网络安全领域正响起警钟,机器身份以超过企业数据安全保护能力的速度涌入系统。
在英伟达年度GTC大会上,英伟达公司首席执行官黄仁勋介绍了一系列基于OpenClaw的开源工具。OpenClaw是一个开源AI智能体,其中主要工具NemoClaw旨在保护OpenClaw的输出,但安全专家仍然担忧。
theCUBE Research首席分析师Dave Vellante表示:"黄仁勋上周在GTC大会上宣布的所有内容都增加了攻击面和风险。这是我们在RSA大会2026上讨论的全部内容。机器身份现在以8万比1的比例超过人类身份。谷歌告诉我,他们发现超过800个可下载的OpenClaw技能直接就是恶意软件。"
在最新一期theCUBE播客节目中,Vellante和theCUBE Research执行分析师John Furrier讨论了网络安全领域需要进行重大转变的原因。他们还探讨了机器身份的激增,以及云原生和AI原生技术之间的关系。
RSA大会为智能体AI敲响警钟
据Vellante描述,年度网络安全会议RSA大会的氛围令人担忧,他称其为"煤矿中的金丝雀"。如果不及时解决智能体AI问题,可能对网络安全造成灾难性影响,导致越来越难以跟踪和保护的机器身份大量涌入。
Vellante说:"影子AI可能是今年RSA大会的第一或第二大话题。首席信息安全官们对此非常担心。毫无疑问,恐惧因素很高。另一个话题是存在很多未知的未知数。现在的第一道防线是什么?是身份认证吗?是智能体吗?一切都在转变。"
企业很快就需要在其基础设施中部署分层安全来对抗智能体AI驱动的攻击。Vellante和Furrier指出,企业已经担心AI投资回报率,而智能体AI带来的威胁并不令人安心。
Furrier说:"去年每个人都在盲目跟风。三年前的观点是:智能体是胡扯。去年变成'哦,智能体很好,我们可以做端到端工作流程。'今年又变成'糟糕,智能体很危险。'完全绕了一圈。企业正从人类转向自主系统,从被动响应转向实时机器速度。"
机器身份成为新的狂野西部
机器身份对网络安全从业者来说是未开拓的领域。现在的安全不再是人与人交流,或智能体与人交流,而是智能体与智能体之间的交流。Furrier认为,如果智能体AI是问题的根源,那么它可能也必须成为解决方案的一部分。
他解释说:"人类以非确定性方式思考。但黑客使用智能体,它们是非人类的,可以是非确定性的。这是一个完整的架构转变。这对技术栈来说是游戏规则改变者,因为数十年、几代人的安全原则完全被颠覆了。"
每个人都知道智能体AI对网络安全构成风险,但对如何应对意见分歧。Vellante认为,大多数公司尚未完全在其技术栈中采用AI,以超出控制能力的速度实施机器身份将是灾难性的。
他说:"从治理开始。如果你没有强有力的治理结构和强大的安全、治理与合规文化,会发生什么?你会得到影子AI,就像我们有影子IT、影子大数据一样,只是这次更加危险。"
云原生遇见AI原生
在阿姆斯特丹举行的KubeCon 2026展示了云原生从业者如何响应AI推理需求。云原生基础设施已成为AI原生技术的基底,提供必要的治理来控制模型和智能体。
Furrier说:"你开始看到这种新架构的形成,云原生的优势发挥作用,但不是以驱动AI原生的领导方式。这是经典的站在巨人肩膀上的心态,这很美好,因为开源正在蓬勃发展。"
Furrier表示,AI领域仍需要一个接口或框架来控制日益增长的机器身份数量,目前还没有明确的领导者出现。Vellante补充说,随着由机器身份组成的"智能系统"的发展,企业需要弄清楚它与数据的关系。
他说:"如果你要拥有企业的数字表示并让智能体采取行动,就必须有交易。这个智能系统或认知表面的本地性非常重要。企业将运营语义层、交易层,这些都将在接近数据的地方完成。"
Q&A
Q1:OpenClaw是什么?为什么会带来安全风险?
A:OpenClaw是一个开源AI智能体,黄仁勋在英伟达GTC大会上基于它介绍了一系列开源工具。安全风险在于谷歌发现超过800个可下载的OpenClaw技能直接就是恶意软件,这大大增加了攻击面和网络安全风险。
Q2:机器身份激增会带来什么问题?
A:机器身份现在以8万比1的比例超过人类身份,这对网络安全构成前所未有的挑战。与传统的人与人交流不同,现在是智能体与智能体之间的交流,这些机器身份越来越难以跟踪和保护,成为网络安全的新挑战。
Q3:企业应该如何应对智能体AI带来的安全威胁?
A:专家建议从治理开始,企业需要建立强有力的治理结构和安全合规文化。同时需要在基础设施中部署分层安全来对抗智能体AI驱动的攻击,避免出现像影子IT一样的影子AI问题。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。