Google 即将为所有用户提供端到端加密 (E2EE) 电子邮件服务,即使是非 Google Workspace 用户也可使用,而且声称这不会给 IT 管理员带来任何额外负担。
这被定位为安全/多用途互联网邮件扩展协议 (S/MIME) 的替代方案,S/MIME 通常被资源充足的受监管组织用于加密通信。
该协议的核心在于证书交换,Google 认为这对其他类型的组织来说是一个麻烦,尽管他们确实需要安全邮件,但很少有组织有动力去实施。
其工作原理是:企业 Gmail 用户可以向任何人发送由客户端加密支持的 E2EE 邮件。如果发送给其他 Gmail 用户(无论是企业用户还是个人用户),加密邮件功能无需额外配置即可使用。撰写窗口的界面会略有变化,顶部会显示一个醒目的蓝色横幅,上面写着:"新加密消息"。
如果 Gmail 用户向使用 Outlook 等其他邮件客户端的用户发送此类邮件,接收者会收到一封询问是否查看加密消息的邮件。点击链接后,接收者需要重新验证其邮件账户,通过受限制的 Gmail 账户获得临时访问权限来查看和回复加密邮件。
在这种情况下,初始的"是否查看?"邮件看起来类似于 Docs/Sheets/Pages 协作链接,这可能会引起网络钓鱼方面的担忧。Google 也考虑到了这一点,因此在链接上方有一个警告框,提醒接收者只有在完全信任发件人的情况下才点击链接。
事实上,根据 Google 自己的说法,整个过程类似于与组织外部人员共享 Workspace 文档。由于 IT 管理员可以要求接收者使用受限制的 Gmail 来查看加密消息,这实际上允许管理员使用策略控制接收者的访问权限,并确保数据不会存储在第三方服务器上。
如果 E2EE 邮件发送给已配置 S/MIME 的接收者,则没有实质性变化。Gmail 会像今天公告之前一样正常发送加密邮件。
Google 的 Johney Burke 和 Julien Duplant 在提前与 The Register 分享的博客中表示:"这一功能对 IT 团队和最终用户来说都只需要最少的努力,避免了传统 IT 解决方案的复杂性和不理想的用户体验,同时保持了增强的数据主权、隐私和安全控制。"
"我们正在分阶段推出这项功能,从今天开始进入 beta 阶段,可以向组织内的 Gmail 用户发送 E2EE 邮件。在接下来的几周内,用户将能够向任何 Gmail 收件箱发送 E2EE 邮件,今年晚些时候,将可以向任何电子邮件收件箱发送。"
在今天之前,除了 Google 的传输中 TLS 加密外,Gmail 用户保护邮件的方式仅限于启用机密模式,该模式禁止接收者转发、复制、打印或下载邮件,但不具备 E2EE 功能。还可以设置邮件在特定时间后过期,并要求输入短信验证码才能打开邮件。
这也适用于其他电子邮件平台,但实际的邮件内容会被替换为"是否查看?"类型的邮件,提示用户输入密码在浏览器中查看。
然而,使用机密模式并不意味着企业管理员无法查看消息内容,这与严格限制在发送者和接收者之间的 E2EE 不同。
如果 Google 的公告听起来很熟悉,那可能是因为您有 Microsoft 365 账户。从今年 1 月起,E5 客户就已经可以使用类似的选项,即 Microsoft Purview 消息加密。
它的运作方式完全相同。Outlook 之间的邮件正常工作,只是添加了 E2EE,而 Outlook 与 Gmail、Yahoo 或其他平台之间的通信通常涉及发送查看加密消息的链接。
在这些功能发布之前,注重安全的用户可以选择使用 Proton、Tuda 或其他加密电子邮件平台,但将其与企业账户一起用于日常工作可能会很繁琐。
除了 E2EE 邮件(IT 管理员可以根据需要将其设为所有最终用户的默认选项)外,Google 还为 Gmail 推出了其他功能,包括分类标签,这些标签会告知用户每封邮件的敏感度以及应如何处理。
这些分类标签还将用于 IT 管理员可以设置的新数据丢失防护规则,根据分配的标签自动处理邮件。
当然,如果没有 AI 元素,就不像是 2025 年的产品了。Gmail 现有的基于 AI/ML 的垃圾邮件和网络钓鱼检测器增加了威胁防护模型,以减少恶意邮件的漏网之鱼。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。