Loading...
Loading...
GCSA Agent 在 CyberGym 取得 91.3% 成绩 跻身全球领先 AI 网络安全智能体行列 - GCSAGCSA Agent 在全球高难度真实漏洞基准测试中展现自主漏洞分析与 PoC 生成能力
GCSA Agent 在全球高难度真实漏洞基准测试中展现自主漏洞分析与 PoC 生成能力。
香港，2026 年 8 月 29 日 —— 全球网络安全联盟（Global Cybersecurity Alliance，GCSA）今日宣布，GCSA Agent 在 CyberGym 基准测试中取得 91.3% 的成功率，进入 CyberGym “Leading Systems Above 90%” 领先系统区间。
CyberGym (https://www.cybergym.io/cybergym) 是由美国加州大学伯克利分校研究团队开发的大规模真实世界网络安全评测框架，共收录 1,507 个历史真实漏洞测试实例，覆盖 188 个大型软件项目，旨在评估 AI 智能体在真实漏洞分析场景中的实际能力。
与主要评估代码理解、知识问答或静态分析能力的传统 AI Benchmark 不同，CyberGym 要求 AI 智能体直接面对真实的漏洞代码环境。
在其核心 Level 1 测试中，AI Agent 仅获得漏洞描述以及尚未修复的代码库，需要自主完成代码分析、漏洞定位、攻击路径推理、PoC 构造和执行验证。只有生成的 PoC 能够在漏洞版本中成功触发目标漏洞、同时无法在修复后的版本中复现，任务才被认定为成功。
因此，CyberGym 所衡量的并不仅是 AI 是否“理解代码”，而是 AI 是否能够真正完成从安全分析到漏洞复现和验证的完整过程。
从大模型走向安全智能体
本次 CyberGym 测试中，GCSA Agent 基于 Grok 4.5 与 Grok 4.6 模型运行，最终取得 91.3% 的成功率。
这一结果也反映出 AI 网络安全领域正在发生的一项重要变化：
决定最终安全能力的，不再只是底层大模型本身。
真实漏洞研究通常需要连续完成漏洞描述理解、大规模代码检索、攻击面识别、漏洞假设建立、测试输入生成、程序执行、反馈分析以及 PoC 反复迭代等多个环节。
GCSA Agent 围绕这一完整过程构建智能体化安全工作流。
其目标并非简单地利用大语言模型进行代码分析，而是让 AI 能够进入真实执行环境，围绕安全问题自主形成假设、收集运行证据、执行测试，并最终以可复现结果验证安全发现。
此次 CyberGym 测试，为这一能力提供了一个可量化的外部基准。
面向真实世界的漏洞研究能力
CyberGym 的核心价值，在于缩小传统 AI 测试与真实网络安全研究之间的差距。
其评测环境会恢复软件项目漏洞修复前的代码状态，AI Agent 可能需要在包含数千个文件、数百万行代码的大型代码库中自主定位问题，并最终生成能够真正触发漏洞的 PoC。
更值得关注的是，CyberGym 的进一步研究已经显示，这种智能体化安全能力并不局限于复现已知漏洞。
在开放式漏洞研究实验中，AI Agent 已发现多项此前未知的零日漏洞（Zero-day Vulnerabilities）以及历史上并未完全修复的安全补丁，显示出自主漏洞分析技术向真实漏洞发现能力迁移的潜力。
对 GCSA 而言，这也是更重要的发展方向。
Benchmark 成绩不是终点。
GCSA 的目标，是进一步建立能够服务真实网络安全场景的 AI Security Agent，使其逐步参与漏洞发现、分析、验证乃至后续修复的完整安全生命周期。
构建 AI 原生网络安全能力
随着人工智能加速软件开发，AI 同样正在改变漏洞研究与网络攻防的方式。
面对规模越来越大、复杂度越来越高的软件系统，下一代网络安全体系将越来越依赖人类安全专家与自主 AI 智能体之间的协作。
AI Security Agent 有望帮助安全团队：
* 更早发现具有真实利用价值的软件漏洞；
* 在大型代码库中自动分析复杂攻击路径；
* 自动生成 PoC，对漏洞进行执行级验证；
* 通过真实运行结果降低传统安全检测中的误报；
* 加快漏洞研判、验证与修复效率；
* 扩展专业安全团队能够覆盖的软件与系统规模。
GCSA Agent 在 CyberGym 取得 91.3% 的成绩，是 GCSA 构建 AI 原生网络安全能力的重要阶段性成果。
未来，GCSA 将继续推进自主漏洞分析、AI Security Agent 与智能化网络安全技术研究，将前沿人工智能能力进一步转化为真实世界中的安全能力，为构建更加安全、可信和具有韧性的数字环境提供技术支持。
