Databricks在周二进入安全领域,推出了名为Lakewatch的智能体安全平台,旨在帮助企业抵御AI驱动的攻击。该产品目前处于私有预览阶段。
Lakewatch是一个安全信息和事件管理平台,部署AI智能体来自动化检测、分类和威胁狩猎。该公司表示,这一新产品可以帮助安全团队以"机器速度"响应威胁,同时解决数据不完整、传统工作流程和孤立架构等问题。
Databricks联合创始人兼首席执行官Ali Ghodsi在发布会上表示:"安全团队不能再依赖手动工作流程来超越AI驱动的攻击。防御者必须具备比当今智能体攻击者更好的可视性和速度。"
AI的普及正在改变网络攻击的性质,企业面临着有针对性的快速移动威胁。AI采用过程中治理和防护措施的缺口正在扩大攻击面。Akati Sekurity的一份报告发现,AI智能体参与了40%的内部网络安全威胁,使IT团队无法充分管理与恶意或无管理智能体相关的风险。
Databricks推出Lakewatch反映了行业更广泛的趋势,即将数据平台与网络安全解决方案对齐,以支持预防性而非反应性的安全解决方案。
该提供商表示,新平台可以针对企业安全响应中的当前缺口,这些缺口通常受到碎片化数据环境、手动工作流程和高摄取成本的限制,迫使组织丢弃多达75%的数据。
Databricks在向安全领域转型方面并非孤例,尽管该公司是该领域少数实施全面而非逐步变革的公司之一。
Snowflake等供应商已扩展到治理、分析和AI驱动洞察等与安全相关的功能。该公司在其AI数据云平台中提供这些功能,该平台存储企业数据并同样针对孤立问题。然而,该公司尚未提供像Lakewatch这样的完全智能体端到端安全平台。
包括微软和IBM在内的其他公司正在将安全和合规性更深入地嵌入到其数据生态系统中,进一步突显了数据基础设施和网络安全之间的融合。
对于首席信息官而言,这种融合既带来了机遇也带来了风险。在数据平台内整合安全功能可以改善互操作性、减少数据孤岛并降低与摄取和存储相关的成本。
Adobe安全工程主管Karthik Venkatesan在发布会上表示:"Databricks提供了从数据驱动向AI驱动安全运营方法转变所需的基础。Lakewatch是将安全智能更接近数据所在位置的重要步骤。"
Q&A
Q1:Lakewatch是什么平台?有什么功能?
A:Lakewatch是Databricks推出的智能体安全平台,是一个安全信息和事件管理平台。它部署AI智能体来自动化检测、分类和威胁狩猎,可以帮助安全团队以"机器速度"响应威胁,解决数据不完整、传统工作流程和孤立架构等问题。
Q2:为什么企业需要AI驱动的安全平台?
A:AI的普及正在改变网络攻击的性质,企业面临着有针对性的快速移动威胁。AI智能体参与了40%的内部网络安全威胁,传统的手动工作流程已无法超越AI驱动的攻击,防御者需要具备更好的可视性和响应速度。
Q3:Lakewatch与其他安全解决方案有什么区别?
A:Lakewatch是完全智能体端到端安全平台,而其他供应商如Snowflake主要提供治理、分析和AI驱动洞察等与安全相关的功能,但尚未提供完整的智能体安全平台。Databricks实施的是全面而非逐步的安全转型。
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。