网络安全、人工智能与治理：在风险加速时代建立信任

安全与创新的融合

当今组织面临双重使命：采用先进技术以保持竞争力，同时管理不断扩大的威胁格局。CISA、AWS、OpenAI 和 Google Cloud 近期的公告体现了这种紧张关系。CISA 将 MLflow 漏洞纳入已知被利用漏洞目录，凸显了广泛使用工具中的持续风险；而 AWS 扩展 Bedrock 的外部网络访问则彰显了对更强大人工智能系统的追求。这些发展并非孤立，它们反映了一个更广泛的转变：安全与创新日益交织。

决策者面临的挑战是避免将安全视为事后考虑。相反，安全必须融入新能力的开发和部署中。这需要文化转变，将风险管理视为创新的推动者而非障碍。

漏洞管理作为持续要务

CISA 关于 CVE-2026-64849 的警报——MLflow 中的服务器端请求伪造漏洞——提醒我们，即使是小众工具也可能成为攻击载体。该漏洞已被积极利用的事实提升了其紧迫性。对于联邦机构，约束性操作指令 26-04 要求优先处理此类风险，但这一原则适用于所有组织：已知漏洞必须及时修补，尤其是在存在利用证据时。

然而，漏洞管理不仅仅是打补丁。它需要一种全面的方法，包括资产清单、风险评分和持续监控。组织应采用有助于根据实际风险而非仅仅严重性评分来确定优先级的框架。在攻击者行动迅速的环境中，从被动打补丁转向主动风险管理至关重要。

人工智能不断扩大的攻击面与防护栏的必要性

AWS 为 Bedrock 的 Web Search 工具推出外部网络访问，展示了人工智能系统与实时互联网交互能力的增长。虽然这能带来更新鲜、更相关的响应，但也引入了新的风险，如数据泄露或接触恶意内容。AWS 通过 IAM 权限进行缓解，要求对外部访问进行明确授权。这种受控能力扩展模式是一种审慎的做法。

OpenAI 强调在网络关键能力背景下“调节模型开发节奏”，进一步凸显了业界对人工智能双重用途性质的认识。随着人工智能模型变得更强大，它们可能被用于进攻性网络行动。OpenAI 承诺加强监控、对齐和安全，表明了一种积极主动的立场，但更广泛的问题依然存在：行业如何集体确保人工智能开发在充分保障下进行？这不是任何一家公司能单独解决的问题。

自动化治理以减少摩擦

Google Cloud 关于自动化数据治理的博客讨论了一个不同但相关的挑战：当数据文档不全、理解不清时积累的“治理债务”。通过利用数据血缘和自动化，组织可以减少维护数据质量和合规性所需的手动工作。这不仅提高了效率，还增强了安全性，因为治理良好的数据更容易保护和审计。

与网络安全的联系显而易见：数据治理是安全的基础要素。如果组织不知道拥有哪些数据、数据位于何处以及谁有权访问，就无法有效保护数据。自动化可以通过持续跟踪数据血缘和标记异常来帮助缩小这一差距。这种主动方法与从被动风险管理向主动风险管理转变的更广泛趋势相一致。

迈向统一的风险管理战略

这四个来源的发展指向一个共同主题：需要一种涵盖网络安全、人工智能治理和数据治理的统一风险管理战略。孤岛式方法已不再足够。组织必须整合这些领域，以建立应对不断演变威胁的韧性。

统一战略应包括持续漏洞管理、受控人工智能能力部署和自动化数据治理。它还应培养安全意识和共同责任的文化。通过这样做，组织不仅可以降低风险，还可以与客户、合作伙伴和监管机构建立信任。

面向未来的持久问题

在我们航行于这个复杂格局时，一个持久的问题浮现：组织如何平衡人工智能和云技术的快速采用与维护稳健安全和治理的必要性？随着技术发展和威胁适应，这个问题将保持相关性。

答案需要技术提供商、企业和政策制定者之间的持续合作。它还需要对透明度和持续改进的承诺。最终，目标不是消除风险——那是不可能的——而是以能够实现可持续创新和信任的方式管理风险。