来源： GCSA全球网络安全联盟
官网： www.gcsa.org
Applied Materials：随着 AI 制造需求加速，我重申“强烈买入”评级投资观点（Investment Thesis）
我重申对 Applied Materials（AMAT）的“强烈买入（Strong Buy）”评级。同时，尤其是在公司公布 2026 财年第三季度业绩之后，我也希望将目标价从此前的 802 美元下调至 680 美元。不过，我想在这里做一个重要区分。我下调目标价，并不是因为我原本的投资逻辑已经被打破。不，情况并非如此。事实上，我认为恰恰相反。2026 财年第三季度的业绩为我提供了更有力的证据，证明我此前讨论过的 AI 驱动逻辑芯片、DRAM、HBM、先进封装以及服务业务机会，正在以快于我原先模型假设的速度发展。目标价下调的原因，是在 AMAT 的估值倍数出现显著压缩之后，我采用了更加保守的前瞻估值倍数，而与此同时，我对 2027 年盈利的预测反而有所提高。
我最初的投资逻辑建立在这样一个观点之上：AI 正在推动半导体设备需求从一个普通的产能周期，转向一个更具结构性的增长周期。2026 财年第三季度进一步强化了这一观点，因为 AMAT 现在正同时看到 AI 基础设施建设的两个方面。一方面，芯片制造商正在竞相提升先进器件的性能和能效；另一方面，由于先进半导体供应依然紧张，它们也在努力扩大制造产能。公司表示，先进制程晶圆代工逻辑芯片、DRAM 和先进封装预计将在 2026 年和 2027 年分别贡献约 80% 的 WFE（晶圆制造设备）市场增长。更重要的是，AMAT 在这三个市场中都处于强势地位。我认为，这意味着我原本预期未来会发生的投资逻辑，如今正在越来越清晰地体现在客户资本开支和产品需求之中。
我也并不担心财报公布后的股价反应，这是有原因的。在 2026 财年第三季度财报发布之前，由于 AMAT 股价在 2026 年已经上涨超过一倍，投资者的预期门槛异常之高。路透社也报道称，一些投资者希望看到更明确的证据，证明 AMAT 的增长速度能够超过 Lam Research 和其他半导体设备同行。我理解这种担忧。但我认为，这轮抛售反而改善了风险收益比，因为支撑我投资逻辑的基本假设变得更强，而估值却出现了压缩。AMAT 目前的前瞻非 GAAP 市盈率为 38.79 倍，而我此前建立估值模型时这一数字为 50.44 倍。另一方面，最新增长数据显示，公司前瞻收入增长率为 19.07%，前瞻 EBITDA 增长率为 26.56%，前瞻 EPS 增长率为 28.47%，长期 EPS 增长率为 29.76%。在我看来，与此前在经营数据尚未完全跟上之前就支付超过 50 倍盈利估值相比，现在的投资环境健康得多。
【原文图片位置：AMAT 估值评级（Seeking Alpha）】
更新后的增长驱动因素（Updated Growth Drivers）
第一个增长驱动因素仍然是先进制程晶圆代工逻辑芯片和 Gate-All-Around（GAA，全环绕栅极），但我正在提高我为这一业务分配的收入贡献。此前我的模型以 2026 财年第三季度 Semiconductor Systems（半导体系统）业务 69 亿美元的收入指引为基础，对应 276 亿美元的年化收入运行率。如今，AMAT 对第四季度 Semiconductor Systems 收入的指引约为 79 亿美元，这将其年化收入运行率提高至 316 亿美元。如果我继续采用此前相对保守的假设，即其中约 50% 的收入暴露于价值量更高的先进制程晶圆代工逻辑芯片机会，那么可以得到 158 亿美元的收入基础。应用我此前相同的 18% 增长假设，可得到约 28.4 亿美元的新增收入，高于我原模型中的 25 亿美元。我认为继续维持 18% 的增长假设已经相当保守，因为 AMAT 表示，Gate-All-Around 和 FinFET 产能扩张推动公司第三季度晶圆代工逻辑业务收入创下纪录，而管理层预计，在日历年下半年，先进制程晶圆代工逻辑芯片收入还将出现另一次显著增长。
这一增长驱动因素的经营经济性也有所改善。我此前模型采用的是 35% 的利润率假设，而 Semiconductor Systems 在 2026 财年第三季度实现了 38% 的非 GAAP 营业利润率。将 38% 的利润率应用于我预测的 28.4 亿美元新增收入，可以得到约 10.8 亿美元的新增营业利润。随后，我为了保持保守，应用 90% 的利润转化系数，再使用管理层最新给出的 2027 年 13% 税率假设，并除以约 8 亿股摊薄平均流通股数。由此得到先进制程逻辑芯片业务潜在贡献约 1.06 美元 EPS。我并不认为这 1.06 美元会全部作为增量叠加在 2026 财年第四季度盈利之上，因为第四季度指引本身已经包含了部分增长释放。不过，这一计算告诉我，这一增长驱动因素背后的盈利能力比我上一篇文章中所假设的更强。
