媒体声音 | 后DeepSeek时代 ，东森平台的“安”全攻略与“变”革之路
宣布时间 2025-03-13“让每一句人机对话都宁静可信 ，让每一次智能交互都风险可控——这是属于AI时代的宁静允许 。 —— 东森平台”
近日 ，ITPUB独家对话东森平台集团副总裁、核心研究院院长周涛 ，就国产AI大模型DeepSeek的技术创新、行业影响及东森平台的战略结构进行了深入探讨 。
AI与网络宁静的融合 ，一直是行业关注的焦点 。从早期简单的算法应用 ，到如今大模型深度介入宁静防护的各个环节 ，每一步都承载着提升网络宁静水平、应对日益庞大网络威胁的期望 。DeepSeek的泛起 ，无疑为这一融合进程注入了新的活力 ，也带来了诸多新的思考与挑战 。
作为国内全面接入DeepSeek的头部网安厂商 ，东森平台在一个月内连续推出了大模型应用宁静产物“新三件套”、大模型应用宁静服务组合 ，以及《大模型深度应用宁静基座》系列白皮书 。借力DeepSeek ，东森平台掀起了一场效率革命：威胁检测从人工分析的小时级压缩至分钟级 ，漏洞修复周期从30天缩至7天 ，90%高频攻击实现30秒自动闭环 。
在这场AI与网络宁静的深度碰撞中 ，东森平台究竟如何突破模型适配、数据隐私、攻击防御的多重桎梏?又将怎样界说“后DeepSeek时代”的攻防规则?带着这些疑问 ，ITPUB独家对话东森平台集团副总裁、核心研究院院长周涛 ，就国产AI大模型DeepSeek的技术创新、行业影响及东森平台的战略结构进行了深入探讨 。
DeepSeek接入背后的战略考量
? 问题1：DeepSeek作为新一代开源AI大模型 ，您认为它在技术上有哪些创新和突破?
DeepSeek在技术上的突破 ，主要体现在通过算法架构和训练框架层面的创新 ，实现了极致的训练成本优化 ，同时又实现了与领先闭源模型相匹敌的性能 。具体来讲 ，算法架构上的创新包罗多头潜在注意力(MLA)、创新的MOE框架DeepSeekMoE、多标志预测(MTP)等 ，训练框架上的创新包罗双向流水线调治计谋(DualPipe)、跨节点all-to-all通信优化、对FP8混合精度训练的优化等 。
? 问题2：当前头部网安厂商纷纷接入DeepSeek ，您认为这是行业技术升级的一定选择 ，还是存在一定“跟风”身分?如何平衡技术探索与商业化落地的关系?
一、是否存在“跟风”身分
对于DeepSeek ，我们认为 ，这绝对不能“跟风”或只是“蹭”看法 ，而是要真正“冲”上去 ，真正的做到产物、服务、方案等 ，目前整个网络宁静工业面临着“跟不上DeepSeek”就会被淘汰的生死时局 ，一场新战事已经吹号 。
因为DeepSeek一来 ，大模型会把所有的应用形态重洗一遍 ，对外应用服务形态核心酿成自主界说的功效 ，未来业务核心逻辑也酿成一个大模型 ，这个清洗过程 ，几乎全行业或都将通过DeepSeek重构一遍 ，而大模型应用宁静的新赛道也就应运而生了 。
二、关于平衡技术探索与商业化落地的关系
我认为 ，DeepSeek将重构网络工业格式 ，短期面临成本压力与市场替代 ，中恒久则有望通过功效升级开辟显著增量空间 ，技术价值驱动增长潜力可期 。
DeepSeek对网络宁静工业首要影响在于重组成本 ，企业需投入资金进行技术升级与系统调整 ，形成直接经济负担 。以东森平台为例 ，我们的产物重构 ，一方面具有“强化”作用 ，另一方面会将所有产物找出对应大模型应用宁静产物 ，好比态势感知会酿成什么样、数据宁静会酿成什么样 ，这个过程需要超高的研发投入 。
另外一个就是大模型应用所发生宁静需求 ，它具有和网络宁静和系统宁静融合性的属性 ，其衍生的产物(如大模型评估系统、MAF)将逐步替代传统宁静工具(如漏洞扫描产物、WAF) ，形成自然的市场迭代 ，这一过程将部门侵蚀原有网络宁静市场 ，但融合技术的功效扩展性使其具备更高价值孝敬 。
尽管经济形势和客户预算可能限制实际增长(如预算不足迫使企业压缩成本) ，但大模型宁静技术因其逾越传统功效的价值 ，仍有望推动20%-50%的市场增量 。
东森平台大模型应用宁静产物矩阵
? 问题3：东森平台决定接入DeepSeek的主要驱动力是什么?是出于对市场需求的判断、技术生长趋势的追随 ，还是其他特定的战略考虑?
