感知计划：从被动调查转向持续降险
" 感知计划 " 旨在通过整合安全信号、上下文数据、AI 模型及专用代理，持续识别、评估并降低组织环境中的安全风险，推动安全团队工作模式从被动调查向持续风险降低转型。
该系统基于三组代理构建闭环流程：红队代理负责在攻击被利用前识别潜在路径与软件弱点；蓝队代理调查发现并判定实质性风险；绿队代理则执行纠正措施。微软表示，该流程能在确保操作人员控制权的同时，以机器速度处理部分分析与响应周期，随时间推移持续优化组织安全态势。
AI-Cyber-1-Flash：成本减半，性能提升
与此同时发布的 Microsoft AI-Cyber-1-Flash 是专为软件漏洞分析构建的网络安全模型，属于微软多模型战略的一部分。该战略主张针对不同安全任务采用高度专业化的模型，而非依赖单一通用模型。
该模型率先应用于微软内部的 MDASH（软件漏洞多模型代理团队）工作流。数据显示，MDASH 结合 AI-Cyber-1-Flash 在 CyberGym 基准测试中得分 96%，较 Mythos 高出 12 分，且相较于现有 MDASH 配置，成本降低近 50%。微软强调，全天候安全运营需兼顾经济控制与技术准确性，" 感知计划 " 将根据质量、可靠性、延迟和成本组合动态选择模型。
重构防御：定义 AI 时代 " 新网络堆栈 "
此次发布亦反映了微软对 AI 时代防御体系的重构，即所谓 " 新网络堆栈 "。在该架构中，信号与传感器提供对资产、身份、数据、云系统及 AI 系统的可见性；安全上下文将这些信号转化为代理可用形式；模型提供推理能力；协调层管理交互；执行器则将决策转化为行动。
其中，" 安全上下文 " 为核心要素。它结合威胁情报与运营安全经验，构建组织资产、关系、风险及活动的近实时视图，使代理能基于共同理解开展工作，避免反复从头收集原始信号，从而大幅减少大规模推理所需的时间、算力及成本。
微软安全执行副总裁 Hayete Gallot 指出，网络安全的 " 物理规律 " 正在改变：自主系统可连续推理适应，而攻击成本下降，保护对象的复杂度却在激增。传统为人类行为者设计的方法已无法应对由 AI 和机器速度攻击构成的新世界。" 感知计划 " 正是防御者在这场速度与规模竞赛中，实现持续感知、推理与行动的早期尝试。
【星途科讯 图文丨小林 首发于 ZAKER 科技，转载请注明出处】
