在许多互联网安全专家眼中,2022年称得上“人工智能元年”。ChatGPT的横空出世以及其他AI服务的相继上线在改变未来人们工作、学习以及生活的方式的同时,也为互联网安全行业带来了全新的挑战。因此,全球领先的专业网络安全提供商 Check Point® 软件技术有限公司(纳斯达克股票代码:CHKP)借此文帮助大家进一步了解人工智能的当前和未来用途以及重点关注安全防护的必要性。
人工智能早在几年前就开始走入我们的工作生活。事实上,根据麦肯锡全球研究所在 2022 年开展的一项人工智能调查,2017 年时 20% 的受访者表示已在至少一个业务领域采用了人工智能,而去年这一数字增长至 50%。随着企业逐渐认识到人工智能对其业务的巨大价值,预计这一增长势头将继续走高——根据 Forbes Advisor 的一项调查,超过 60% 的企业所有者认为人工智能可提高生产力。具体而言,64% 的受访者表示人工智能有助于提高业务效率,42% 的受访者认为人工智能可简化作业流程,这充分表明商业领域对人工智能的使用具有广泛的市场接受度。
在我国,2017年就由国务院印发了《新一代人工智能发展规划》,规划中已明确提及人工智能将成为经济发展的新引擎。在今年斯坦福大学一项面对全球的AI调查中,78%的中国受访者认为AI技术的普及利大于弊。我国用户对AI技术的正面态度居全球首位,这也为人工智能在我国高速发展提供了健康的土壤。值得注意的是,今年5月在天津召开的“第七届世界智能大会”上,人工智能伦理与安全成为会上主要讨论议题之一。
自去年开始,Check Point已经就ChatGPT带来的安全挑战进行了研究。作为 OpenAI 研发的人工智能平台,它在为人们生活带来便捷的同时,还可帮助网络犯罪分子实施新的攻击活动。人工智能工具为网络犯罪分子带来了诸多好处,包括但不限于:
监管人工智能学习的必要性
虽然人工智能无疑是未来发展方向,但包括 OpenAI 联合创始人之一埃隆·马斯克在内的专家们都要求对人工智能实施更广泛的监管。他们在一份公开请愿书中呼吁,在符合伦理的训练能够落实之前暂时停止这些工具的开发,同时欧盟等国际机构已经在制定自己的人工智能法律,并提出了重视网络安全和数据安全需求的提案。在我国,近年来也在逐步强化对人工智能的规范引导。中国国家新一代人工智能治理专业委员会2019年发布《新一代人工智能治理原则——发展负责任的人工智能》,2021年又发布《新一代人工智能伦理规范》,这一系列措施说明了各个政府对人工智能有序、安全发展的期待与重视。
人工智能监管的挑战在于人工智能模型学会的知识几乎无法从这些模型中删除。这意味着安全机制应侧重于防止收集或泄露某些类型的信息,而不是完全删除知识。如今,人工智能和机器学习是帮助提高网络安全功能的两大支柱。事实上,由于当前企业网络系统的复杂性和分散性,传统的人工监控、管理和风险控制已无法满足需求。在今年Check Point CPX全球大会上,以预防为先的思路,通过AI对抗AI的安全解决方案受到了与会来宾的重点关注。
如今,用户已经可以在Check Point 的 ThreatCloud AI 中看到该技术应用于网络安全领域的示例。ThreatCloud AI 是一款基于人工智能的威胁防御解决方案,它是 Check Point 软件技术公司所有产品背后的大脑,每天能够不断扫描网站、电子邮件、物联网设备、移动应用等,做出 20 亿次安全决策。
Check Point中国区技术总监王跃霖表示:“打赢与网络犯罪分子的竞赛仍是首要任务之一,我们必须确保环境及时更新且准备就绪,从而有效应对当前和未来的所有威胁。现在,Check Point有几款解决方案充分展示了人工智能在网络安全领域的无限可能性。为了降低与高级人工智能相关的网络风险,我们建议企业管理者应时刻保持‘预防为先’的安全理念,在开发或部署任何AI技术时,首先应确保其安全性,从而真正安全有效的通过AI技术提高自身核心竞争力。”
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。