微软正在为Windows系统引入一系列新的安全功能,这些功能可能会让用户和管理员以为早就应该是操作系统的一部分。
这些更新被称为"Windows基线安全模式"和"用户透明度与同意机制",旨在处理后台的可疑行为,同时在应用程序尝试使用敏感资源(如设备摄像头或麦克风)或访问用户敏感文件时提示用户。
Windows基线安全模式
从基线安全模式开始,Windows计划默认启用运行时完整性保护。这意味着只有正确签名的应用程序、服务和驱动程序才能运行。不过,用户和管理员仍然可以为某些特殊的旧版应用程序覆盖这些保护措施,应用程序开发者也可以检查保护是否处于活跃状态以及是否已授予任何例外。
用户透明度与同意机制
对于用户透明度与同意机制,看起来可能会有更多的提示出现。目前的用户账户控制(UAC)提示往往只会引起用户翻白眼并快速点击。但微软的新方法将更加细致,当应用程序访问敏感资源或尝试安装其他软件时会要求明确同意。
微软表示这"就像在你的智能手机上一样",不过希望不会像苹果等厂商的围墙花园那样带来所有限制。
因此用户将面临更多提示,尽管微软声明:"这些提示设计得清晰且可操作,你总是能够稍后查看和更改你的选择。"
这些用户可能会疑惑为什么微软的操作系统还没有这样的限制,但它们的到来仍然值得称赞,即使这对管理员来说又是一件需要向用户解释或在不可避免的支持工单洪水来临前停用的事情。
行业反馈与背景
CrowdStrike首席技术创新官亚历克斯·约内斯库表示:"CrowdStrike期待成为开发新的、更安全和更有韧性的Windows应用程序运行时模型的早期合作伙伴,这有助于提高用户安全和隐私的标准。当应用程序和智能体工作负载表现良好并尊重用户同意设置以及适当的安全边界时,安全软件能够以更少的性能开销更好地保护用户免受攻击者侵害。"
值得记住的是,CrowdStrike正是在2024年因更新导致全球Windows设备瘫痪的公司。这一事件至少在一定程度上促使微软重新认真思考Windows安全以及第三方组件应该被允许做什么。
微软多年来一直在谈论加强Windows安全。其安全未来倡议(SFI)早于CrowdStrike事件,但并没有阻止一段格式错误的代码导致数百万Windows实例瘫痪。
在这种情况下,用户对AI智能体的担忧也在起作用。微软表示:"应用程序和AI智能体也将被期望满足更高的透明度标准,为用户和IT管理员提供对其行为的更好可见性。"
微软没有给出更新的时间表,只是说明了发展方向。该公司表示这些变化将"通过分阶段方式推出"。
Q&A
Q1:Windows基线安全模式有什么作用?
A:Windows基线安全模式让系统默认启用运行时完整性保护,只允许正确签名的应用程序、服务和驱动程序运行,提高系统安全性。用户和管理员仍可为特殊旧版应用覆盖保护措施。
Q2:用户透明度与同意机制会带来什么变化?
A:这个机制会在应用程序访问敏感资源(如摄像头、麦克风)或敏感文件时主动提示用户,要求明确同意,类似智能手机的权限管理。提示设计得更清晰,用户可以随时查看和更改选择。
Q3:微软为什么现在才推出这些安全功能?
A:微软多年来一直在讨论Windows安全改进,其安全未来倡议早有规划。2024年CrowdStrike更新导致全球Windows设备瘫痪的事件促使微软加速重新思考系统安全和第三方组件权限管理。
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。