AI攻破旧式RSA加密，大厂密集开源与更新

AI 敲响了旧式加密的警钟

Google DeepMind 最近的一项研究让安全圈稍微紧张了一下。他们的 AI 智能体在人类专家的指导下，成功找到了遗留的 1024 位 RSA 加密系统的两个弱点。

这个消息听起来有点吓人，但先别急着改密码。目前主流使用的 2048 位及以上标准的 RSA 系统并不受这次特定攻击的影响。DeepMind 的核心意图不是制造恐慌，而是通过这种“压力测试”来证明：随着 AI 数学推理和计算能力的提升，我们过去认为安全的密码学标准需要被重新审视。

这其实是一个信号。以前修补一个漏洞可能需要几周甚至几个月，现在 a16z 的分析指出，AI 可能将公开修复方案转化为可用漏洞利用工具的时间缩短到数小时。而现实世界中，设备打补丁的速度往往跟不上漏洞被发现的速度，甚至有些设备永远等不到更新。这意味着，防御方必须跑得比攻击方更快，或者至少一样快。

OpenAI 也在做类似的事。他们发布了专门用于网络安全的 GPT-6 Cyber 模型，并启动了面向关键基础设施的 Daybreak Red 计划。这个模型已经参与到 Linux 内核等核心系统的漏洞挖掘中，主动提交报告和补丁。与其等待黑客发现后门，不如让 AI 先把自己家的墙检查一遍。

开源模型进入“万亿参数”混战

如果说安全领域是暗流涌动，那么模型开源市场就是明火执仗的军备竞赛。2026 年 11 月，几家中国头部厂商几乎同时扔出了重磅炸弹。

月之暗面（Moonshot AI）开放了 Kimi K3.1 Pro 的完整权重。这个模型的总参数规模达到了 2.8 万亿，采用稀疏架构，单步激活参数为 25B。在 Agent Arena 的开源榜单上，它迅速占据了第一的位置。官方强调它在长程智能体任务和编码能力上的强化，SiliconFlow 也在首日提供了访问支持。更值得注意的是，月之暗面还推出了 Kimi Hosted Agents，提供可持续运行的云端智能体环境，支持多智能体协作和隔离沙箱。这说明他们不再只卖模型 API，开始直接提供智能体运行的基础设施。

百度也不甘示弱，开源了 280B 参数的 ERNIE 5.5 Flash Base 基础模型。虽然披露的技术细节相对有限，但这标志着百度正式加入超大规模开放模型的竞争行列。对于开发者来说，选择变多了，但也更挑花眼了。

蚂蚁集团发布了原生多模态模型 Ling-3.2-flash，总参数 560B，激活参数 25B，支持 1M 上下文。它的重点很明确：视觉理解和长程多模态交互。腾讯则推出了 Hy4 模型，主打原生视觉和深度研究（Deep Research）能力，并承诺很快开源权重。在金融图表基准测试中，Hy4 的表现相当亮眼。

海外的动作也没停。Thinking Machines 发布了 Inkling 2 Small，总参数 594B，激活参数 17B，声称在西方开源模型中名列前茅。Ricursive Intelligence 则推出了从零预训练的 Ripple-65B Preview，专门面向智能体任务优化。

这一波开源潮有一个共同特点：大家都在拼“智能体”（Agent）能力。单纯的聊天机器人已经不够看了，模型必须能理解复杂指令、调用工具、长期记忆并自主完成任务。参数规模虽然还在涨，但如何高效激活、如何降低推理成本，成了新的竞争焦点。

云厂商忙着帮企业“落地”

模型有了，接下来是怎么用。AWS 和 Google Cloud 最近的更新都指向同一个问题：如何让企业更低成本、更简单地用上 AI。

AWS SageMaker 推理服务新增了对多实例 GPU 的支持。以前，一个 GPU 实例通常只能服务于一个模型端点，资源利用率不高。现在，你可以把单个 GPU 的资源分配给多个模型端点。这对于那些拥有大量中小规模模型的企业来说，意味着加速器利用率的显著提升，直接结果就是省钱。

Greenlight Financial 就是一个例子。他们利用 Amazon Bedrock AgentCore 构建了一个自主安全运营中心（SOC），每月能处理大量安全警报，大幅减少了人工介入的需求。

Google Cloud 则在数据连接上下了功夫。他们推出了 Gemini 企业版数据连接器预览功能。以往，业务人员想查数据，得找数据分析师写 SQL，或者等工程师建管道。现在，通过自然语言查询，业务用户可以直接访问实时企业数据。BigQuery DataFrames 也新增了 .bigquery 访问器，让习惯使用 pandas 的数据科学家能在熟悉的工作流中直接调用机器学习能力。

此外，Google Cloud 还发布了 Z4M 存储优化型计算实例，提供虚拟机和裸金属两种形态，专门针对 AI/ML 训练、推理及并行文件系统进行优化。硬件层面的专用化，说明 AI 负载已经成为云计算的主流需求，通用型实例越来越难以满足极致性能要求。

资本支出仍在狂飙

尽管大家都在谈降本增效，但巨头们在基础设施上的花钱速度一点没慢下来。

a16z 的数据显示，自 2023 年第一季度以来，Alphabet、Microsoft、Amazon 和 Meta 的资本支出增长迅猛。这些钱主要流向了数据中心、芯片采购和网络建设。为什么？因为算力依然是 AI 时代的石油。没有足够的算力储备，再好的模型也跑不起来，再多的用户请求也接不住。

METR 对 Anthropic 内部数据的审计发现，其模型能力提升速度自 2025 年 10 月以来可能加快了约 1.9 倍。这种加速不仅来自算法改进，更来自算力规模的指数级扩张。当竞争对手都在踩油门时，谁也不敢松脚。

智能体与世界模型的合流

在技术路径上，智象创始人梅涛提出了一个有趣的观点：“智能体化世界模型”。他认为，不同的 AI 技术路径最终会合流。以前的世界模型侧重于预测物理世界的变化，而智能体侧重于决策和行动。未来，这两者将深度融合：智能体需要一个准确的世界模型来推演行动后果，而世界模型需要智能体来主动探索未知领域。

这种融合已经在一些应用中初现端倪。比如 NVIDIA 展示的合作伙伴案例中，语音代理、市场数据分析和代理安全购物等应用，都不再是简单的问答，而是具备了一定程度的自主规划和执行能力。

Jerry Liu 推出的 ocria-1 模型也是一个例子。这是一个面向文档解析的低成本、高准确率统一模型，能处理表格、文本、图表、示意图、图片和扫描件。它解决的是智能体“看懂”非结构化数据的问题。如果智能体连一张复杂的财务报表或工程图纸都读不懂，它就很难在企业核心业务中发挥作用。

结语

回顾这一周的资讯，可以看到几个清晰的趋势：

第一，安全边界在重塑。AI 既是矛也是盾，旧有的加密标准和安全流程面临挑战，主动防御和自动化补丁成为常态。

第二，开源模型进入深水区。参数规模不再是唯一指标，智能体能力、推理成本和多模态理解成为新的分水岭。

第三，基础设施向专用化和易用性演进。云厂商正在通过硬件优化和软件抽象，降低企业使用 AI 的门槛和成本。

第四，资本支出依然强劲。巨头们相信，算力储备决定了未来的话语权。

对于开发者和企业来说，现在的重点不应仅仅是追逐最新的模型排行榜，而是思考如何将这些能力整合进自己的工作流，如何解决实际业务中的痛点。毕竟，技术再炫酷，落不了地也只是空中楼阁。