跳到正文

#Microsoft

今日 0 条
11月19日周四
  1. TechCrunch · AI42

    Satya Nadella 警告:大量关键基础设施软件「无法打补丁」,AI 网络攻击加剧风险

    微软 CEO Satya Nadella 在 DealBook Summit 上表示,美国大量关键基础设施中的固件、冷水机组和 HVAC 系统存在无法修复的漏洞,且都联网在线。他指出 AI 让漏洞发现和攻击都更快,补丁必须从可用到上线瞬间完成,这反而会带来系统不稳定。他还提到近期 Outlook 全球故障源于一个「潜在 bug」引发的「完美风暴」,微软将吸取架构和运维层面的教训。

11月18日周三
11月4日周三
  1. Microsoft Research22

    微软研究院 Mike Walker 谈黑客思维:规则是理解信任与安全的入口

    微软研究院研究经理 Mike Walker 在播客中讲述自己从黑客文化走入网络安全研究的经历,他曾领导 DARPA 的 Cyber Grand Challenge,该项目今年迎来 10 周年。他认为安全系统每次向用户索取配合都是在消耗信任,有效安全取决于对信任与上下文的理解,并反思了网络系统如今是否比十年前更安全。

10月27日周二
  1. MIT Technology Review · AI20

    工业智能:制造业的下一个增长机会

    工业智能将制造商的积累经验、运营实践与生产数据结合,让知识在决策现场可用并接入物理生产环节。Toyota Industries 打通原本割裂的涂装车间数据后,分析周期从五天缩短到四小时以内,试点中相关涂装缺陷减少约 25%。Rockwell Automation 新加坡工厂用维护 copilot 整合制造数据、设备手册与老员工经验,新员工掌握数百台设备故障排查的时间从九个月降至三个月。

10月23日周五
  1. The Verge · AI58

    比尔·盖茨:要为约20年动荡的AI冲击期做准备

    比尔·盖茨在 Decoder 访谈中表示,人们要为约20年动荡的AI冲击期做准备,这段过渡期可能把社会分成靠近技术前沿与拒绝技术两类人。他认为当前风险主要来自可被移除全部防护的模型,近期威胁是网络攻击、生物攻击与就业冲击,而完全失控并非迫在眉睫。他提出三条对齐路径,包括改变训练方式、提升模型内部可见性,以及在模型外加上符号化规则的安全层,并主张由政府对超过一定能力的模型强制保留防护与监控。

10月21日周三
10月11日周日
  1. The Decoder38

    微软 Nadella 改用特朗普偏好的 "Super Intelligence" 措辞,并借此攻击 OpenAI 与 Anthropic

    微软 CEO Satya Nadella 在最新博文中改用特朗普推崇的 "Super Intelligence" 一词,并主张将 AI 模型视为内部安全威胁,要求模型多样性、完整日志记录、独立审计和人类随时关停能力。他称最可信的系统不是模型最强的系统,而是最不需要信任模型的系统。文章认为,此举实质是借安全叙事削弱 OpenAI 与 Anthropic 的可信度,以维护微软自身商业模式。

  2. TechCrunch · AI60

    微软 CEO 纳德拉称 AI 模型需要“紧急刹车”

    微软 CEO Satya Nadella 在 X 上发文称,应当退一步审视 AI 的信任架构,不能把超级智能当作层层嵌套的黑箱,只能接受或拒绝它的建议、回答和行动。他提出要把模型与编排其工作的框架分离、将控制与保障措施外置,为每一次有意义的模型动作留下防篡改且人类可读的证据,并让授权人员始终能在任务中途暂停或关停模型。他表示必须假设模型已被攻破并从一开始就加以约束,就像紧急刹车一样。

10月9日周五
  1. The Verge · AI48

    特朗普试图将 AI 改名为「Super Intelligence」,OpenAI、Meta 等高管纷纷附和

    特朗普签署行政令,要求尽可能停用「AI」一词,改称「Super Intelligence」,并将继续使用「Artificial Intelligence」的人称为「THE ENEMY」。美国 CAISI 已更名为 CAISSI,司法部新闻稿也改用该说法;Elon Musk 承诺将 SpaceXAI 改名为 SpaceXSI,Sam Altman 表示赞同但 OpenAI 不会改名。

10月7日周三
  1. Microsoft Research22

    Microsoft 研究员 Jennifer Neville:AI 评测如何暴露模型的“意外失败”

    Microsoft 的 Jennifer Neville 在 Microsoft Research Podcast 中讨论评测如何推动 AI 系统突破传统 benchmark 的性能边界,以及模型在超出常规测试时出现的“意外失败”。她结合自身从数学、物理、认知科学到计算机科学的经历,分享与当前 AI 系统协作的实用建议,并强调当结果偏离预期时应仔细审视数据。

9月29日周二
9月25日周五