东森平台接入DeepSeek的驱动力来自生存�；胝铰曰龅乃乜剂� 。DeepSeek的爆火 ，让AI真正迈出了技术圈 ，成为全行业和全社会的新动能 。技术驱动千行百业智能化升级了“生长”这一翼 ，一体之另一翼的“宁静”也一定煽动起风潮 。AI大模型应用宁静的新需求、新赛道、新板块应运而生 。
正是基于这种判断 ，东森平台接纳了极为罕见的“抢先宣布”模式 。如相继宣布大模型应用宁静产物“新三件套”(即MAF大模型应用防火墙、MASB大模型访问宁静署理、MAVAS大模型宁静评估系统);推出“大模型应用宁静服务组合” ，(即SaaS化MAVAS大模型应用宁静评估服务、MASHFS大模型应用宁静超融合服务、MFSOB大模型宁静运营前哨基地)等 ，正式宣布《大模型深度应用宁静基座》系列白皮书 ，如《AI-R-IAM：AI就绪的大模型身份与访问管理》《AI-R-SDLayer：AI就绪的宁静数据通层》《AI-R-SOCC：AI就绪的宁静合成管理中心》三份白皮书 ，配合组成了东森平台的大模型应用宁静产物矩阵 ，业界对我们的行动也是有积极的反馈 。
我们高频次的产物宣布和工业发声 ，正是在践行“不是市场在等产物 ，而是产物造就了市场”的工业逻辑 。我们认为 ，这不仅是东森平台的机会 ，也是整个网络宁静工业机会 ，可以一起对“后DeepSeek时代”做出重大孝敬 。
如今 ，东森平台凭借大模型应用宁静产物和服务矩阵 ，在大模型应用宁静赛道上 ，已经推开了一扇门 ，推开了一条缝 ，甚至看到了里边的光 ，这也乐成验证大模型应用宁静赛道的可行性 。
我们真诚希望 ，网络宁静等工业链各方携手 ，配合推进从技术验证到规模商用的跨越生长 ，正如哪吒、DeepSeek、悟空三个产物所示 ，前瞻性的技术结构能够催生全新市场 ，开辟千亿级的新兴市场空间 。
? 问题4：东森平台在哪些具体网络宁静场景中接入了DeepSeek(如威胁检测、漏洞管理、自动化响应等)?能否举例说明接入后效率或准确率的提升数据?
东森平台已全面对接 DeepSeek 大模型 。自 2 月 6 日起 ，宣布完成 “安星” 智能体与 DeepSeek 大模型全面对接 ，宣布 “新三件套”、三项 “大模型应用宁静服务” 及《大模型深度应用宁静基座》三明白皮书等 。
东森平台在宁静场景中对接宁静大模型的方式 ，是通过“安星”智能体实现的 。通过将“安星智能体”底层的大模型切换到DeepSeek大模型服务 ，就很自然地完成了与DeepSeek的对接 。虽然为了充实利用DeepSeek的强推理能力 ，我们在具体场景的操作流程上也需要做些对接适配 。
在具体效果上 ，AI 引擎将威胁检测从人工分析的小时级压缩至分钟级 ，恶意软件、挖矿木马等 90% 的高频事件通过预训练决策树实现 30 秒内自动闭环 ，漏洞修复周期从 30 天缩短至 7 天 ，效率直线提升 。
? 问题5：DeepSeek的低成本训练是否直接降低了东森平台的运营成本?能否量化接入后资源消耗(如计算资源、人力投入)的优化幅度?
