Microsoft buduje cyberbezpieczeństwo z pomocą AI. MAI-Cyber-1-Flash i Project Perception mają wykrywać oraz łatać luki

Oba rozwiązania są ze sobą powiązane. Model ma wyszukiwać i analizować podatności, a Project Perception ma koordynować całe zadanie: od znalezienia potencjalnej luki, przez sprawdzenie, czy rzeczywiście można ją wykorzystać, po przygotowanie i wdrożenie poprawki. Microsoft przedstawia ten kierunek jako obronę AI przed zagrożeniami wykorzystującymi AI .

MAI-Cyber-1-Flash: niewielki model do polowania na luki

MAI-Cyber-1-Flash ma 5 mld parametrów, więc jest relatywnie kompaktowy na tle współczesnych dużych modeli językowych . Powstał na bazie MAI-Code-1-Flash, który z kolei wywodzi się z rodziny modeli rozumujących MAI-Thinking-1, ogłoszonej przez Microsoft w czerwcu 2026 r. .

Model dostrojono do zadań związanych z podatnościami w oprogramowaniu: ich wykrywania, potwierdzania, sortowania według ważności oraz generowania poprawek. Działa w ramach MDASH — skrótu od Multi-Model Agentic Scanning Harness, czyli wielomodelowego systemu agentowego do skanowania i naprawiania luk .

96 proc. w benchmarku, ale to nadal deklaracja producenta

Microsoft twierdzi, że konfiguracja MDASH z MAI-Cyber-1-Flash uzyskała 96 proc. w benchmarku CyberGym. To opracowany przez Microsoft test sprawdzający wykrywanie podatności, ocenę ich wykorzystywalności i przygotowywanie poprawek. Według firmy wynik jest o 12 punktów procentowych wyższy od rezultatu Anthropic Claude Mythos 5, który miał uzyskać około 84 proc. .

Drugim argumentem ma być cena. Microsoft szacuje, że zastosowanie własnego modelu pozwala obniżyć koszty o około 50 proc. w porównaniu z konfiguracją opartą wyłącznie na zewnętrznych modelach najwyższej klasy. MAI-Cyber-1-Flash ma obsługiwać około 90 proc. zadań w MDASH, natomiast droższe modele, takie jak GPT-5.4, są kierowane tylko do najbardziej złożonych przypadków .

Warto zachować ostrożność przy interpretacji tych liczb. Wyniki 96 proc. i redukcja kosztów pochodzą od Microsoftu. Serwis Digital Applied zwraca uwagę, że wynik CyberGym nie został niezależnie zweryfikowany, a wpisy w rankingu benchmarku są zgłaszane przez uczestniczące laboratoria . The New York Times podał również, że przed premierą Microsoft nie udostępnił modelu niezależnym testerom .

Model Card i mechanizmy ograniczające fałszywe alarmy

Microsoft opublikował kartę modelu, czyli dokument opisujący m.in. proces kalibracji bezpieczeństwa, dane dostrajające oraz przeznaczenie MAI-Cyber-1-Flash w środowisku MDASH .

System nie ma polegać na pojedynczej odpowiedzi jednego modelu. Agenci wykorzystują mechanizm debaty między modelami, a następnie dedykowany proces dowodowy ma odrzucać fałszywe alarmy, zanim zgłoszenie trafi do inżyniera . Człowiek nadal pozostaje elementem procesu weryfikacji, szczególnie przy decyzjach o wysokim znaczeniu.

MDASH: warstwa, która miała już znaleźć realne podatności

MDASH jest silnikiem koordynującym pracę wielu modeli językowych, w tym MAI-Cyber-1-Flash i GPT-5.4. System dzieli proces na etapy skanowania, walidacji, oceny ryzyka i naprawy .

Kluczowa jest funkcja routingu modeli. Rutynowe zadania trafiają do mniejszego i tańszego modelu Microsoftu, a bardziej wymagające rozumowanie jest przekazywane większym modelom. W założeniu pozwala to połączyć specjalizację, szybkość i niższe koszty z możliwościami modeli ogólnego przeznaczenia .

16 luk w Windows i cztery krytyczne błędy RCE

Według Microsoftu MDASH odegrał rolę w znalezieniu 16 wcześniej nieznanych podatności w warstwie sieciowej i uwierzytelniania systemu Windows przed majowym cyklem aktualizacji Patch Tuesday. Cztery z nich sklasyfikowano jako krytyczne błędy zdalnego wykonania kodu (RCE), dotyczące m.in. stosu TCP/IP jądra Windows oraz usługi IKEv2 .

