微软（MS）于27日（当地时间）公开了其首款专为网络安全打造的AI模型“MAI-Cyber-1-Flash”。该模型以将多个AI捆绑使用的系统“MDash”形式部署。
“相当令人惊讶的结果。”微软AI部门首席执行官穆斯塔法·苏莱曼在发布会上强调了性能。微软首席执行官萨提亚·纳德拉也表示：“与MDash结合后，可用一半于领先模型的成本，实现世界顶级水平的性能。”
发布会所传达的问题意识在于安全环境的根本变化。随着AI的发展，攻击者也掌握了强力工具。过去需要在海量代码中搜寻一个可能成为入侵路径的漏洞，如今变得更容易也更便宜。
微软判断，随着寻找漏洞的成本被打破，传统安全方式已显局限。也就是说，仅靠偶尔检查、事后修补的方式，已无法应对持续不断的攻击。既然攻击已被AI自动化，防御也必须通过AI实现常态化，这构成了新模型推出的背景。
所谓漏洞，是指软件中存在的安全缺口。黑客只要找到一个缺口，就能入侵系统，因此防守方必须从大量代码中优先找出并堵住薄弱点。需要检查的代码不断增加，攻击者的搜索能力也在增强，防守负担因此加重。
新模型的核心不在于性能，而在于运行方式。微软解释称，安全工作是24小时不间断的任务，且攻击量极大，如今成本已成为实际制约。
“Token”是AI处理信息的最小单位，也是计费 기준。对于像安全这样需要不停扫描大量代码的工作，Token消耗会直接转化为运营成本。
给出的解决方案是分工。小而高效的MAI-Cyber-1-Flash负责整体工作的90%，只有特别困难的10%交给大型且昂贵的模型。在这里承担难题的模型是OpenAI的GPT-5.4，据悉其规模约为Flash的10倍。
日常任务由廉价的专用模型快速处理，只有在出现高难度问题时才调用高性能模型。由于不必每次都使用最高规格的模型，微软表示，MDash的成本较原有最高配置降低了一半。从单一大型模型包办一切，转向根据问题难度切换多个模型的方式。
降低成本的考量背后，也包含微软自身的现实因素。微软过去对高价OpenAI模型的依赖度较高，而提高自有模型占比，可以减少外部模型使用费用。业内将此解读为，性能竞争正从“谁更聪明”转向“以多低的成本实现同等性能”的趋势。
在网络安全基准测试“CyberGym”评估中，微软的MAI-Cyber-1-Flash与GPT-5.4结合的模型取得了95.95%的最高成绩。OpenAI的GPT-5.5 Cyber则以85.6%落后。
（资料=微软）
基准测试是让多种AI解答同一问题、比较性能的标准考试。在安全领域，核心指标是能否多么准确地找出与真实情况相近的漏洞。
性能已由基准测试结果得到支撑。在MDash中将Flash与GPT-5.4结合的组合，在CyberGym中取得了95.95%的成绩。CyberGym是衡量AI分析海量代码并发现真实漏洞能力的行业标准评估。
与竞争模型的差距也被公开。OpenAI的GPT-5.5 Cyber得分为85.6%，GPT-5.6 Sol为83.6%；Anthropic的Mythos 5为83.8%，Google Gemini 3.5 Flash Cyber为83.2%。微软这组模型比Mythos高出12个百分点。
将自有模型与竞争对手模型混合到同一系统中使用，被解读为一种务实选择。与其顾及面子，不如优先考虑性能和成本，让擅长的模型去做擅长的事。
不过，值得注意的是，微软系统仍依赖OpenAI模型。最棘手的问题解决并非由自研模型承担，而是由GPT-5.4负责。也就是说，这份第一名成绩并非完全只靠自家技术取得。
仅从数字上看，自有模型与GPT组合的成绩高于OpenAI单独模型，也引人注目。业内评价认为，这说明不仅单个模型的性能，系统如何编排多个模型，也会决定最终结果。
微软强调的最大优势是数据。该公司表示，数十年来运营安全系统所积累的、每天超过100万亿条安全信号，以及真实的攻击与防御记录，是其他公司无法复制的资产。哪些地方被攻破、哪些地方被守住，这些海量记录就是模型训练的基础。
所谓AI代理，是指即使不需要人逐步下达指令，也能接收目标并自主完成多个步骤的AI。微软的解释是，它可以在较少人工介入的情况下，完成寻找漏洞、验证漏洞、修复漏洞的一整套工作。
微软还同时公开了AI防御自动化系统“Perception”。该系统提供多个安全任务自动监控与修复的代理团队，公开试用版预计将于下月3日发布。
网络安全模型素来被视为一把双刃剑。因为发现漏洞的能力若用于防御，可以保护系统；若用于攻击，则会直接变成武器。各开发公司之所以限制强大网络模型的使用对象，或设置多层安全措施，原因也在于此。
作为首款网络安全模型，微软也强调了安全验证。公司表示，该模型已接受自家AI红队、外部机构的独立评估以及对抗性测试。不过，也有指出，基准测试成绩是否能直接转化为企业真实环境中的防御能力，仍需进一步验证。
在攻击成本崩塌的时代，利用AI自动化防御究竟能否真正奏效，最终将取决于实际落地后的应用成果。