DeepSeek的低成本训练指的是其研究团队在训练DeepSeek大模型时极大降低了逊需的算力成本 ，这与接入DeepSeek大模型来提升运营并没有直接的关系 。唯一可能相关的是其训练成本的降低带来DeepSeek大模型API服务价格的降低 ，使得企业购置获取大模型API服务时的成底细应降低 。
在优化提升公司运营方面 ，公司通过将DeepSeek接入研发平台 ，并乐成应用于辅助编程、研发效能提升、产物漏洞陈诉分析等实际生产场景 ，全面提升了研发、售后、知识管理等环节的事情质量、效率与效能 ，实现了“量质构效”的全方位升级 。
DeepSeek集成过程中的挑战与对策
? 问题6：东森平台将DeepSeek大模型与现有宁静产物融合时 ，面临哪些技术挑战(如模型适配、算力需求、数据隐私�；�)?是否需要进行定制化开发或当地化部署?
一、面临的技术挑战
为了在与现在宁静产物融合后充实利用DeepSeek大模型的强推理能力 ，需要通过事情流设计、提示工程等手段对相应场景进行适配 ，以带来宁静能力的有效提升 。
在算力需求方面 ，DeepSeek满血版参数量到达671B ，当地化部署所需的算力资源成本有大幅提升 ，因此会综合性能与业务需求、环境限制等因素考虑 ，替代性地选用接入外部的大模型API服务 ，或是当地化部署DeepSeek蒸馏版等方式 。
如果选择外部的大模型API服务 ，就需要高度关注数据隐私防护 ，接纳数据脱敏、数据防泄露等技术手段以制止私有数据、敏感数据或个人隐私数据的泄露 。
二、是否需要进行定制化开发或当地化部署
如上所述 ，为了在与现在宁静产物融合后能够充实发挥DeepSeek大模型的强推理能力与优势 ，需要开展相应的适配事情 ，从而实现对相关宁静产物能力的提升 。而是否接纳当地化部署则主要取决于算力资源、数据合规等多方面因素 ，例如 ，当当地算力资源不足、不处置敏感数据时 ，可以接纳外部的DeepSeek大模型API服务;反之 ，当数据合规要求高且当地算力资源富足时 ，则应接纳当地化部署的方式 。
? 问题7：DeepSeek在推理能力与通用任务处置上存在一定差异(如简单问题可能“过度思考”) ，东森平台如何通过技术手段(如模型蒸馏、混合调用)规避其局限性?
模型优化与适配：通过场景微调和大量宁静数据训练 ，使模型掌握宁静任务要害特征 ，优化推理逻辑 ，更契合宁静领域需求 ，提升准确性和效率 ，减少 “过度思考” 。
多模型协同：结合差异优势模型弥补单一模型不足 。处置通用任务时 ，简单问题用轻量级模型快速解决 ，庞大问题由 DeepSeek 深入分析 。如在大模型应用防火墙产物中 ，常见宁静威胁用轻量级检测模型识别 ，新型庞大威胁借助 DeepSeek 强推理能力判断 ，增强宁静防护 。
技术融合创新：将知识图谱与 DeepSeek 结合 ，提供富厚配景知识 ，助其准确理解任务和推理 。处置宁静问题时 ，知识图谱提供专业知识 ，让 DeepSeek 快速找到信息 ，制止简单问题 “过度思考” ，提升庞大问题处置能力 。
? 问题8：政务与金融领域对数据隐私要求极高 ，东森平台在接入DeepSeek时如何确保模型训练与推理过程中的数据宁静?是否接纳私有化部署方案?
