一个专家组在Cambridge网络峰会上讨论网络世界隐私的优点以及Google 新的智能手机和Yahoo扫描电邮。
亚利桑那州选民登记数据库不像是俄罗斯人明显的目标。但是在八月,FBI揭秘俄罗斯黑客装扮成亚利桑那州选举工作人员,并在该州安全系统上戳了个洞。
黑客干的很狡猾。他们没有用网络钓鱼,而是用了偷来的账户名称和密码,这样一封包含恶意软件的电邮“看起来就像是员工发的”,亚利桑那州政府秘书长Michele Reagan在在马萨诸塞州Cambridge召开的Cambridge网络峰会上告诉听众。“那是一封Word文档,这屋里的任何一个人都会打开看的。”
在像亚利桑那州选民登记数据库泄漏的案例里,很容易分辨好人和坏人。但是当侵入者安全时,会发生什么?这个问题使美国公司与华盛顿方面进入复杂的协商:如何平衡客户隐私和公共安全?
雅虎遵照美国政府的要求实时搜索用户收到的邮件,和大事件——一名美国国家安全局(NSA)承包商因为窃取机密情报而被捕的大背景下,由CNBC联合主办的网络峰会的专家组、Aspen研究所和MIT的机器科学与人工智能实验室(CSAIL),抛出安全与隐私的辩论。(更多这方面的发展动态在下面)
专家组强调的安全与隐私事件是关于另一位技术巨头——苹果公司,应对政府访问个人数据的命令。今年早些时候,苹果公司回避了FBI想访问一位造成14人死亡的加州San Bernardino恐怖袭击的射手使用的iPhone的要求。那时,苹果CEO Tim Cook说,要求去这么做的新软件会是“能打开亿万锁的万能钥匙”。
“苹果公司为其用户提供了强大的加密技术,它被司法部称为书里的每个名字”,电子前线基金会的执行理事Cindy Cohn说道,该基金会是数字权限的倡导者。“他们就像街上的罪犯一样被对待。”当FBI自己找到侵入设备的方式时,苹果公司拒绝要求变得无意义了。
复杂的、普遍的和持久的
美国政府想要技术公司在他们的技术上开辟后门,早已不是什么秘密。(如果每家公司都是技术公司,没有业务会拒绝入境。)专家小组成员Glenn Gerstell是国家安全局的法律顾问,他列出了理由。他把黑客,网络犯罪和恐怖主义描述成“复杂的,普遍的和持久的”威胁——这是他预期情报部门会处理数十年的。ISIS端到端加密使用,是一种保证信息不会在传输过程中被篡改的方法,这也让情报搜集变得困难。“这绝对是个问题”,他说。
美国行为的威胁也是如此。当俄罗斯黑客侵入选民登记数据库时,情报界打响了信息战争,至少理论上讲来,威胁到了国家的民主,正如另一位专家指出的。“他们没有预料到俄罗斯有做这事的想象力、热情、或者进取心”,国土安全部的前政务助理秘书Stewart Baker如此说他的前雇主。
但是勉强同意美国政府添加后门的请求会无限弱化系统,根据MIT网络政策研究主动权的创立主管和CSAIL首席研究科学家Daniel Weitzner的说法。“我们知道的是在过去,为了打破你追求的平衡而努力建立系统的后门……那些缺陷。足够讽刺的是,Edward Snowden泄露美国安全局大量数据收集程序,有了积极的结果,Weitzner说。
根据他们的技术路线,Google、苹果和其他公司正计划更强的加密和更强硬的安全措施,“为了展示他们可以抵挡攻击,即便是来自国家安全局”,他说。
另外,他说,“好人比坏人多很多。仅仅为了抓住坏人而将好人至于危险中,更像是错误的等式” Gerstell打断他:“我不同意该前提:我认为我们已经处于危险之中。”
好文章,需要你的鼓励
随着员工自发使用生成式AI工具,CIO面临影子AI的挑战。报告显示43%的员工在个人设备上使用AI应用处理工作,25%在工作中使用未经批准的AI工具。专家建议通过六项策略管理影子AI:建立明确规则框架、持续监控和清单跟踪、加强数据保护和访问控制、明确风险承受度、营造透明信任文化、实施持续的角色化AI培训。目标是支持负责任的创新而非完全禁止。
NVIDIA研究团队开发的OmniVinci是一个突破性的多模态AI模型,能够同时理解视觉、听觉和文本信息。该模型仅使用0.2万亿训练样本就超越了使用1.2万亿样本的现有模型,在多模态理解测试中领先19.05分。OmniVinci采用三项核心技术实现感官信息协同,并在机器人导航、医疗诊断、体育分析等多个实际应用场景中展现出专业级能力,代表着AI向真正智能化发展的重要进步。
英国正式推出DaRe2THINK数字平台,旨在简化NHS全科医生参与临床试验的流程。该平台由伯明翰大学和MHRA临床实践研究数据链开发,能够安全传输GP诊所与NHS试验研究人员之间的健康数据,减少医生的管理负担。平台利用NHS现有健康信息,安全筛查来自450多家诊所的1300万患者记录,并使用移动消息系统保持试验对象参与度,为传统上无法参与的人群开辟了研究机会。
Salesforce研究团队发布BLIP3o-NEXT,这是一个创新的图像生成模型,采用自回归+扩散的双重架构设计。该模型首次成功将强化学习应用于图像生成,在多物体组合和文字渲染方面表现优异。尽管只有30亿参数,但在GenEval测试中获得0.91高分,超越多个大型竞争对手。研究团队承诺完全开源所有技术细节。