凭借在模仿和破译人类思维方面的不懈努力,我们进入了人工智能(AI)时代。作为一款基于文本的AI机器人,ChatGPT因广泛应用先进的AI技术而备受关注。从准确修复编码错误、生成烹饪食谱、创建3D动画,到制作完整的歌曲,ChatGPT展现了AI的惊人能量,为世界带来了不可思议的新能力。
然而与此同时,AI也一直被视为一把“双刃剑”。多年来,全世界都在猜测AI可能即将统治世界。如今,用户可以使用AI驱动的安全工具和产品,在几乎无需人为干预的情况下应对大量网络安全事件,但业余黑客也可以利用同样的技术开发智能恶意软件程序并发起隐形攻击。
ChatGPT带来的网络安全隐患不容忽视
自去年11月底ChatGPT问世以来,全球技术专家和评论员一直在关注AI生成的内容工具所产生的影响,尤其是对网络安全的影响。那么AI软件会使网络犯罪走向普及吗?
在拉斯维加斯举行的黑帽和Defcon安全大会上,一个技术团队展示了AI在生成钓鱼邮件和鱼叉式钓鱼信息方面是如何超越人类的。
研究人员将OpenAI的GPT-3平台与其他侧重于个性分析的AI即服务产品相结合,生成了根据他们同事的背景和性格而定制的钓鱼邮件。最终,研究人员开发出一个在攻击目标之前对邮件进行梳理和完善的流程。令他们惊讶的是,这个平台还能自动提供具体内容,例如当被要求生成针对特定国家的人的内容时,会提到该国的法律。
ChatGPT的开发者明确表示,这款AI工具具有质疑错误前提和拒绝不当请求的能力。虽然该系统自带用于防止任何形式犯罪活动的护栏,但经过调整,它生成了一封看上去极其像人类写出来的近乎完美的钓鱼邮件。
采取智能化行动,实现自动化响应
根据派拓网络威胁情报团队Unit 42的调查,勒索软件攻击是最主要的安全事件,发展呈现愈演愈烈的态势——不仅案例数量超过总量的三分之一(36%),而且攻击者索要和获得的赎金也在不断增加。究其原因,主要是由于暗网中的工具价格低廉——甚至不到10美元,而且还出现了勒索软件即服务模式和ChatGPT等AI工具,大大降低了网络犯罪的门槛。
鉴于日益智能和先进的黑客技术所带来的威胁迫在眉睫,网络安全行业必须拥有同等资源才能对抗这些AI驱动的攻击。从长远来看,安全行业的目标不是仅让一群人类威胁猎手通过猜测来零散地解决问题。
当务之急是采取智能化的行动来化解这些不断发展的威胁。好消息是自主响应如今能够在无需人类干预的情况下有效解决威胁。但随着AI驱动的攻击成为常态,受到自动化恶意软件攻击的企业、政府和个人需要越来越多地依靠AI和机器学习(ML)等新兴技术做出自动化响应。
更负责且道德地使用AI工具
从技术的复杂性到人为因素,企业在确保AI网络安全的过程中面临着诸多挑战,尤其是需要高度重视机器、人类和道德因素之间的平衡。
制定企业策略对于兼顾经营道德和网络安全至关重要。建立有效的治理和法律框架能够增强人们对AI技术的信任,并促进社会公平和可持续发展。因此,AI和人类之间的微妙平衡将成为实现网络安全的关键因素,其中信任、透明度和责任感为机器带来了补充优势。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。