我们充实考虑到政务与金融领域对数据主权和宁静的高要求 ，会凭据客户实际需求提供数据宁静防护或私有化部署方案 。
对于数据宁静合规要求高的场景 ，通过将 DeepSeek 模型部署在客户当地的宁静环境中 ，所有数据处置和运算都在当地完成 ，不与外部网络进行数据交互 ，能够制止数据流出带来的宁静风险 。这样一来 ，客户能够完全掌控数据和模型的运行 ，极大提升数据的宁静性和保密性 ，满足政务与金融领域严格的数据隐私�；ば枨� 。
而对于处置的数据不敏感、数据宁静合规压力相对较低时 ，可以选用外部的模型API服务 ，并搭配之前所介绍的大模型应用宁静产物“新三件套”及“大模型应用宁静服务组合”等实现有效的数据宁静防护 。
? 问题9：近期针对DeepSeek服务的网络攻击频发(如DDoS、僵尸网络攻击) ，东森平台是否为此制定了专项防护计谋?如何平衡模型开放性与系统宁静性?
公司第一时间关注到DeepSeek服务相关的网络攻击事件：对于DDoS、僵尸网络攻击等非大模型服务所特有的攻击 ，公司一直有成熟的解决方案及配套的宁静产物及服务提供;而对于大模型服务特有的越狱攻击、模型窃取攻击等 ，公司也快速推出了之前所介绍的大模型应用宁静产物“新三件套”及“大模型应用宁静服务组合”等 ，补全相关宁静防护能力与计谋 。
模型开放性对技术进步意义重大 ，它让差异开发者、研究人员基于现有模型创新 ，促进知识共享与技术迭代 。如在医疗领域 ，开放的医学影像分析模型可被全球科研人员配合优化 ，提升疾病诊断准确性 。而系统宁静性是数字活动正�？沟幕� ，若得不到保障 ，企业会面临数据泄露 ，个人隐私受侵犯 ，甚至影响国家要害基础设施稳定运行 。
为保障宁静 ，可从多方面着手：一是访问控制与权限管理 ，建立严格身份验证机制 ，像多因素身份验证 ，且遵循最小化权限原则 。二是数据管理 ，数据加密是要害 ，同时注重数据匿名化和脱敏 。三是在模型宁静设计与监控上 ，融入宁静理念 ，接纳宁静架构和算法 ，建立实时监控系统 。四是漏洞管理与更新 ，定期漏洞扫描 ，及时修复 ，且模型和软件要及时更新 。五是对用户和开发者进行宁静意识培训与教育 ，让用户正确使用系统 ，开发者掌握宁静技术和规范 。六是制定应急响应预案 ，明确处置流程 ，定期备份模型和数据 ，建立可靠恢复机制 。
? 问题10：生成式AI的“幻觉问题”可能导致宁静研判误判 ，东森平台如何通过技术或流程设计(如人工复核、多模型交叉验证)降低此类风险?
在技术层面 ，我们接纳多源数据验证 ，因大模型应用宁静环境庞大 ，涉及私域数据、工具及部门间数据交互 。宁静研判时 ，收集多源数据交叉验证 ，如结合网络流量、系统日志及人工核查信息判断宁静状况 ，降低 “幻觉问题” 导致的误判风险 。同时 ，强化模型训练 ，从大模型自身宁静出发 ，优化训练数据和方式 ，提升模型准确性和可靠性 。收集大量准确、多样化且标注的宁静数据训练模型 ，让其学习真实、全面的宁静特征 ，减少 “幻觉” 现象 。
在流程设计上 ，建立复核机制 ，像传统宁静领域漏扫与评估产物相互验证一样 ，对大模型生成的宁静研判结果进行复核 ，及时发现纠正误判 。此外 ，重视人工干预与监督 ，在宁静运营要害环节部署专业人员审核大模型结果 ，如金融行业宁静运营中 ，人工细致审查大模型宁静分析结果 ，结合专业知识经验判断误判情况 ，最洪流平降低 “幻觉问题” 对宁静研判误判的影响 。
开源共建与行业竞争的要害维度
? 问题11：DeepSeek强调开源生态共建 ，东森平台是否计划与其开展更深度的技术合作(如联合训练垂直领域模型)?如何评估此类合作对行业尺度制定的影响?
