在成为亚马逊云科技CISO之前,Amy Herzog其实是亚马逊“大家庭”中的老熟人。多年来,她负责的板块在内部被称作“美国非零售业务”,横跨影视制片厂和Prime Video、消费类设备,甚至还涉足Project Kuiper卫星互联网项目。
来到亚马逊云科技,最让她兴奋的,是能在这里挑战一个她一直认为是“伪命题”的传统观念:必须在快速创新与高安全性之间做出选择。Amy Herzog坚信,在追求速度与规模并存的环境中,安全性可以更进一步。
“如果有哪家公司能破解快速交付与高安全性之间的张力,那一定是这里。”Amy Herzog说。亚马逊云科技乃至整个亚马逊,对安全的重视和对客户信任的坚持,早已融入企业文化与运营细节。
亚马逊云科技CISO Amy Herzog
今年是Amy Herzog第一次参加re:Inforce,她深刻感受到生成式AI已经进入旅程的下一阶段,从谈论愿景到真正开始看到成果。比如以前需要几个小时的日志排查,现在几分钟就能完成。
她喜欢看到技术创新真正落地的瞬间,更希望有一天,安全能成为支撑这一切的最强底气。
如果IAM没做好,一切都无从谈起
在re:Inforce的发布中,Amy Herzog认为其中有一些内容可能不是“最吸引眼球”的部分,但是却是良好安全实践的关键要素——IAM(身份和访问管理)。
“如果IAM没做好,一切都无从谈起。”它看似基础,实则最难,尤其是在大规模环境下,需要那些熟悉全球基础设施构建与运营的经验型人才。
凭借多年来运营安全运维团队的经验,以及来自客户的反馈,Amy Herzog发现,监控、网络层与应用层的响应能力,是解决“快速交付”与“安全保障”之间矛盾的关键因素。现实情况是,过多低价值告警正消耗团队资源,亚马逊云科技的目标是实现机器级响应速度与全球级别的响应能力,让安全真正跟上业务创新的步伐。
今年re:Inforce上发布的内容,像 GuardDuty、扩展威胁检测(XTD)、Security Hub等,目的都是帮助客户在面对潜在安全问题时聚焦真正重要的事项。Amy Herzog非常喜欢亚马逊云科技与客户之间的这种合作模式:我们提供全球视角与覆盖能力,客户则带来对其业务和行业痛点的深刻理解。
AI带来增长的烦恼,安全要跟上节奏
现在生成式 AI 正以前所未有的速度加速软件开发,像代码补全与开发辅助,创新提速的同时也带来了新的安全挑战。Amy Herzog从另一个角度看到,生成式AI也在帮助我们“从一堆针里找到那根关键的针”。
随着攻击与防御技术同时进化,亚马逊云科技也迎来巨大的机会与责任:我们必须确保正在开发生成式AI与Agent解决方案的客户,具备完善的防护机制、工具与配置,能够在安全的前提下持续创新。这就是Amy Herzog今年希望通过re:Inforce推动的重点之一。
同时Amy Herzog也看到“规模与增长”仍然是最大的挑战,特别是开发量和生产力的激增。她认为,如果明天开发者因为使用生成式AI而突然提高了50%的效率,整个节奏都会被打乱,这是必须密切关注的现实问题。
如果这些效率提升都转化为实际部署,进入生产环境的变更数量就会急剧上升,亚马逊云科技要做的是如何与不断加速的开发节奏保持同步,持续演进安全模型。目前Amy Herzog的安全团队和开发团队之间已经建立了一套合作流程,比如了解产品发布的内容、如何构建、API如何运作等。
比如在数十亿客户请求的场景下,客户端加密与客户自管密钥可能会带来额外复杂性。需要从看似独立的多个事件中,及时识别潜在的叠加风险。这种基于规模的信息关联与推理能力,未来将成为超大规模企业和成长型企业的必修课。
从B2C到B2B,先倾听再行动
从B2B到B2C,Amy Herzog不确定这是否是一种“思维转变”,但她非常喜欢企业场景的一点是:安全期望通常非常清晰。
因为面向消费产品,“信任”往往是一个模糊的概念,依赖于使用场景、感知价值和背景。但在企业领域,尤其是云基础设施领域,客户对于安全的期望是具体且明确的。“这意味着我们可以花更少的时间去猜测客户需求,有更多时间去思考如何在“机器速度”和“全球规模”下满足这些需求。”Amy Herzog说道。
Amy Herzog认为自己现在最重要任务是“倾听”。面对覆盖全球百强企业、初创公司,以及各国政府的庞大客户群,她需要把来自不同客户的声音综合归纳,真正理解他们在安全领域最关心、最急需解决的问题,并据此推动亚马逊云科技产品策略和优先级的调整。
就像她在re:Inforce的演讲中也反复强调,只有基础扎实,其他一切才有可能。尤其是在生成式AI时代,如果没有打好基础,就无法实现快速和安全的创新。
好文章,需要你的鼓励
本文探讨了AI发展的未来趋势,详细分析了六条有望实现通用人工智能(AGI)的技术路径。随着生成式AI和大语言模型面临发展瓶颈,业界开始将目光转向其他AI发展方向。这六条路径包括神经符号AI、神经形态AI、具身AI、多智能体AI、以人为中心的AI和量子AI。每种路径都有其独特优势和挑战,可能单独或组合推动AI进入下一个发展阶段,最终实现与人类智能相当的AGI系统。
约翰霍普金斯大学研究团队发现VAR模型的马尔可夫变体本质上是离散扩散模型,提出SRDD方法。通过应用扩散模型技术如分类器自由引导、令牌重采样等,SRDD相比VAR在图像质量上提升15-20%,同时具备更好的零样本性能。这项研究架起了自回归模型与扩散模型的理论桥梁,为视觉生成技术发展开启新方向。
培生公司第三季度销售增长加速,并预示年底表现更强劲,但其AI应用可能是更重要的发展。该公司虚拟学习部门销售额激增17%,学生注册人数攀升。培生运营的在线学校将AI工具嵌入课程材料中,公司表示有越来越多证据显示这些工具帮助学生取得更好成绩。公司推出了AI学习内容组合,包括AI素养模块和融合人工导师与AI学习工具的视频平台。
微软亚洲研究院推出CAD-Tokenizer技术,首次实现AI通过自然语言指令进行3D模型设计和编辑的统一处理。该技术通过专门的CAD分词器和原语级理解机制,让AI能像设计师一样理解设计逻辑,大幅提升了设计精度和效率,有望推动工业设计的民主化进程。