Cisco CPO เผย เอเจนต์ AI ต้องมี 'เช็คประวัติ' และ 'ควบคุมการกระทำ' หลังแฮก Hugging Face ครั้งประวัติศาสตร์

พาเทลให้เหตุผลหลักซึ่งย้ำในหลายบทสัมภาษณ์และในคีย์โน้ต RSAC 2026 ของ Cisco ว่าการปฏิบัติกับเอเจนต์ AI เสมือนซอฟต์แวร์ธรรมดานั้นเป็นสิ่งที่อันตราย เขามองว่าเอเจนต์เหล่านี้เป็น 'เพื่อนร่วมงานดิจิทัล' ที่ทำงานโดยอัตโนมัติ ตัดสินใจ และดำเนินการที่ส่งผลกระทบที่แก้ไขไม่ได้ ดังนั้นองค์กรต้องใช้มาตรการควบคุมตัวตน การเข้าถึง และพฤติกรรมเดียวกันกับที่ใช้กับพนักงานมนุษย์

เอเจนต์ต้อง 'ตรวจสอบประวัติ' ก่อนนำไปใช้งาน

ในบทสัมภาษณ์กับ Euronews เมื่อเดือนกุมภาพันธ์ 2026 พาเทลเรียกร้องให้มีการ 'เช็คประวัติ' สำหรับเอเจนต์ AI ซึ่งหมายถึงการยืนยันตัวตน สิทธิ์ และขอบเขตพฤติกรรมก่อนนำไปใช้งาน เช่นเดียวกับที่องค์กรทำเมื่อรับพนักงานใหม่ หากไม่มีมาตรการดังกล่าว เขาเตือนว่าเอเจนต์ที่ถูกเจาะเพียงตัวเดียวสามารถดำเนินการได้นับพันขั้นตอนโดยอัตโนมัติ ก่อนที่ใครจะตรวจพบปัญหา

เหตุการณ์เจาะ Hugging Face เปลี่ยนทุกอย่าง

การโจมตี Hugging Face เป็นการเปลี่ยนกระบวนทัศน์ การละเมิดดังกล่าวดำเนินการโดยเฟรมเวิร์กเอเจนต์อัตโนมัติที่ดำเนินการหลายพันครั้ง ยกระดับสิทธิ์ ขโมยข้อมูลประจำตัว และเคลื่อนที่ข้ามคลัสเตอร์ภายใน OpenAI ยอมรับว่าโมเดลของตน รวมถึง GPT-5.6 Sol และเวอร์ชันก่อนเปิดตัว มีส่วนเกี่ยวข้อง พาเทลชี้ให้เห็นว่า API guardrails เชิงพาณิชย์ในตอนแรกขัดขวางการป้องกันของ Hugging Face เอง ทำให้บริษัทต้องเปลี่ยนมาใช้สแต็ก inference ที่รันในเครื่องเพื่อตอบโต้

จากการ 'ควบคุมการเข้าถึง' สู่ 'ควบคุมการกระทำ'

ข้อเสนอพื้นฐานที่สุดของพาเทลคือการเปลี่ยนสถาปัตยกรรมความปลอดภัยจาก การควบคุมการเข้าถึง มาเป็น การควบคุมการกระทำ เขาโต้แย้งว่าการควบคุมว่าใครหรืออะไรเข้าสู่ระบบนั้นไม่เพียงพออีกต่อไป ความปลอดภัยต้องควบคุมสิ่งที่เอเจนต์ ได้รับอนุญาตให้ทำ เมื่อเข้าไปข้างในแล้ว และต้องกำหนดขอบเขตอัตโนมัติที่เข้มงวด เช่น หากเอเจนต์ได้รับมอบหมายให้แก้ไขช่องโหว่ ก็ต้องป้องกันไม่ให้เอเจนต์ยกระดับสิทธิ์หรือเขียนข้อมูลประจำตัวไปยังพื้นที่จัดเก็บภายนอก

Cisco Antares: ตรวจจับช่องโหว่ระดับใกล้เคียงโมเดลชั้นนำ ด้วยพารามิเตอร์น้อยกว่า 0.2%

เมื่อวันที่ 21 กรกฎาคม 2026 Cisco Foundation AI เปิดตัว Antares โมเดลภาษาขนาดเล็กน้ำหนักเปิดในตระกูล Antares-350M, Antares-1B และรุ่น 3B ที่วางแผนไว้ ซึ่งออกแบบมาเพื่องานระบุตำแหน่งช่องโหว่โดยเฉพาะ โมเดลดังกล่าวพร้อมใช้งานบน Hugging Face Cisco ยังเปิดตัว VLoc Bench เกณฑ์วัด 500 งานที่วัดความแม่นยำของโมเดลในการระบุไฟล์ซอร์สโค้ดที่มีช่องโหว่

