Inilunsad ng Palo Alto Networks ang isang serbisyo sa cybersecurity na may subscription noong Martes na naglalagay ng ilang mga advanced-artificial-intelligence na modelo sa loob ng isang patuloy na tumatakbong programa sa opensiba na seguridad, isang hakbang na sumusubok kung magagamit ng mga tagapagtanggol ang parehong teknolohiyang nagpapabilis na ginagawang mas may kakayahan ang mga awtomatikong pag-atake.

Pinagsasama ng serbisyong Unit 42 Continuous Frontier AI Defense ang Claude Mythos 5 ng Anthropic, ang GPT-5.6-Cyber ​​at open-weight models ng OpenAI kasama ang mga mananaliksik sa seguridad ng Palo Alto. Sinasabi ng kumpanya na paulit-ulit nitong susuriin ang mga web application, application programming interface, cloud system, source-code repository at network asset habang nagbabago ang mga kapaligiran ng customer. Ang paglulunsad at pangunahing disenyo ay independiyenteng iniulat ng Reuters at Axios, habang ang Palo Alto ay naglathala ng isang pormal na anunsyo ng kumpanya.

Bakit mahalaga ang disenyo ng multi-modelo

Karaniwang tinutukoy ng tradisyonal na vulnerability scanning ang mga kilalang kahinaan o kahina-hinalang mga configuration sa isang partikular na sandali. Higit pa rito ang ipinapanukalang sistema ng Palo Alto: dinisenyo ito upang subukan kung ang magkakahiwalay na mga depekto ay maaaring iugnay sa isang magagamit na landas ng pag-atake, pagkatapos ay magpadala ng mga priyoridad na gabay sa remediation sa proseso ng ticketing ng isang customer. ng pahina ng produkto na bineberipika ng mga eksperto sa human offensive-security ang mga natuklasan ng modelo bago ang mga ito ituring bilang mga exploitable path at na ang pagsubok ay magsisimula muli kapag nagbago ang mga application o imprastraktura.

Mahalaga ang pagkakaibang iyan dahil ang isang listahan ng mga nakahiwalay na depekto ay hindi nagpapakita kung paano magaganap ang isang panghihimasok. Ang isang low-severity configuration error ay maaaring maging mahalaga kapag isinama sa mga nakalantad na kredensyal, labis na mga pahintulot sa cloud o isang hindi na-patch na serbisyo. Sa kabaligtaran, maaaring markahan ng isang scanner ang isang kahinaan na ginagawang hindi maabot ng mga compensation control. Sinusubukan ng inaanunsyong workflow na lumipat mula sa pag-detect patungo sa patunay: imapa ang mga posibleng ruta, patunayan kung alin ang gumagana at idirekta ang remediation patungo sa mga path na lumilikha ng pinakamalaking panganib.

Mahalaga ang pagsusuring iyon ng tao dahil hindi inaangkin ng kumpanya na maaasahang makikita ng isang modelo ang isang buong kapaligiran. Sinabi ng Palo Alto sa Axios na, sa sarili nitong pagsubok, walang iisang modelo ang nakatuklas ng higit sa 40% ng mga kahinaan sa isang masalimuot na kapaligiran ng customer. Sinabi rin nito na ang mga natuklasan mula sa Mythos 5 at GPT-5.6-Cyber ​​ay nag-overlap nang wala pang 10% ng oras. Ang mga bilang na iyon ay iniulat ng vendor sa halip na mga resulta mula sa isang independiyenteng inilathalang benchmark, kaya dapat itong basahin bilang ebidensya para sa arkitektura ng kumpanya—hindi bilang isang pangkalahatang sukatan ng pagganap ng modelo.

Ang pinagbabatayang argumento ay ang iba't ibang modelo ay may iba't ibang blind spot. Ang isa ay maaaring mas malakas sa pagbabasa ng source code, ang isa naman ay sa pangangatwiran sa iba't ibang mga pahintulot sa cloud, at ang isa naman ay sa pag-uugnay ng isang error sa configuration sa isang nakalantad na serbisyo. Ang isang orchestration layer ay maaaring magtalaga ng mga gawain sa iba't ibang sistema at ihambing ang kanilang mga resulta. Pagkatapos ay magpapasya ang mga espesyalistang tao kung ang isang teoretikal na kahinaan ay maaabot, mahalaga, at ligtas na subukan.

