Cato Networks本周发布了其安全访问服务边缘(SASE)平台的两项新增功能,该公司表示这些功能将解决企业当前面临的安全挑战:保护终端用户依赖的AI工具,同时使用AI防御复杂威胁。
Cato Neural Edge在Cato全球私有骨干网的85多个接入点(PoPs)部署Nvidia GPU,实现实时流量检测、威胁检测和策略执行。Cato还推出了Cato AI Security,该功能将通过收购AIM Security获得的AI治理和运行时保护能力整合到Cato SASE平台中。
"AI正在改变等式的两个方面:我们面临的威胁和我们需要的防御。通过Cato Neural Edge和Cato AI Security,我们正在赋能企业加强AI驱动的防御并治理企业AI,而不会牺牲性能或增加运营复杂性,"Cato Networks AI安全副总裁Matan Getz在一份声明中说道。
根据Gartner的数据,到2028年,超过75%的企业将在大多数用例中依赖AI增强的网络安全产品,而这一比例在2025年还不到25%。Cato Networks表示,这一现实正在重塑网络安全,并推动企业"发展其安全控制和支持这些控制的基础设施"。
Cato Neural Edge将GPU驱动的执行层直接嵌入公司的全球PoP网络中,使Cato平台能够在PoP内部执行智能和执行功能。Cato Neural Edge可以实现:
AI/机器学习模型的高频内联执行
实时语义和行为检测
跨全球流量的可扩展分析
无需外部处理层的确定性性能
Cato AI Security旨在治理员工对AI工具的使用,保护自主开发的AI应用程序,并为自主智能体执行防护措施。它可以作为独立解决方案运行,或与其他Cato SASE平台功能一起使用,包括SD-WAN、SSE和通用ZTNA。这些功能可以通过统一控制平面和策略引擎进行管理,该平面在整个平台上共享上下文,以实现更快的检测和响应。
一位早期使用者分享了他们对Cato AI Security功能的印象:
"对我们来说最大的优势之一是AI安全不是另一个控制台或单独的执行层。它直接内置在Cato SASE平台中,"全球物流公司Crane Worldwide Logistics的网络安全和IT基础设施副总裁Marc Crudgington在一份声明中说道。"我们可以使用已经保护我们网络和云环境的相同策略引擎和数据湖来治理AI使用、保护自主开发的AI应用程序并管理智能体工作流程。这种统一架构降低了复杂性,并确保在AI运行的任何地方都能保持一致的执行。"
Cato SASE云平台运行在由85多个接入点(PoP)组成的私有全球骨干网上,这些接入点通过多个有SLA保障的网络提供商连接。PoPs软件持续监控提供商的延迟、丢包和抖动情况,以实时确定每个数据包的最佳路由。Cato对通过骨干网的所有流量应用优化和加速,以增强应用程序性能和用户体验。为确保所有位置都能受益,Cato优化从所有边缘到所有目的地(本地和云端)的流量。
Cato AI Security已向全球客户全面开放。Cato Neural Edge已在Cato SASE平台上部署。
Q&A
Q1:Cato Neural Edge是什么?它能做什么?
A:Cato Neural Edge是在Cato全球私有骨干网的85多个接入点部署Nvidia GPU的解决方案,能够实现实时流量检测、威胁检测和策略执行。它可以高频执行AI/机器学习模型、进行实时语义和行为检测,并提供跨全球流量的可扩展分析能力。
Q2:Cato AI Security如何帮助企业管理AI安全?
A:Cato AI Security旨在治理员工对AI工具的使用,保护自主开发的AI应用程序,并为自主智能体执行防护措施。它可以与Cato SASE平台的其他功能集成,通过统一控制平面和策略引擎进行管理,实现更快的检测和响应。
Q3:为什么企业需要GPU驱动的SASE平台?
A:根据Gartner预测,到2028年超过75%的企业将依赖AI增强的网络安全产品。AI正在改变威胁形态和防御需求,企业需要发展其安全控制和基础设施。GPU驱动的SASE平台可以在不牺牲性能或增加运营复杂性的情况下,加强AI驱动的防御。
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。