我的第二个增长驱动因素是 DRAM 和 HBM，而 2026 财年第三季度正是在这一领域最大幅度提升了我的信心。AMAT 披露，包括 HBM 封装在内的 DRAM 收入同比增长 52%，创下历史新高。管理层随后表示，随着客户扩大洁净室产能，公司预计 DRAM 收入将出现非常显著的增长。这比我最初对 DRAM 和 HBM 机会采用 25% 增长假设时所拥有的证据更强。不过，我仍然维持 25% 的增长假设，因为我并不希望简单地将 52% 的季度增长率无限期外推。按照 316 亿美元的 Semiconductor Systems 年化收入运行率，以及第三季度 DRAM 占比 26% 计算，可以得到约 82 亿美元的 DRAM 和 HBM 收入基础。按照 25% 增长率计算，对应新增收入约 20.5 亿美元，高于我此前模型中的约 17.3 亿美元。
对这 20.5 亿美元新增收入应用 38% 的营业利润率，可以得到约 7.8 亿美元的营业利润。在应用 90% 的利润转化系数、最新 13% 税率以及摊薄股数后，我得到约 0.76 美元的潜在新增 EPS。同样，我不会机械地将这全部叠加到 2026 财年第四季度 EPS 运行率之上，因为部分 DRAM 强劲表现已经包含在指引中。对我而言，更重要的一点是，底层收入池已经扩大，而我使用的 25% 增长假设并没有提高。这意味着模型拥有更大的上行空间，而不需要我假设当前 52% 的增长率能够永远维持。我更喜欢这种建模方式，因为半导体行业有一个特点：任何假设增长会沿直线永久延续的人，最终往往都会受到惩罚。
我的第三个增长驱动因素是先进封装，而 2026 财年第三季度显著强化了这一部分投资逻辑。在我上一篇文章中，管理层预计 2026 年先进封装收入增长将超过 50%。最新展望已经提高至增长超过 70%，这是一次显著的上修。AMAT 也正在强化其在电镀、CMP（化学机械抛光）、eBeam（电子束）、沉积、刻蚀以及新兴面板级封装等领域的产品组合，而管理层也将先进封装描述为 AI 计算创新中最重要的领域之一。在我更新后的模型中，我仍然只采用 50% 的增长假设。如果假设先进封装占我 316 亿美元 Semiconductor Systems 年化收入运行率的约 10%，那么其收入基础为 31.6 亿美元，50% 增长意味着新增收入 15.8 亿美元，高于此前的 14 亿美元。
【原文图片位置：先进封装（Q3 2026 AMAT Earnings Call）】
按照 38% 的利润率，这一增长驱动因素可能产生约 6 亿美元新增营业利润。应用相同的 90% 利润转化系数、13% 税率以及 8 亿股摊薄股数后，可得到约 0.59 美元的潜在 EPS 贡献。需要特别指出的是，这里存在一个重要的建模问题，因为 AMAT 将部分 HBM 封装收入计入其 DRAM 数据中。这意味着，如果简单地将 DRAM 与先进封装的全部贡献相加，可能会造成一定程度的重复计算。这也是为什么我不会把每一美元理论上的新增 EPS 全部叠加到 2026 财年第四季度指引之上的原因之一。
第四个增长驱动因素是 Applied Global Services（AGS，应用全球服务），而管理层再次超出了我此前的假设。我最初基于 66.6 亿美元的年化收入基础，并使用 15% 增长率来对 AGS 进行建模。2026 财年第四季度指引目前约为 18.4 亿美元，这意味着年化运行率已经达到 73.6 亿美元。管理层还将 2026 日历年 AGS 增长展望提高至超过 20%，同时仍维持长期可持续的中双位数增长预期。目前已有超过 37,000 个腔室连接到 AMAT 的 AIx 软件，而我此前撰写文章时这一数字为超过 35,000 个，这些系统可以帮助客户改善良率和晶圆厂利用率。我继续使用 15% 的增长假设，对应约 11 亿美元新增收入。
按照 30% 的利润率计算，AGS 可以带来 3.3 亿美元新增营业利润。在应用我的利润转化、税率和股数假设后，对应约 0.32 美元的潜在新增 EPS。AGS 的重要意义并不仅仅体现在这一数字上，因为它使 AMAT 的收入结构不再仅仅依赖新设备出货。AI 晶圆厂正在变得越来越复杂，而客户在设备安装后，越来越需要持续的监控、预测性分析、零部件、维护和良率优化。这使 AMAT 与客户之间形成持续性的经济关系，而不是一次性的设备销售。在我看来，这一点应该得到更多关注，因为它提高了整体盈利质量。