Jedną z opisanych podatności była CVE-2026-33824 z wynikiem CVSS 9,8. Był to błąd typu double-free w pliku ikeext.dll. Według opisu podatność mogła umożliwić nieuwierzytelnionemu napastnikowi wysłanie specjalnie spreparowanych pakietów do komputera z włączonym IKEv2, a następnie zdalne wykonanie kodu .

W maju Microsoft wydał poprawki dla 118 CVE, z czego 30 oceniono jako krytyczne — to szerszy zestaw niż same luki przypisane do MDASH . W czerwcu system miał pomóc także w identyfikowaniu problemów w Hyper-V, Active Directory i jądrze Windows .

Według opisów działania MDASH agenci AI prowadziły między sobą debatę na temat tego, czy dana podatność jest rzeczywiście możliwa do wykorzystania. Dopiero najbardziej wiarygodne ustalenia były przekazywane do zespołów inżynieryjnych .

Project Perception: czerwoni, niebiescy i zieloni agenci

Project Perception to komercyjna platforma zbudowana na bazie MDASH i MAI-Cyber-1-Flash. Microsoft opisuje ją jako „nowy cyberstack”, łączący sygnały, kontekst bezpieczeństwa, wyspecjalizowane modele i agentów w systemie, który ma stale uczyć się i reagować .

W centrum platformy znajdują się trzy grupy agentów:

• Red team — symuluje zachowanie napastników i szuka ścieżek prowadzących do wykorzystania słabości;
• Blue team — wykrywa zagrożenia, analizuje sygnały i ocenia ich znaczenie;
• Green team — odpowiada za działania naprawcze i wdrażanie poprawek .

Project Perception ma dobierać model do konkretnego etapu pracy. W zależności od zadania może wykorzystać MAI-Cyber-1-Flash, GPT-5.4 lub modele Anthropic . To podejście odróżnia platformę od rozwiązania opartego na jednym modelu używanym do wszystkich zadań.

Początkowo system koncentruje się na zarządzaniu podatnościami w oprogramowaniu. Microsoft zapowiada jednak rozszerzenie go na ciągłe monitorowanie, badanie incydentów i automatyczne działania naprawcze — czyli szerszy, stale działający system obrony .

Kiedy Project Perception będzie dostępny?

Publiczna wersja testowa ma wystartować 3 sierpnia 2026 r. dla biznesowych klientów Microsoftu, którzy już testują agentowy system MDASH . Początkowo Project Perception ma być dostępny w ramach Microsoft Defender, a z czasem firma planuje wdrożenie go w całym portfolio Microsoft Security .

To ważne zastrzeżenie: mowa o wersji preview, a nie o finalnej, powszechnie dostępnej usłudze. Szczegóły dotyczące zakresu obsługiwanych środowisk, kwalifikacji klientów i modelu cenowego mogą jeszcze ulec zmianie.

Microsoft dołącza do wyścigu o AI dla cyberbezpieczeństwa

Premiera odbywa się w czasie coraz ostrzejszej rywalizacji między firmami rozwijającymi AI do wyszukiwania podatności. Anthropic wcześniej przyciągnął uwagę modelem Claude Mythos, a Google i OpenAI również inwestują w automatyczne wykrywanie luk .

Microsoft próbuje wyróżnić się przede wszystkim architekturą wielomodelową. Mały, wyspecjalizowany model wykonuje większość powtarzalnej pracy, a droższe modele są używane tylko wtedy, gdy potrzebne jest bardziej złożone rozumowanie. Jeśli deklaracje firmy się potwierdzą, takie podejście może być atrakcyjne dla przedsiębiorstw, które chcą skanować kod i infrastrukturę częściej, ale nie chcą ponosić kosztów ciągłego używania największych modeli .

Największym testem nie będzie jednak sam wynik benchmarku. Dla klientów korporacyjnych równie ważne okażą się niezależne oceny, liczba trafnych zgłoszeń, ograniczenie fałszywych alarmów oraz to, jak bezpiecznie system może działać w środowisku produkcyjnym. Microsoft ma już argument w postaci 16 podatności znalezionych w jednym cyklu aktualizacji, ale dopiero szersza weryfikacja pokaże, czy Project Perception rzeczywiście zmieni codzienną pracę zespołów bezpieczeństwa.