根据 Naoris Protocol 的一项调查显示,IT 领导者对网络安全漏洞和准备情况深表担忧,警告称随着企业通过去中心化基础设施来增强韧性、安全性和运营效率,企业正面临着一场"剧变"。
2024 年 10 月,这家数字安全基础设施提供商对来自美国、英国、欧盟和亚太地区年营业额超过 3 亿美元的公司的 100 位 IT 主管进行了调查。
报告指出,对网络安全漏洞和准备情况的深切担忧凸显了一个严峻的前景,这也突显了 IT 领导者在日益恶劣的数字威胁环境下,采取紧急行动应对脆弱性的迫切性。
该公司表示,集中式网络安全解决方案为网络创造了单点故障,使易受攻击的设备暴露在多个对手的攻击和入侵之下。此外,集中式云服务进一步集中了风险,而薄弱的终端检测使系统更加脆弱。
网络韧性成为首要任务,70% 的 IT 主管认为这对其当前的网络安全策略至关重要。数据管理效率也排名很高,39% 的受访者提到这一点,反映了转变计算和存储解决方案的需求。可扩展性 - 对于满足物联网 (IoT) 生态系统爆炸性需求至关重要 - 被 31% 的受访者视为关键优势。
调查强调了 IT 领导者最重视的具体区块链和 AI 驱动的安全增强功能。具体而言,34% 的受访者将持续实时验证 - 区块链技术的标志性特征 - 视为最有前景的安全发展,20% 强调消除单点故障是一个关键优势。略超过 42% 的受访者强调了 AI 集成对动态实时威胁检测的重要性,这是保护 Web2 和 Web3 数字环境的关键驱动力。
调查结果表明,Naoris Protocol 网络安全现在已经牢固地主导了全球企业议程。报告补充说,该调查正在促使企业快速投资去中心化物理基础设施网络 (DePIN) 以保护关键基础设施。
DePIN 是一种由区块链驱动的技术,用于去中心化物理基础设施,如云、网络节点、数据存储和边缘设备。据称该技术能够通过将设备转变为持续相互验证的安全验证节点来降低这些风险,实现零信任、始终验证的数据架构。它还特别适合抵御复杂的网络攻击、系统故障和"令人担忧的" AI 驱动黑客工具的增长。
调查显示,73% 的 IT 主管现在将 DePIN 归类为其网络安全策略中"极其重要"的部分。另外 25% 认为它非常重要,突显出行业正处于关键转折点。
调查中的 IT 主管强调 DePIN 的安全性和信任属性是主要吸引力,此外还有运营效率和可扩展性等其他优势。约 31% 的受访者预计其组织的 DePIN 项目将在两年内增长超过 50%,凸显了紧迫性和投资的增加。
在评估报告结果时,Naoris Protocol 的 CEO 兼创始人 David Carvalho 警告说,网络安全形势正在达到一个关键转折点。"全球主要公司的 IT 主管清楚地认识到日益复杂的 AI 驱动网络攻击带来的威胁,并正在紧急采用 DePIN 技术来降低这些风险,"他说。"我们正在见证一场剧变,企业正在去中心化基础设施,大幅提升韧性、安全性和运营效率。"
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。