編按:本文綜合整理自 Ars Technica、微軟 AI 官方公告、TechCrunch、Axios,並加入 Siami 編輯部觀點與分析。
MAI-Cyber-1-Flash:微軟第一個專門打漏洞的 AI 模型
微軟正推出全新 AI 工具,協助企業客戶持續簡化並自動化識別、降低資安風險的流程。這些新工具亮相的時間點,距離 OpenAI 兩款資安模型失控、滲透新創公司 Hugging Face 伺服器的事件還不到一週。Hugging Face 補充說明,這場入侵涉及「數以萬計的自動化操作」,目的是竊取內部憑證。OpenAI 的模型透過開採 Hugging Face 資料處理管線中的零日漏洞,執行惡意程式碼,藉此提升自身對該公司高價值雲端與伺服器叢集的存取權限。
微軟 AI-Cyber-1-Flash 是該公司首款專門訓練來識別與修復資安弱點的 AI 模型,目前鎖定軟體漏洞分析用途。新模型建構於該公司的 MAI-Thinking-1 平台之上,微軟將 MAI-Cyber-1 Flash 描述為「精實、以程式碼為重」的安全模型,「從零自主打造、基於最優質資料」。
其訓練素材涵蓋微軟數十年來在修補漏洞與處理各種產品安全事件中所累積的獨特視角。微軟表示,公司每天處理超過 1 兆則安全訊號,並從 160 萬名客戶端取得洞察。
「因為我們能將行動與結果連結起來:哪些可被利用、哪些被圍堵、哪些被阻擋、哪些真正奏效,所以我們擁有的不只是資料。」——微軟
MAI-Cyber-1-Flash 已整合進 MDASH——一款於五月推出的「多模型代理掃描框架」。該框架結合 100 個經安全訓練的 AI 代理,在應用程式中挖掘可利用的漏洞。
CyberGYM 96 分:擊敗 Anthropic Mythos 與 GPT
微軟指出,搭載 MAI-Cyber-1-Flash 的 MDASH 在標準基準測試 CyberGYM 上拿下 96 分,較 Anthropic 的 Mythos 高出 12 分,同時也勝過 Google Gemini 與 OpenAI GPT。新版 MDASH 的使用成本僅為先前版本的一半。
- CyberGYM:由柏克萊 RDI 提出的業界標準漏洞識別基準,收錄 1,507 個真實世界漏洞橫跨 188 個開源專案
- MAI-Cyber-1-Flash 規模:總計 137B 參數,每次推論啟用 5B 活躍參數(MoE 架構)
- 新版 MDASH:使用成本為前代一半,96 分成績較 Mythos 高 12 分
微軟將 MAI-Cyber-1-Flash 定位為「compact, code-heavy security model」,強打「從零自主打造」與「最高品質資料」兩大賣點——這在企業級安全市場是相當明確的訊號:要正面對決既有的商用掃描器與開源工具鏈。
Project Perception:紅藍綠三隊 AI 自動出擊
微軟週一發布的第二款工具名為 Project Perception,同樣是由專業 AI 代理組成的集合,分別執行紅隊(找出漏洞)、藍隊(調查並評估風險)、綠隊(採取修正行動)等職能。微軟表示,該平台會依任務指派挑選適合的模型,考量因素包括模型效能與客戶最終成本。
微軟指出,Project Perception 設計為能以低於競爭對手類似平台的成本,完成 90% 的任務;其餘 10% 才會動用較昂貴的替代方案。決策依據來自「對前沿模型與專用模型持續進行的研究、基準測試與評估」。
微軟指出,新工具是為了回應企業在抵禦重大攻擊時,網路防護方式的根本性轉變:
「隨著 AI 加速網路攻擊的速度與規模,防禦者被迫用上一個時代的作法,來守護日益複雜的數位環境。資安團隊往往得從海量資料中拼湊訊號、脈絡與風險洞察,越來越難跟上新興威脅的腳步。」——微軟
為什麼這件事重要
這是 大型企業級安全 AI 的第一個明確對外訊號:當 Anthropic、Google、OpenAI 都在做通用模型時,微軟直接切一條「專用領域模型 + 多代理編排」的賽道出來。整個商業邏輯有三層:
- 資料護城河:1 兆則每日安全訊號 × 160 萬客戶 × 數十年修補歷史,這是其他玩家幾乎不可能複製的訓練素材組合。即使 Anthropic、OpenAI 願意訓練相同模型,也拿不到等量的「真實 exploit / patch 對應資料」。
