重新思考AI时代的网络安全

导语：网络安全的底层逻辑正在发生变化。为人类行为者设计的传统防御方法已经跟不上AI、智能体和机器速度攻击主导的新世界。微软推出Project Perception（感知项目），将信号、上下文、模型与专业智能体整合为一个持续学习的智能体安全系统，以AI对抗AI，并将于8月3日开启公开预览。

2026年7月27日 | Hayete Gallot —— 微软安全事业部执行副总裁

网络安全的底层逻辑正在发生根本变化。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下降，而需要保护的对象在数量、速度和复杂性上持续增长。攻击者可以更快地生成漏洞利用程序、更大规模地开展攻击活动，并以空前的效率运作。为人类行为者所设计的传统方法，已经无法跟上由AI、智能体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。这套新栈必须能够跨整个数字资产持续感知风险，能够在海量上下文中进行推理，并能够以机器速度采取行动。它还必须随着环境的变化不断学习和适应，帮助组织始终走在威胁的前面。由于安全的核心使命终究是由人来承担的，新栈也必须为防御者提供更深入的洞察和更强大的行动方式。下一代安全系统的决定性特征不在于能否产生更多告警，而在于能否持续地感知、推理和行动。

正是这一愿景驱动我们构建了Project Perception（感知项目）。这是一套为AI时代现实需求而设计的全新智能体安全系统。它利用AI将各类信号转化为实时保护能力，实现以AI对抗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，同时让人类牢牢掌握控制权，并通过强大的全新工作流赋能于人。Project Perception建立在一个简单的理念之上：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漏洞之前识别潜在的入侵路径；蓝队智能体进行调查、在上下文中推理，并判断哪些构成有意义的风险；绿队智能体采取纠正措施，在整个环境中强化防御。三者协同工作，形成一个闭环系统，持续发现、评估并提升组织的安全态势。

像Project Perception这样的系统，其有效性取决于其可见性、可采取的行动、构建团队的经验以及可用的模型。微软在这四个维度上均具备领先优势。我们在身份、终端、应用、数据、云和AI系统中拥有广泛的可见性，能够覆盖整个数字资产。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、威胁情报以及保卫各类组织的真实运营经验，这些能力塑造了Project Perception如何进行推理、确定优先级和响应威胁的方式。

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。这不仅需要拥有最强大的模型，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，兼顾前沿模型与专业安全模型，在质量与成本之间实现最优平衡。作为多模型战略的一部分，我们致力于为客户提供最适合每项安全任务的模型，包括通过自研专业模型进行创新。首个落地场景是软件漏洞管理：将MAI-Cyber-1-Flash引入我们的软件漏洞多模型智能体团队MDASH。搭载MAI-Cyber-1-Flash的MDASH在业界领先的基准CyberGym上达到了96%的得分，比Mythos高出12分。同时，这一配置相比当前市场上的MDASH配置可节省近50%的成本。这正是经过精心调优、拥有独特丰富历史训练数据的多模型系统的力量。接下来，Project Perception将在更多安全工作流中利用MAI-Cyber-1-Flash，覆盖软件漏洞之外的更广泛场景。

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日开启公开预览。

构建智能体安全的网络技术栈，要实现智能体安全，并非简单地将智能体添加到现有工作流中那么简单，而是需要一套从零开始设计的新网络技术栈。该栈从信号和传感器开始，为整个数字资产提供感知能力。安全上下文将这些信号转化为智能体可以高效使用的、token友好的理解。模型提供智能与推理能力。编排框架协调安全工作流中的模型与智能体。智能体将这些智能应用于安全工作流，而执行器则将决策转化为保护措施。这些层共同构成了一个持续学习的系统，能够理解风险、适应变化的条件并持续改善安全结果。虽然每一层都提供了重要能力，但Project Perception的力量源于这些层之间的协同工作方式。

有效的推理远不止原始信号，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一个安全上下文，将安全数据、知识和语义连接在数字资产之中。其结果是关于组织资产、身份、关系、风险和活动的持续更新的表示，使智能体能够对其所帮助防御的环境形成共享的、近乎实时的理解。这一共享理解是Project Perception运作的基础。它无需迫使智能体不断从原始信号中收集、关联和重建上下文，而是为其提供即时且token高效的访问能力，使其能够推理风险、确定行动优先级并做出决策。通过将每一次交互都锚定在这一丰富的安全上下文之中，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。没有单一模型能够在每项安全任务上都达到最优。有效的网络防御要求在正确的时间将正确的模型应用于正确的问题。