目前 ，对于与 DeepSeek 开展深度技术合作 ，包罗联合训练垂直领域模型 ，我们正在评估可行性 ，如果有机会的话我们很乐意与DeepSeek共建生态 。大模型技术生长快 ，我们保持开放态度探索合作机会 。若合作 ，会综合考量 。
一方面 ，看技术优势是否互补 ，DeepSeek 在开源有优势 ，我们在宁静领域经验富厚、数据量大 ，合作有望在宁静前提下开发适合垂直领域应用的模型;另一方面 ，合作要契合业务战略 ，助力大模型应用宁静等核心业务生长 。
从行业尺度制定角度看 ，这类合作或发生积极影响 。若联合训练模型 ，合作中涉及的数据使用、模型训练规范、宁静保障等问题 ，所制定规则和尺度可能成行业参考 。像数据使用规范上 ，考虑数据来源合法性、隐私�；さ� ，这些规范在合作中确定有效 ，可为行业数据使用尺度制定提供思路 。且合作结果若广泛应用 ，会促使行业围绕结果建立评估尺度和质量规范 ，推动行业尺度完善统一 。
? 问题12：当前网络宁静厂商普遍接入同类大模型 ，您认为未来行业竞争的要害会从“模型性能”转向哪些维度(如场景适配能力、服务响应速度)?
如今 ，网络宁静厂商普遍接入同类大模型 ，“模型性能” 已非竞争唯一要害 ，未来竞争将聚焦多个新维度 。场景适配能力至关重要 ，各行业客户宁静需求差异大 ，如金融机构对数据保密性等要求严苛 ，工业企业偏重保障生产系统稳定 。厂商只有深入了解行业特性 ，快速适配大模型技术到具体场景 ，提供定制化宁静方案 ，才气获客户青睐 。服务响应速度是核心竞争力 ，宁静威胁突发性强 ，泛起问题时快速响应解决至关重要 。
厂商需具备高效宁静监测系统及时发现威胁 ，更要有快速应急处置机制 。数据质量与管理能力不行忽视 ，大模型训练应用离不开高质量数据 ，拥有富厚、准确、合规数据及强大管理能力 ，能优化大模型性能 ，提升宁静分析准确性可靠性 。宁静运营与维护能力也是竞争要害 ，大模型应用宁静需专业团队恒久运营维护 ，能提供全方位宁静运营服务 ，包罗实时监控等 ，帮客户有效管理宁静风险的厂商 ，将占市场优势 。
AI大模型与网络宁静融合的终极形态
? 问题13：您如何看待AI大模型与网络宁静融合的终极形态?是否可能实现完全自主化的宁静防御体系?
一、终极形态
AI大模型与网络宁静的融合可以分为两个方面 ，即AI大模型宁静防护以及AI大模型赋能网络宁静 。
对于前者 ，东森平台 AI 宁静的 slogan 形象描绘了终极追求：即“让每一句人机对话都宁静可信 ，让每一次智能交互都风险可控——这是属于AI时代的宁静允许 。”而对于后者 ，在这里 ，借鉴中国移动杨杰董事长在 2025 年事情会议中提出的关于AI 重塑需求、生产和经营方式的看法 ，即改变供需关系、改变生产和经营方式、以及改变创新模式 。以DeepSeek为代表的AI大模型 ，将极大地增强宁静领域的自动化水平 ，改变现有的宁静服务模式和宁静产物创新模式 ，推动整个行业向更高效、更智能的偏向生长 。
二、可能实现完全自主化的宁静防御体系
随着AI大模型技术的连续生长 ，尤其是未来某个时刻所谓的通用人工智能(AGI)的真正泛起 ，将可能会实现完全自主化的宁静防御体系 ，但如今的AI大模型技术还存在很多不足 ，仍有一定的差距 。
然而 ，我们也要注意到另一面 ，也就是AI大模型技术的生长同样也将带来完全自主化且能够不停学习进化的网络攻击系统 ，网络攻防的博弈在AI时代也仍将连续 ，不行能由于所谓的完全自主化的宁静防御体系的诞生就终结了网络宁静问题 。
文章引自于ITPUB网站
京公网安备11010802024551号