蓝/绿三类智能体，形成持续学习、闭环改进的防御体系。同时，文章披露了其多模型战略首个落地场景：在 MDASH 中引入专用模型 MAI-Cyber-1-Flash，在 CyberGym 基准上取得 96% 的成绩（高于 Mythos 12 个百分点），并相对现有配置节省近 50% 的成本。

网络安全的底层逻辑正在发生改变。如今，自主系统能够持续进行推理、适应环境并保持运行。与此同时，攻击的成本不断下降，而需要保护的对象在数量、速度与复杂度上持续增长。攻击者可以更快地生成漏洞利用、更大规模地开展攻击行动，并以前所未有的效率运作。为人类操作者所设计的传统方法，已经无法跟上由 AI、智能体（agent）和机器速度攻击主导的新世界。

安全防护需要一套全新的网络技术栈（cyber stack）。这套新的网络技术栈必须能够持续感知整个数字资产的风险，对海量上下文进行推理，并以机器速度采取行动。它还需要随着环境的变化不断学习与适应，帮助组织始终领先于威胁。并且，由于安全的根本使命仍由人来承担，它必须为防御者提供更深入的洞察和更强大的处置手段。下一代安全系统的决定性特征，不在于其能否产生更多的告警，而在于其能否持续地感知、推理与行动。

正是这一愿景促使我们构建了 Project Perception。这是一套专为 AI 时代现实需求而设计的全新智能体安全系统。它利用 AI 将各种信号转化为实时防护能力，以此抵御 AI 发起的攻击。Project Perception 将信号、上下文、模型与专用智能体整合为一个持续学习的防御体系。它能够在机器速度下进行推理、确定优先级并采取行动，同时将人类牢牢置于控制闭环中，并通过强大的新工作流赋能于人。

Project Perception 基于一个简洁的理念：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不断改进。为实现这一目标，Perception 协调三类专用智能体。红队智能体（Red team agents）负责在攻击者利用之前识别潜在的入侵路径；蓝队智能体（Blue team agents）负责开展调查、对上下文进行推理，并判定哪些才是真正有意义的风险；绿队智能体（Green team agents）负责采取整改措施，并在整个环境中强化防御。三类智能体协同工作，构成一个持续发现、评估并改进组织安全态势的闭环系统。

像 Project Perception 这样的系统，其有效性取决于它所拥有的可见性、能够采取的行动、建设团队的积累以及可用的模型。微软同时具备这四方面的能力。我们横跨身份、终端、应用、数据、云与 AI 系统进行观察，提供覆盖整个数字资产的广泛可见性。同样重要的是，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、威胁情报以及在真实世界中保护组织的运营经验，这些能力共同塑造了 Project Perception 进行推理、确定优先级和响应威胁的方式。

安全是一项 7×24 小时不间断的使命。组织需要高效、持续可用且经济上可大规模负担的防护能力。这不仅要求能够使用最强大的模型，更要求把合适的模型用于合适的任务。Project Perception 采用多模型架构，结合前沿模型与专用安全模型，在质量与成本两方面实现优化。作为这一多模型战略的一部分，我们致力于为客户提供每一项安全任务所需的最佳模型，包括以我们自有的专用模型进行创新。首个落地场景是软件漏洞管理：将 MAI-Cyber-1-Flash 引入 MDASH（我们的软件漏洞多模型智能体团队）。搭载 MAI-Cyber-1-Flash 的 MDASH 在行业领先基准 CyberGym 上取得了 96% 的成绩，比 Mythos 高出 12 个百分点。同时，这一相同配置相比当前市场上在用的 MDASH 配置，可节省近 50% 的成本。这正是经过良好调优、可访问独特丰富历史训练数据的多模型系统的力量。接下来，Project Perception 将把 MAI-Cyber-1-Flash 应用于更多安全场景，覆盖范围远超软件漏洞管理。

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。

构建面向智能体安全的网络技术栈。提供智能体安全并非简单地在既有工作流中加入智能体，而是需要一套从零开始设计的全新网络技术栈。该技术栈以覆盖整个数字资产的信号与传感器为起点；安全上下文将这些信号转化为对智能体而言高效易用的理解；模型提供智能与推理能力；编排层（harness）在各安全工作流之间协调模型与智能体；智能体在安全工作流中应用这些智能；执行器（actuator）则把决策转化为实际防护。这些层级共同构成了一个持续学习的系统，能够理解风险、适应变化的环境，并随时间持续改善安全成效。

虽然每一层都提供了重要能力，但 Project Perception 的真正威力来自各层之间的协同。有效的推理不能仅依赖原始信号，智能体需要上下文。微软将其在可见性、威胁情报和安全专业能力方面的广度，转化为连接数字资产中各类安全数据、知识和语义的安全上下文。这一上下文形成对组织资产、身份、关系、风险与活动的持续更新的表示，使智能体能够在近乎实时、共享的环境理解基础上进行推理。基于这一丰富的安全上下文，Project Perception 在每一次交互中都能提升推理的准确性与一致性，同时降低大规模运行所需的时间、算力与成本。没有单一模型能够在每一项安全任务上都是最优的；有效的网络防御要求在恰当的时间将恰当的模型应用于恰当的问题。