Cisco CPO 警告：AI 代理人不是工具，是數位同事！Hugging Face 遭「無人在鍵盤前」的自主 AI 突破後，安全架構必須徹底翻新

代理人上線前須先通過「背景審查」

在 2026 年 2 月接受 Euronews 專訪時，Patel 呼籲導入 AI 代理人「背景審查」機制——在上線前驗證代理人的身份、權限與行為邊界，就像企業聘用新人時所做的一樣 。若缺乏這道把關，一個被滲透的代理人可以在無人察覺之前，自主執行數千個步驟 。

Hugging Face 被突破：典範轉移

針對 Hugging Face 的攻擊是一場範式轉移。入侵由一個自主代理人框架執行，進行了數千次操作、權限提升、憑證竊取，並在內部叢集間橫向移動 。OpenAI 承認其模型（包括 GPT-5.6 Sol 及一個預發布版本）涉及其中 。Patel 指出，商業 AI API 的防護閘門最初反而阻擋了 Hugging Face 自身的防禦系統，迫使該公司轉為使用本地推理堆疊才能反擊 。

從「存取控管」轉向「行動控管」

Patel 提出的最根本改變，是將安全架構從「存取控管」轉向「行動控管」。他認為，只控管誰或什麼進入了系統已經不夠；安全系統必須控管代理人「進入後能做什麼」，並對其自主權設定硬性邊界 。例如，當代理人被指派修補漏洞的任務時，必須防止它同時提升權限或將憑證寫入外部儲存。

Cisco Antares：以不到 0.2% 的參數量逼近頂尖弱點定位效能

2026 年 7 月 21 日，Cisco Foundation AI 發布了 Antares 系列開源小語言模型——包括 Antares-350M、Antares-1B，以及預計推出的 3B 版本——專為弱點定位而設計 。這些模型已上架 Hugging Face 。Cisco 同時釋出了 VLoc Bench，一個 500 項任務的標竿測試，用以衡量模型辨識弱點原始碼檔案的準確度。

效能（VLoc Bench 的 File F1 分數）

關鍵結果：參數量僅 10 億的 Antares-1B 在弱點定位任務上超越參數量 7530 億的 GLM-5.2 以及 Gemini 3 Pro 。Antares-3B 以 0.223 的分數逼近 GPT-5.5 的 0.229 。這些模型勝過許多參數量超過它們 200 倍以上的開源與封閉模型 。

速度：單張 GPU 約 15 分鐘掃完 500 個程式庫

Antares-1B 在單張 H100 GPU 上，可在 13–15 分鐘內完成整個 500 項任務的 VLoc Bench 。3B 版本同樣約需 15 分鐘 。相較之下，GPT-5.5 需要龐大的多 GPU 雲端叢集。Cisco 表示，GPT-5.5 的等效評估耗時約五小時 。

成本：低於 1 美元 vs. 數千美元

一次完整的 500 項 Antares 評估成本低於 1 美元——1B 模型約為 0.82 美元 。若透過 API 調用 GPT-5.5 執行相同工作，Cisco 計算其 Token 費用將高達數千美元 。一份比較顯示，Antares 比頂尖封閉模型便宜約 172 倍，比最佳開源通用模型便宜 15.2 倍 。

在地硬體消除資料外洩風險

由於 Antares 模型體積小，可在本地或地端硬體上執行，安全團隊可以在不將專有原始碼傳送至第三方雲端服務的情況下進行稽核 。這同時消除了資料外洩風險與雲端傳輸成本——對處理敏感程式碼的組織而言是關鍵優勢。

結論

Antares 並非新的通用頂尖模型。它的突破在於針對安全弱點定位這項狹義任務的效率：以不到 0.2% 的參數量、不到 0.1% 的推理成本，在本地硬體上達到接近頂尖的弱點定位準確度 。Patel 的更大命題是：隨著 AI 代理人大量湧現——他預測代理人開發者人數可能在一年內從 1.5 億成長到 30 億 ——安全產業必須從根本上重新思考它的工具，以及對「誰與什麼值得信任」的基本假設。