会懂网AI资讯，9月18日，360智脑近期继续围绕安全大模型方向迭代，公司把多年积累的攻防知识、威胁情报与漏洞库转化为模型的专业语料，让系统在面对钓鱼识别、异常行为分析、代码审计与安全事件溯源等任务时，能够给出比通用模型更贴近实战的判断。从全球范围看，不同市场在监管环境与发展阶段上差异明显，路径选择因此需要因地制宜。
安全是人工智能落地过程中绕不开的议题，随着生成式技术普及，攻击方也在利用同样的工具提升效率，伪造语音、批量生成钓鱼文案、自动化探测漏洞的成本大幅下降，防守方如果仍以人工规则为主，响应速度很难跟上，这正是安全大模型被寄予厚望的原因。从投入结构看，算力、数据与人才三者的配比，将直接影响企业在下一阶段的相对位置。
360的做法是把模型能力嵌入既有的安全产品体系，而不是单独做一个聊天入口，例如在终端防护中加入本地轻量化模型做实时行为判断，在企业安全运营平台中用大模型辅助告警降噪与事件关联，让分析师从海量日志里解放出来，专注于真正需要决策的部分。在落地过程中，跨部门协同与数据打通的难度，往往超过技术本身的挑战。
在模型可信方面，360强调数据来源的可追溯与答案的可验证，安全场景对错误结论的容忍度极低，一次误判可能导致正常业务被拦截，一次漏判则可能造成实质性损失，因此系统在输出结论时会附带证据链与置信度，供安全人员复核。从方法论看，把复杂问题拆解为可验证的小步骤，仍是推进这类工程最稳妥的方式。
企业侧的需求也在变化，过去客户关心的是能否识别已知威胁，现在更关心能否理解业务语境，比如某次异常登录是否符合该岗位的历史行为模式，某段代码改动是否引入了新的风险，这类判断需要模型同时具备通用推理能力与组织内部知识。随着生态逐步成熟，相关标准的统一与接口的开放，将成为下一阶段竞争的关键变量。
从更长周期看，安全大模型竞争的关键在于数据壁垒与响应速度，公开的攻防知识差距正在缩小，真正难以复制的是长期积累的真实攻击样本与处置经验，把这部分资产与模型能力结合，形成持续更新的闭环，是360智脑想要建立的差异化优势。在实际应用中，细节体验与稳定性往往比纸面指标更能影响用户的最终选择。
暂无评论内容