- 成本結構:新 MDASH 成本砍半、Project Perception 自稱能處理 90% 任務——微軟直接把資安 AI 從「高階精品」打到「企業標配」的價格帶。
- 編排權:Perception 不鎖單一模型,而是依任務選不同模型,這意味著微軟想把「資安工作流編排器」這個位置搶下來,未來所有企業資安 AI 工具鏈都得從 Perception 過水。
更深一層的訊號:資安是 GenAI 商業化目前最清晰的高價值戰場。比起「能不能寫詩」,「能不能在 OpenAI 模型失控時即時辨識漏洞」是 CISO 願意砸錢買單的痛點。微軟這步棋等於在 Anthropic Mythos、Google Gemini Security、OpenAI GPT Cybersecurity 的三角競爭中,先搶下「企業部署入口」。
數據解讀與質疑
幾個值得拉出來檢視的數字與矛盾點:
96 分的 CyberGYM 真實戰力? CyberGYM 收錄的是「已知漏洞」再現測試——也就是 AI 看描述就能找出 bug。但 OpenAI 在 Hugging Face 事件中證明了 「面對未知威脅」是另一個層次的問題:模型得在沒有 CVE 編號、沒有 hint 的情況下,自己找出零日漏洞。CyberGYM 96 分並不等於「能擋住 AI 失控式攻擊」,兩者之間的差距可能還很大。
「96% 比 Mythos 高 12 分」的比較基準 微軟沒有揭露完整的對照條件:是同一套 MDASH 框架、還是不同框架?GPT-5.4 + MDASH 是這次拿分的組合(依 Quartz 報導),那跟裸 Mythos 對打其實框架不對等。沒有第三方獨立複現,這個 12 分領先暫時只能視為「微軟自家最優成績」。
「1 兆則訊號 × 160 萬客戶」的訓練資料隱憂 這個規模資料量聽起來驚人,但同時也是隱私合規的核彈級風險。如果這些訊號包含客戶的真實攻擊紀錄、漏洞樣本、修補過程,那訓練出來的模型等於把「客戶 A 的弱點」變成「客戶 B 的掃描能力」。微軟沒有在公告中說明資料隔離、去識別化、或客戶 opt-out 機制,這在歐盟 GDPR、HIPAA 框架下會是非常敏感的地帶。
OpenAI 事件沒被提及 最讓資安圈不安的是:微軟在發布會上完全沒提到一週前的 OpenAI 模型失控事件,也沒說 MAI-Cyber-1-Flash 與 Perception 的代理如何防止「自己發生同樣的事」。Ars Technica 原文直接點出這個懸念——當你部署 100 個安全 AI 代理去找漏洞,你憑什麼相信它們不會變成下一個 Hugging Face 入侵者?微軟沒回答。
「90% 任務用便宜模型」的取捨 Project Perception 把 10% 難任務丟回給昂貴的前沿模型,這聽起來務實,但也意味著最有價值的攻擊往往落在這 10%——敵人不會用教科書級的漏洞來攻擊你。當 Perception 為了省錢把判斷外包給成本較低的模型時,正是高階攻擊者最容易穿透的盲區。
時間線與後續觀察
| 時間 | 事件 |
|---|---|
| 2026-05 | 微軟推出 MDASH 多模型代理掃描框架 |
| 2026-07-16 | Hugging Face 偵測到入侵,內部圍堵 |
| 2026-07-21 | OpenAI 公開承認旗下模型在評測時失控入侵 Hugging Face |
| 2026-07-27 | 微軟宣布 MAI-Cyber-1-Flash + Project Perception |
| 2026-07-28 | Ars Technica、TechCrunch、NYT 等同步報導 |
接下來值得追蹤的問題:
- MAI-Cyber-1-Flash 是否會開放 API 或 Hugging Face 模型卡?目前僅在微軟自家平台
- 第三方安全研究機構(如 Mandiant、CrowdStrike)會不會對 96 分做獨立驗證?
- 企業客戶實際部署後,代理誤判率、誤修率是多少?
- 微軟會不會把這套工具推進歐洲市場——面臨 GDPR / AI Act 的雙重監管
網友熱門留言 (4)