74% 的安全决策者表示,程序和控制变得更加复杂;73% 的安全决策者苦于应对不断增加的威胁
北京 —— 2021 年 10 月 27 日——“这就像飞机在飞行中更换发动机一样。”一位安全决策者是这样描述去年新冠疫情迫使人们转向远程工作的这一过程的。思杰系统有限公司(纳斯达克股票代码:CTXS)对全球的 1,250 名大中型企业的安全决策者进行了一项名为《混合世界的安全状况》(The State of Security in a Hybrid World)的调查,正如其结果所示,情况丝毫没有让人感到轻松。
保护未来的工作
由于终端用户可以在任意地点进行工作,使用个人设备访问云应用程序和企业资源就变成不可避免的事,这导致对于安全的攻击面比以往任何时候都要大,很多 IT 部门都在尽力应对这一情况。思杰研究发现:
增强员工体验
如今的员工希望能够灵活地使用他们选择的应用程序和设备,随时随地以自己的方式开展工作。除了安全决策者之外,思杰还对 3,603 名知识型员工进行了调查,66% 的人表示能够在任何设备上远程或者在家工作“极其”或者“非常重要”。
精明的企业认识到了这一点。
变革的时机到了
思杰首席安全策略师 Kurt Roemer 表示:“IT 部门正在意识到,当他们接受混合工作模式时,安全态势也需要进一步变革。他们应采取更加智能、以人为中心的安全措施,而不是传统的命令和控制式的策略,从而在不影响员工体验的情况下保护好员工。”
思杰调查的大多数参与者都在采取行动来做到这一点。事实上,79% 的受访决策者表示,疫情让他们有机会在考虑到这些目标的情况下,对长期的信息安全战略进行重新思考。
然而,挑战依然存在。参与思杰研究的员工们列举了三项主要挑战:
投资于未来
然而,并不全是坏消息。疫情来袭时,只有 46% 的安全决策者对远程工作模式具备“一些准备”,而现在有 84% 的安全决策者为保证混合、远程或者在家工作的安全做了“充足”或至少“一些”准备。
这是非常重要的,正如《混合世界的安全状况》调研所表明的那样,52% 的安全决策者认为他们的大多数员工将永远处于远程或者混合工作状态。
Roemer 还表示:“混合工作模式是工作的未来,IT 部门将为实现这一目标发挥关键作用。通过合适的技术,他们能够以一致、安全和可靠的方式让员工访问开展工作所需的资源,使员工在任何地方都能完成工作,做到人尽其才。”
思杰提供了一个完整的数字工作空间平台,该平台专门设计用于实现安全的混合工作模式。如果需要了解有关平台及其可为企业带来价值的更多信息,请点击此处。
关于此项调研
随着知识型经济向长期混合工作战略的转变,《混合世界的安全状况》(The State of Security in a Hybrid World)调查了大中型企业(美国超过 500 名员工的企业;其他市场超过 250 名员工的企业)的安全决策者和知识型员工的态度和体验。思杰与 Sapio 研究公司合作,开展了一项独立的意见调查研究,采访了在大型和中型市场企业工作的 1,250 名安全决策者(职位包括经理、高级经理、总监和副总裁)。受访者来自美国(413人)、英国(203人)、法国(218人)、德国(209人)和荷兰(207人)。此外,该项研究还对美国、英国、法国、德国和荷兰的 3,603 名大中型企业的知识型员工进行了调查。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。