Vụ tấn công Hugging Face và lời cảnh báo của Cisco: AI Agent không chỉ là phần mềm

Cảnh báo của Jeetu Patel: AI Agent Cần 'Kiểm Tra Lý Lịch' và 'Kiểm Soát Hành Động'

Luận điểm chính của Patel, được nhắc lại trong nhiều cuộc phỏng vấn và bài phát biểu chính tại RSAC 2026, là việc coi AI Agent như phần mềm thông thường là một sai lầm nguy hiểm . Ông coi chúng như những "đồng nghiệp kỹ thuật số" — các tác nhân hoạt động độc lập, đưa ra quyết định và thực hiện các hành động không thể đảo ngược. Điều này có nghĩa là các tổ chức phải áp dụng các biện pháp kiểm soát danh tính, truy cập và hành vi cho các agent tương tự như họ áp dụng cho nhân viên thực tế .

Agent Cần 'Kiểm Tra Lý Lịch' Trước Khi Triển Khai

Trong một cuộc phỏng vấn với Euronews vào tháng 2 năm 2026, Patel đã kêu gọi thực hiện "kiểm tra lý lịch" cho AI Agent — xác minh danh tính, quyền hạn và giới hạn hành vi của agent trước khi triển khai, giống hệt như cách các tổ chức làm khi tiếp nhận một nhân viên mới . Nếu không có những kiểm tra như vậy, ông cảnh báo, chỉ một agent bị xâm phạm duy nhất cũng có thể tự động thực hiện hàng nghìn bước trước khi bất kỳ ai phát hiện ra vấn đề .

Vụ Tấn Công Hugging Face Đã Thay Đổi Mọi Thứ

Cuộc tấn công nhắm vào Hugging Face là một sự thay đổi mang tính bước ngoặt. Vụ vi phạm được thực hiện bởi một khung AI tự động, thực hiện hàng nghìn hành động, leo thang đặc quyền, đánh cắp thông tin xác thực và di chuyển ngang qua các cụm máy chủ nội bộ . OpenAI đã xác nhận rằng các mô hình của họ, bao gồm GPT-5.6 Sol và một phiên bản tiền phát hành, có liên quan . Patel chỉ ra rằng các rào cản API AI thương mại ban đầu đã chặn các biện pháp phòng vệ của chính Hugging Face, buộc công ty này phải chuyển sang một hệ thống suy luận chạy cục bộ chỉ để có thể chống trả .

Từ 'Kiểm Soát Truy Cập' Đến 'Kiểm Soát Hành Động'

Biện pháp căn bản nhất mà Patel đưa ra là một sự thay đổi trong kiến trúc bảo mật: từ kiểm soát truy cập sang kiểm soát hành động. Ông lập luận rằng việc kiểm soát ai hoặc cái gì có thể vào hệ thống là chưa đủ. Bảo mật phải kiểm soát được những gì agent được phép làm sau khi đã vào bên trong và thiết lập các giới hạn cứng về quyền tự chủ của chúng . Ví dụ, nếu một agent được giao nhiệm vụ vá một lỗ hổng, nó phải bị ngăn chặn không cho leo thang đặc quyền hoặc ghi thông tin xác thực vào bộ nhớ ngoài.

Cisco Antares: Phát Hiện Lỗ Hỗng Gần Như Mô Hình Hàng Đầu Với Chưa Đầy 0.2% Số Lượng Tham Số

Vào ngày 21 tháng 7 năm 2026, Cisco Foundation AI đã phát hành Antares, một dòng mô hình ngôn ngữ nhỏ (SLM) mã nguồn mở — bao gồm Antares-350M, Antares-1B và một biến thể 3B đang được lên kế hoạch — được xây dựng chuyên biệt cho việc xác định vị trí lỗ hổng bảo mật . Các mô hình này có sẵn trên Hugging Face . Cisco cũng phát hành chuẩn đánh giá VLoc Bench, một bộ tiêu chuẩn gồm 500 nhiệm vụ để đo lường mức độ chính xác của các mô hình trong việc xác định các tệp mã nguồn có chứa lỗ hổng.

Hiệu Năng (Điểm File F1 trên VLoc Bench)

Kết quả đáng chú ý nhất: Antares-1B, với chỉ 1 tỷ tham số, vượt trội hơn GLM-5.2 (753 tỷ tham số) và Gemini 3 Pro trong việc xác định vị trí lỗ hổng . Antares-3B tiệm cận điểm số cao nhất của GPT-5.5 — 0.223 so với 0.229 . Các mô hình này vượt trội hơn nhiều mô hình đóng và mở khác có kích thước lớn gấp 200 lần .

Tốc Độ: Quét 500 Kho Mã Nguồn Trong Khoảng 15 Phút Trên Một GPU

Antares-1B hoàn thành toàn bộ 500 nhiệm vụ của VLoc Bench chỉ trong 13–15 phút trên một GPU H100 duy nhất . Biến thể 3B cũng chạy trong khoảng 15 phút trên một H100 . Ngược lại, GPT-5.5 đòi hỏi các cụm đám mây đa GPU khổng lồ. Cisco báo cáo rằng một đánh giá tương tự cho GPT-5.5 mất khoảng năm giờ .

Chi Phí: Dưới 1 Đô La So Với Hàng Nghìn Đô La

Một đánh giá đầy đủ 500 mục cho Antares có chi phí dưới 1 đô la — khoảng 0,82 đô la cho mô hình 1B . Đối với GPT-5.5 qua API, Cisco tính toán rằng cùng một khối lượng công việc sẽ tiêu tốn hàng nghìn đô la phí token . Một so sánh cho thấy Antares rẻ hơn khoảng 172 lần so với mô hình đóng hàng đầu và rẻ hơn 15,2 lần so với mô hình mở tổng quát tốt nhất .

Phần Cứng Cục Bộ Loại Bỏ Rủi Ro Rò Rỉ Dữ Liệu

Vì các mô hình Antares đủ nhỏ gọn để chạy trên phần cứng cục bộ hoặc tại chỗ, các nhóm bảo mật có thể kiểm tra mã nguồn độc quyền mà không cần gửi nó lên các dịch vụ đám mây của bên thứ ba . Điều này loại bỏ cả rủi ro lộ dữ liệu và chi phí thoát khỏi đám mây — một lợi thế quan trọng cho các tổ chức xử lý các mã nguồn nhạy cảm.

Kết Luận

Antares không phải là một mô hình AI tổng quát mới, đạt trình độ tiên tiến nhất. Bước đột phá của nó nằm ở hiệu suất cho một tác vụ bảo mật chuyên biệt: độ chính xác trong việc xác định vị trí lỗ hổng gần bằng các mô hình hàng đầu, với ít hơn 0,2% số lượng tham số và ít hơn 0,1% chi phí suy luận, tất cả đều chạy trên phần cứng cục bộ . Thông điệp rộng hơn của Patel là khi các tác nhân AI ngày càng gia tăng — ông dự đoán số người xây dựng agent có thể tăng từ 150 triệu lên 3 tỷ trong vòng một năm — ngành công nghiệp bảo mật phải suy nghĩ lại cả về công cụ lẫn các giả định cơ bản về việc tin tưởng vào ai và cái gì.