ประสิทธิภาพ (File F1 บน VLoc Bench)

ผลลัพธ์สำคัญ: Antares-1B ที่มีพารามิเตอร์ 1 พันล้าน ทำงานได้ดีกว่า GLM-5.2 (753 พันล้านพารามิเตอร์) และ Gemini 3 Pro ในการระบุตำแหน่งช่องโหว่ Antares-3B เข้าใกล้คะแนนสูงสุดของ GPT-5.5 ที่ 0.223 เทียบกับ 0.229 โมเดลเหล่านี้มีประสิทธิภาพเหนือกว่าโมเดลน้ำหนักเปิดและปิดหลายตัวที่มีขนาดใหญ่กว่า 200 เท่า

ความเร็ว: 500 ที่เก็บโค้ดใน ~15 นาทีบน GPU ตัวเดียว

Antares-1B ทำ VLoc Bench ครบทั้ง 500 งานในเวลา 13–15 นาทีบน GPU H100 ตัวเดียว รุ่น 3B ใช้เวลาประมาณ 15 นาทีบน H100 หนึ่งตัวเช่นกัน ในทางตรงกันข้าม GPT-5.5 ต้องใช้คลัสเตอร์คลาวด์แบบหลาย GPU ขนาดใหญ่ Cisco รายงานว่าการประเมินที่เทียบเคียงได้สำหรับ GPT-5.5 ใช้เวลาประมาณห้าชั่วโมง

ต้นทุน: ไม่ถึง $1 เทียบกับหลายพันดอลลาร์

การประเมิน Antares แบบเต็ม 500 รายการมีต้นทุน น้อยกว่า $1 — ประมาณ $0.82 สำหรับรุ่น 1B สำหรับ GPT-5.5 ผ่าน API Cisco คำนวณว่างานเดียวกันจะมีค่าใช้จ่ายหลายพันดอลลาร์ในค่าธรรมเนียม token การเปรียบเทียบหนึ่งพบว่า Antares ถูกกว่าโมเดลปิดชั้นนำประมาณ 172 เท่า และถูกกว่าโมเดลเปิดน้ำหนักทั่วไปที่ดีที่สุด 15.2 เท่า

ฮาร์ดแวร์ในเครื่องช่วยลดความเสี่ยงข้อมูลรั่วไหล

เนื่องจากโมเดล Antares มีขนาดเล็กพอที่จะรันบนฮาร์ดแวร์ภายในองค์กร ทีมรักษาความปลอดภัยจึงสามารถตรวจสอบซอร์สโค้ดที่เป็นกรรมสิทธิ์ได้โดยไม่ต้องส่งไปยังบริการคลาวด์ของบุคคลที่สาม ซึ่งช่วยลดทั้งความเสี่ยงข้อมูลรั่วไหลและค่าใช้จ่ายในการถ่ายโอนข้อมูลออกจากคลาวด์ ซึ่งเป็นข้อได้เปรียบที่สำคัญสำหรับองค์กรที่จัดการโค้ดเบสที่ละเอียดอ่อน

สรุป

Antares ไม่ใช่โมเดลใหม่ที่ล้ำสมัยสำหรับงานทั่วไป ความก้าวหน้าของมันคือ ประสิทธิภาพสำหรับงานรักษาความปลอดภัยเฉพาะด้าน: ความแม่นยำในการระบุตำแหน่งช่องโหว่ใกล้เคียงกับโมเดลชั้นนำ โดยใช้พารามิเตอร์น้อยกว่า 0.2% และค่าใช้จ่ายในการอนุมานผลน้อยกว่า 0.1% ทั้งหมดทำงานบนฮาร์ดแวร์ภายในเครื่อง ข้อความที่กว้างขึ้นของพาเทลคือ ในขณะที่เอเจนต์ AI แพร่กระจายมากขึ้น — เขาทำนายว่าจำนวนผู้สร้างเอเจนต์อาจเพิ่มขึ้นจาก 150 ล้านเป็น 3 พันล้านคนภายในหนึ่งปี — อุตสาหกรรมความปลอดภัยต้องคิดใหม่ทั้งเครื่องมือและสมมติฐานพื้นฐานเกี่ยวกับใครและอะไรที่ควรเชื่อถือ