每日快讯 · 2026-11-08

在 The Verge 播客节目 Decoder 中，Cognition 首席安全官、斯坦福大学网络政策中心讲师 Alex Stamos 与主持人讨论了当前网络安全面临的严峻局面。他指出，AI 正在让攻击者自动化整个「杀伤链」，过去需要提前数周甚至数月完成的漏洞发现与利用准备工作，如今可以在攻击过程中实时完成，网络安全行业正经历一场结构性冲击。

· Stamos 把刚过去的十月称为「安全警觉月」：PHP、Node 等基础组件爆出重大漏洞，多家 AI 相关「新型云」服务商接连被攻破，Binance 遭遇人类历史上规模最大的盗窃案，Cursor 也发生安全事件。这些攻击呈现链式特征——攻击者先入侵 AI 服务商 Fireworks 窃取 API 密钥，再借此进入 Cursor，随后推送恶意插件波及 5000 多家公司，形成持续不断的入侵。

· 攻击来源多样，既有俄罗斯、朝鲜等国家行为体，也有各类私人团伙。Stamos 认为，真正变化在于开源权重模型已能自动化杀伤链的大部分环节：AI 系统可以一边扫描目标、一边实时发现漏洞并编写利用代码，攻击者不再需要提前储备 exploit。

· 他特别提到一款名为 ARTEX 的中国开源工具，GitHub 上有英文译本，任何人可查看。若在后端接入 GLM-5.3 之类的模型，它就能攻破数量惊人的组织，最初的目标是三家韩国银行，本周相关攻击规模已扩大到约 200 家。

· Stamos 并不认为长期前景悲观，但判断我们正进入一段「黑暗时代」：攻击者能轻易找到入口，防守方却疲于奔命。他形容整个十月到十一月，安全团队实际上一直处于 DEFCON 2 的战备状态，并坦言「大家都累了」。

为什么值得关注：当开源模型把漏洞发现与利用编写变成实时、可自动化的流水线，智能体就不再只是被防御的对象，而成为攻防双方的核心执行者。这既意味着智能体互联网的安全边界需要重新设计，也意味着防御方必须用同等速度的智能体来应对。

AI 工厂把加速器、存储、数据管道和多个独立网络作为一个整体系统运行，正在改变数据中心与网络的关系：过去数据中心是网络连接的一个节点，如今跨机房、跨园区、跨区域的互联链路本身已成为计算系统的一部分。这篇来自 RIPE Labs 的平行报道从网络运营者视角，梳理了 AI 流量在工厂内部、园区之间和公共互联网三个层面分别如何体现、哪些部分不可见，以及电力如何决定这些设施能建在哪里。

· 电力是选址的首要约束。国际能源署把传统数据中心规模定为约 10–25 MW，超大规模 AI 设施为 100 MW 以上，单个项目已达吉瓦级。这类设施无法简单塞进现有互联网枢纽，选址必须同时满足电力、冷却、土地和至少几条独立光纤路由。Google 直言“输电比通过光纤传数据更难”，因此把数据中心建在能源附近，再用网络把跨园区算力池化；微软用专用光网络连接威斯康星和亚特兰大的 Fairwater 站点；Meta 在 RIPE 92 上称电力与空间限制已使 AI 基础设施扩散到更大的都市圈范围。

· 工厂内部的流量完全不在公共视图里。机架内加速器交换模型状态，集群网络承载跨机架的扩展操作，存储向算力输送数据集和检查点。Google 称其 Virgo 网络可在单一 fabric 内连接多达 134,000 颗 TPU 8t 芯片，非阻塞二分带宽达 47 Pb/s；Meta 则描述过检查点突发流量拥塞数据中心网络、导致 GPU 空转。这些都不会出现在互联网 transit 图上，但网络恰恰在这里决定算力实际能发挥多少。

· 园区之间依靠私有互联和专用 AI 广域网。检查点、副本和分布式负载通过暗光纤或波长传输。Meta 表示其 AI Backbone 中一对站点的规模，已是过去十年所建全球骨干网的两倍，这为光纤和 DCI 供应商带来交付日期明确的私有容量需求。

· 公共互联网上，运营者能直接看到两类流量。一是推理会话：Cisco 测量显示，推理流的中位持续时间约为非 AI 网页流的两倍。二是智能体与爬虫：在 Cisco 的一项受控任务中，智能体产生的总流量比人工完成同一任务多出至多 450%；PeeringDB 因 AI 爬虫导致服务劣化而对未认证访问限速，Fastly 发现其归类为 AI 机器人的请求中超过一半到达了源站，而人类请求这一比例不足 9%。

· 推理不等于 CDN 缓存。CDN 可以把可复用的软件和媒体对象放到用户附近，而推理请求通常需要执行模型，最近的缓存、服务入口和运行模型的 GPU 可能分处三地，例如 AWS Bedrock 的跨区域推理可在一个区域接收请求、经 AWS 网络在另一区域处理。Meta 在 RIPE 92 上表示不预期 ISP 网络内的前置设备承载高功耗 GPU，并估计五到八个欧洲地点即可覆盖其当前 99% 的 AI 用例。

为什么值得关注：智能体流量正在以高请求率、长会话和大量回源的方式直接冲击源站与互联点，而支撑它们的算力又藏在公共网络视野之外。对智能体互联网而言，这意味着容量规划、限速策略和互联协议都需要把“不可见的工厂内部网络”和“可见的智能体请求”放在同一张图上考虑。

Ricursive Intelligence 发布 Ripple-65B Preview，这是其自研芯片设计平台所用专有模型的通用版本。该模型从零训练，预训练数据量 12 万亿 token，支持最长 1M 上下文，在 TerminalBench 2.1 上取得 80.52 分，成为美国开源权重模型在智能体编程任务上的新 SOTA，超过多个参数量远大于它的美国开源模型。

· 对比对象包括 Reflection Beam 501B（80.1）、Meta Muse Spark Open 816B（76.4）、Thinking Machines Inkling 975B（63.8）和 NVIDIA Nemotron 3 Ultra 550B（56.4）。Ripple-65B 以 650 亿参数的小体量胜出，并可在 NVIDIA DGX Spark 等本地设备上高效运行。

· 成本控制是核心卖点。团队称从零开始的全部研发费用仅 3200 万美元，约为此前智能体编程开源 SOTA 模型成本的十分之一。这一数字涵盖预训练阶梯开发、数据配比、评测、调试、合成数据生成、后训练配方开发以及最终的正式训练。

· 后训练没有走暴力强化学习路线，而是自建合成数据管线与质量过滤，采用混合 RL 配方，包含截断重要性采样、分数中心化和线性长度惩罚。仅用 140 万次 rollout 就达到 80.5 分，约为此前 SOTA 模型 Reflection Beam 的七十分之一。

· 架构上选择现代化稠密 Transformer 而非 MoE，采用窄而深的比例（d_model 5120、80 层），并加入 FFN 激活裁剪、门控注意力、全局 NoPE 和 value residuals。预训练与后训练全程维持 40% 的 MFU，且无需自定义 kernel 和量化。

· 模型已在 Hugging Face、Together AI、GMI Cloud、OpenRouter 和 Fireworks 上线。团队通过模型阶梯实验把代码任务的计算效率最多提升 16 倍，即达到与 Olmo 3 阶梯相同的代码表现只需十六分之一算力。

为什么值得关注：智能体编程正成为衡量模型实用性的关键指标，而 Ripple 证明了小参数稠密模型配合精细的后训练配方，可以在低成本下挑战更大规模模型。这为智能体互联网中需要本地部署、低延迟推理的智能体应用提供了新的开源选择。