发布 Adaptive Learning：应对人工智能软件安全风险与技能差距的良方

难以跟上人工智能行业超音速的发展步伐？你并不孤单。在我看来，如果你身处安全领域，我们目前正处于“阵痛期”的初期；毕竟，像 Claude Mythos 这样让安全领导者头痛不已的产品并非每天都会发布。

然而，现在绝非恐慌、被头条新闻炒作所左右，或者最重要的是，在面对我们一生中最重要的软件开发变革之一时毫无准备的时候。

这种转型或许正在推动“前所未有”（又是这个词）的创新，但它也以惊人的速度带来了代码流失。据 Faros 的 2026 年人工智能工程报告 显示，在人工智能高采用率的背景下，合并代码中删除行与新增行的比例每季度增长了 861%。此外，源代码已成为提交给未经授权的外部人工智能模型中最常见的数据类型，带来了严重的知识产权泄露风险。

其下游后果是可量化且严重的。漏洞利用已取代凭据滥用，成为主要的入侵手段，占初始访问向量的 31%（此统计数据及其他令人担忧的数据点可参见 2026 年 Verizon 数据泄露调查报告）。为了保护企业赖以生存的人工智能路线图，风险降低必须进一步前移。这正是 Secure Code Warrior 在 2026 年 Gartner® 安全与风险管理峰会 上推出全新 Adaptive Learning 功能的原因。

正如我在发布会上指出的，当今企业正试图在开发的每个阶段实现三个主要目标。首先，开发人员和代理必须学会安全地构建软件。其次，企业必须管控人工智能在代码库中可以触及的范围。第三，安全团队必须能够追踪是哪个人工智能在何时、何地、为谁执行了操作。借助 SCW 的 Adaptive Learning，组织和开发人员可以迅速从单纯的风险理解转向主动的大规模风险降低，并提供提交级别的可衡量证据。随着开发人员从传统工作流程转向充当自主代理编排者的环境，这一点至关重要。

Adaptive Learning 将 SCW Trust Agent 与我们的整个学习平台连接起来，确保培训内容与开发人员的实时工作保持高度同步。

通过利用 AI Signals，我们能够检测开发人员使用的特定人工智能工具，精确到他们提交的代码行，并自动触发针对其具体操作的个性化培训。同时，Vulnerability Signals 将您现有的安全工具直接与开发人员学习相连接，识别活跃代码库中的真实漏洞，并培养必要的安全编码习惯，以防止缺陷进入生产环境。最终，这将生成可审计的、针对每位开发人员的人工智能安全培训证据，以支持符合 欧盟《人工智能法案》、ISO/IEC 42001 以及 NIST 人工智能风险管理框架 的要求。

展望不久的将来，像 Claude Mythos 这样高度先进、超自主模型的即将集成，带来了一种范式转移能力。如果企业安全领导者准备不足，这种能力很容易演变成灾难。在没有严格护栏的情况下，在企业环境中释放像 Mythos 这样强大的代理——无论是出于故意还是被恶意行为者利用——都有可能导致漏洞的大规模扩散，并以机器速度对代码库进行未经授权的篡改。这正是 SCW 的人工智能软件治理工具套件可以作为重要安全网的地方。

通过结合对人工智能操作的深度可见性、对人工智能访问权限的严格策略执行，以及在高端代理生成风险代码时立即提升开发人员技能的 Adaptive Learning，SCW 可以与您并肩作战，预防潜在危机。