AI找到1024位RSA弱点，大厂同月密集开源万亿模型

AI给老式加密提了个醒

Google DeepMind 最近一项研究让安全圈有些紧张。在人类专家指导下，他们的 AI 智能体找到了遗留的 1024 位 RSA 加密系统的两个弱点。

听着吓人，先不用急着改密码。主流在用的 2048 位及以上标准 RSA 系统不受这次特定攻击影响。DeepMind 真正想做的不是制造恐慌，而是用这种“压力测试”说明一件事：AI 的数学推理和计算能力在涨，过去被认为安全的密码学标准得重新看了。

这其实是个信号。以前修一个漏洞要几周甚至几个月，a16z 的分析指出，AI 可能把公开修复方案变成可用漏洞利用工具的时间压缩到数小时。现实里，设备打补丁的速度常常追不上漏洞被发现的速度，有些设备甚至永远等不到更新。防御方得比攻击方跑得快，至少也得一样快。

OpenAI 也在做类似的事。他们发布了专门用于网络安全的 GPT-6 Cyber 模型，还启动了面向关键基础设施的 Daybreak Red 计划。该模型已经参与 Linux 内核等核心系统的漏洞挖掘，主动提交报告和补丁。与其等黑客先找到后门，不如让 AI 先把自己家的墙查一遍。

开源模型开打“万亿参数”混战

安全领域是暗流涌动，模型开源市场则是明火执仗的军备竞赛。2026 年 11 月，几家中国头部厂商几乎同时扔出了重磅炸弹。

月之暗面（Moonshot AI）放出了 Kimi K3.1 Pro 的完整权重。模型总参数规模 2.8 万亿，采用稀疏架构，单步激活参数为 25B。Agent Arena 开源榜单上，它很快坐上了第一。官方强调长程智能体任务和编码能力得到强化，SiliconFlow 首日就提供了访问支持。月之暗面还推出了 Kimi Hosted Agents，提供可持续运行的云端智能体环境，支持多智能体协作和隔离沙箱。他们不再只卖模型 API，开始直接提供智能体运行的基础设施。

百度同样没闲着，开源了 280B 参数的 ERNIE 5.5 Flash Base 基础模型。技术细节披露得不算多，但百度就此正式进入超大规模开放模型的竞争行列。开发者选择更多了，挑起来也更费眼。

蚂蚁集团发布原生多模态模型 Ling-3.2-flash，总参数 560B，激活参数 25B，支持 1M 上下文。重点很明确：视觉理解和长程多模态交互。腾讯推出 Hy4 模型，主打原生视觉和深度研究（Deep Research）能力，并承诺很快开源权重。金融图表基准测试中，Hy4 表现相当亮眼。

海外也没停手。Thinking Machines 发布 Inkling 2 Small，总参数 594B，激活参数 17B，声称在西方开源模型中名列前茅。Ricursive Intelligence 推出从零预训练的 Ripple-65B Preview，专门针对智能体任务做了优化。

这波开源潮有个共同点：都在拼“智能体”（Agent）能力。只会聊天的机器人已经不够看，模型得能理解复杂指令、调用工具、长期记忆并自主完成任务。参数规模还在涨，可怎么高效激活、怎么压低推理成本，成了新的竞争焦点。

云厂商帮企业把 AI 用起来

模型有了，接下来是怎么用。AWS 和 Google Cloud 最近的更新都指向同一个问题：让企业更低成本、更简单地用上 AI。

AWS SageMaker 推理服务新增多实例 GPU 支持。过去一个 GPU 实例通常只服务一个模型端点，资源利用率不高。现在单个 GPU 的资源可以分给多个模型端点。手里握着一堆中小规模模型的企业，加速器利用率能明显提升，直接结果就是省钱。

Greenlight Financial 就是个例子。他们用 Amazon Bedrock AgentCore 搭了一个自主安全运营中心（SOC），每月能处理大量安全警报，人工介入的需求大幅减少。

Google Cloud 则在数据连接上下了功夫，推出 Gemini 企业版数据连接器预览功能。以往业务人员想查数据，得找数据分析师写 SQL，或者等工程师建管道。现在通过自然语言查询，业务用户能直接访问实时企业数据。BigQuery DataFrames 也新增了.bigquery访问器，习惯用 pandas 的数据科学家可以在熟悉的工作流里直接调用机器学习能力。

Google Cloud 还发布了 Z4M 存储优化型计算实例，提供虚拟机和裸金属两种形态，专门针对 AI/ML 训练、推理及并行文件系统优化。硬件层面做专用化，说明 AI 负载已经是云计算的主流需求，通用型实例越来越难满足极致性能要求。

资本支出还在猛踩油门

降本增效喊得响，巨头们在基础设施上花钱的速度一点没慢。

a16z 的数据显示，自 2023 年第一季度以来，Alphabet、Microsoft、Amazon 和 Meta 的资本支出增长迅猛。钱主要流向数据中心、芯片采购和网络建设。算力还是 AI 时代的石油。算力储备不够，再好的模型也跑不起来，再多的用户请求也接不住。

METR 对 Anthropic 内部数据的审计发现，其模型能力提升速度自 2025 年 10 月以来可能加快了约 1.9 倍。这种加速来自算法改进，也来自算力规模的指数级扩张。竞争对手都在踩油门，谁也不敢松脚。

智能体与世界模型走向合流

智象创始人梅涛在技术路径上抛出一个有意思的说法，叫“智能体化世界模型”。在他看来，不同的 AI 技术路线最后都会走到一起。过去世界模型偏重预测物理世界怎么变，智能体则偏重决策和行动。往后两者会深度结合：智能体要推演某个动作会带来什么后果，就得有一个准确的世界模型；世界模型想去主动探索未知领域，也离不开智能体。

这种合流在一些应用里已经露出苗头。NVIDIA 展示的合作伙伴案例中，语音代理、市场数据分析、代理安全购物等应用就不再只是简单问答，而是有了某种程度的自主规划和执行能力。

Jerry Liu 推出的 ocria-1 模型同样算一个例子。它面向文档解析，走的是低成本、高准确率的统一路线，表格、文本、图表、示意图、图片和扫描件都能处理。它要解决的是智能体“看懂”非结构化数据的问题。一张复杂的财务报表或工程图纸都读不懂，智能体想在企业核心业务里挑大梁就很难。

结语

把这一周的资讯捋一遍，几个趋势比较清楚：

安全边界正在重塑。AI 在这里既是矛也是盾，旧有的加密标准和安全流程面临挑战，主动防御和自动化补丁会成为常态。

开源模型进入深水区。参数规模不再是唯一指标，智能体能力、推理成本和多模态理解成了新的分水岭。

基础设施朝着专用化和易用性走。云厂商正靠硬件优化和软件抽象，压低企业用 AI 的门槛和成本。

资本支出依然强劲。巨头们认定，算力储备决定未来的话语权。

对开发者和企业来说，现在的重点不该只是追最新的模型排行榜，而是琢磨怎么把这些能力接进自己的工作流，怎么解决实际业务里的痛点。技术再炫酷，落不了地也只是空中楼阁。