Mula sa pana-panahong pagsubok hanggang sa patuloy na presyon

Ang pagbabago ay pareho lamang sa operasyon at teknikal na aspeto. Ang isang kumbensyonal na penetration test ay maaaring magdulot ng mahalagang ulat ngunit maaaring maging luma pagkatapos ng mga paglabas ng software, mga pagbabago sa access, o mga pag-deploy ng cloud. Sinasabi ng Palo Alto na ang serbisyo nito ay patuloy na tumutuklas ng mga exposure, nagpapatunay sa kakayahang magamit, at muling sumusubok pagkatapos ng mga pagbabago. Iniulat ng Reuters na ang mga customer ay maaaring makatanggap ng mga mungkahi sa pagkukumpuni sa antas ng code o gumamit ng mga virtual patch kapag ang isang opisyal na pag-aayos ng software ay hindi pa magagamit.

Maaaring mabawasan ng isang virtual patch ang exposure sa pamamagitan ng pagharang sa isang malisyosong kahilingan o pattern ng pag-atake sa isang security layer, ngunit hindi nito inaalis ang depektibong code sa ilalim. Ginagawa nitong masusukat ang follow-through: kailangan pa ring magtalaga ng mga may-ari ang mga organisasyon, subukan ang mga permanenteng pag-aayos at kumpirmahin sa pamamagitan ng muling pagsubok na sarado na ang landas ng pag-atake. Maaaring paikliin ng isang tuluy-tuloy na serbisyo ang loop na iyon, bagama't ang mga materyales sa paglulunsad ay hindi nagbibigay ng mga independiyenteng na-verify na mga pagpapabuti sa oras ng remediation.

Ang mga taunang subscription ay iaalok sa buong mundo, na ang presyo ay bahagyang nakabatay sa halo ng mga napiling komersyal at open-weight na modelo, ayon sa Reuters at sa kumpanya. Hindi pa nagbibigay ang Palo Alto ng sapat na detalye sa publiko upang ihambing ang gastos ng serbisyo sa pana-panahong penetration testing o mga kakumpitensyang platform. Hindi rin ito naglabas ng mga false-positive rates sa antas ng customer, benchmark methodology o isang kumpletong salaysay kung paano pamamahalaan ang pag-access sa modelo at sensitibong data ng enterprise.

Mahalaga ang mga tanong na walang sagot. Ang nakakasakit na pagsubok ay nangangailangan ng malakas na pag-access, maingat na tinukoy na saklaw, at matibay na mga kontrol sa pag-audit. Ang isang awtomatikong sistema na nagkakamali sa pagtukoy ng isang target, nagsasagawa ng isang hindi ligtas na aksyon, o naglalantad ng proprietary code ay maaaring lumikha ng bagong panganib habang naghahanap ng umiiral na panganib. Sinasabi ni Palo Alto na ang saklaw ay napagkasunduan ng customer at ang pagpapatunay ng eksperto ay isinama sa daloy ng trabaho, ngunit kakailanganin pa rin ng mga prospective na mamimili ang kalinawan ng kontrata sa pagpapanatili ng data, pag-access sa model-provider, responsibilidad sa insidente, at mga hangganan ng autonomous na aksyon.

Isang pagsubok sa pamamahala pati na rin isang produkto ng seguridad

Ang paglulunsad ay dumating habang ang pederal na patnubay ay lalong tinatrato ang pag-deploy ng AI bilang isang problema sa pamamahala ng peligro sa halip na isang beses na teknikal na pagbili. Ang boluntaryong balangkas ng NIST ay humihingi ng mga pagsasaalang-alang sa pagiging mapagkakatiwalaan sa buong disenyo, paggamit at pagsusuri ng mga sistema ng AI. Inilalarawan din ng NIST ang cyber framework bilang isang istruktura para sa pamamahala, pagtukoy, pagprotekta, pagtuklas, pagtugon at pagbawi mula sa panganib sa cybersecurity. Hindi ineendorso ng mga dokumentong iyon ang produktong ito; inilalarawan nito ang mas malawak na mga kontrol kung saan dapat suriin ang anumang patuloy na serbisyo sa seguridad ng AI.

Para sa mga pinuno ng seguridad, ang praktikal na tanong ay hindi kung makakahanap ba ng depekto ang isang modelo ng AI sa isang demonstrasyon. Ito ay kung ang isang pinamamahalaang kombinasyon ng mga modelo at tao ay maaaring paulit-ulit na makahanap ng makabuluhang mga exposure nang mas mabilis kaysa sa mga kalaban, nang hindi lumilikha ng hindi katanggap-tanggap na panganib sa operasyon o data. Ginagawang komersyal na alok ng bagong serbisyo ng Palo Alto ang tanong na iyon. Ang halaga nito ay depende sa mga independiyenteng ebidensya, mga transparent na kontrol at kung mako-convert ng mga customer ang mas mabilis na daloy ng mga natuklasan sa mga na-verify na pag-aayos.