另外还有两个发展因素能够强化上述四个增长驱动因素，而不需要我单独为它们建立收入项目。首先，AMAT 目前预计，由于先进逻辑芯片和 DRAM 需要更多 eBeam 和检测步骤，2026 年工艺诊断和控制业务收入将增长超过 50%。其次，公司计划到 2028 年将季度系统制造能力在当前基础上提高一倍，并且已经在为进一步扩产做准备，以支持直至 2030 年的需求。仅在 2026 财年第三季度，客户就宣布了超过 10 个新的晶圆厂项目，而且部分需求讨论目前已经延伸至 2030 年。我没有将这些因素作为独立增长驱动因素建模，因为那样会重复计算已经包含在晶圆代工逻辑、DRAM 和封装业务中的收入。但它们让我更加确信，我的增长假设背后确实存在真实的产能建设和客户需求，而不只是理论推演。
估值（Valuation）
我做出的最大变化，是调整估值框架。在上一篇文章中，我采用 50.44 倍前瞻非 GAAP 市盈率，以及 15.90 美元的 2027 年 EPS 预测，得出了 802 美元目标价。最新经营数据表明，15.90 美元的 EPS 假设过于保守，但最新估值数据也让我认为，继续使用 50.44 倍作为审慎的目标估值倍数已经较难合理化。AMAT 当前的前瞻非 GAAP 市盈率为 38.79 倍，而行业中位数为 22.86 倍，正如前文图 1 所示。真正重要的变化是，前瞻非 GAAP PEG 已经压缩至 1.3 倍，仅比行业中位数 1.24 倍高约 5%，并且比 AMAT 自身过去五年 1.92 倍的平均水平低约 32%。换句话说，单看前瞻非 GAAP 市盈率，公司仍然享有溢价，但相对于预期增长率而言，其估值已经显著改善。
基于此，我在更新后的目标价中采用 40 倍前瞻非 GAAP 市盈率。这仅比 AMAT 当前 38.79 倍的估值高约 3%，因此我的投资逻辑并不需要依赖显著的估值重估才能成立。从同行比较来看，我也认为 40 倍是合理的，因为 AMAT 当前前瞻非 GAAP 市盈率为 38.79 倍，而 Lam Research（LRCX）为 32.83 倍、KLA（KLAC）为 34.11 倍、ASML（ASML）为 39.92 倍。
在盈利假设方面，我以 2026 财年第四季度非 GAAP EPS 指引中值 4.02 美元作为起点。进行年度化后，对应每股约 16.08 美元的盈利运行率。根据我更新后的各项增长驱动因素计算，晶圆代工逻辑、DRAM/HBM、先进封装以及 AGS 合计可能贡献高达约 2.7 美元的额外 EPS 能力。不过，我不会将这全部加到 16.08 美元之上，因为 2026 财年第四季度指引已经包含了部分增长，而且 HBM 与先进封装之间存在一定重叠。因此，在构建 2027 年预测时，我只确认这部分理论新增贡献的大约三分之一。由此得到 2027 年非 GAAP EPS 约为 17 美元，高于我此前的 15.90 美元预测，但仍为执行风险、更高的 13% 税率以及正常的半导体周期性保留了缓冲空间。
项目
数值
2027 年非 GAAP EPS 预测
$17
前瞻非 GAAP P/E 倍数
40x
隐含目标价
$680
当前价格
$492
上涨潜力
38%
关键风险（Key Risks）
我目前看到的最大风险，是当前晶圆制造设备支出的强劲程度可能比我所假设的更具周期性。我这样说，是因为我的更新模型依赖于先进制程晶圆代工逻辑、DRAM、HBM 以及先进封装领域持续进行投资。但归根结底，如果产能利用率下降、存储芯片价格走弱，或者 AI 基础设施资本开支放缓，半导体客户完全可以迅速推迟设备交付。这一点尤其重要，因为在更新后的模型中，我采用 316 亿美元年化 Semiconductor Systems 收入运行率，作为多个增长假设的起点，而这一数字相比我最初使用的基础有显著提升。因此，如果客户推迟新晶圆厂项目或洁净室扩建，那么我预计的 28.4 亿美元晶圆代工逻辑新增收入和 20.5 亿美元 DRAM/HBM 新增收入，可能需要更长时间才能兑现。这意味着，风险并不是长期 AI 机会消失，而是这些收入和 EPS 贡献实现的时间点比我 2027 年估值所假设的更晚。在我看来，如果管理层对于 2027 年的需求可见度开始缩短、Semiconductor Systems 增长显著放缓，或者计划中的产能扩张开始领先于客户实际需求，我会因此变得更加谨慎。
我的第二个风险是 AMAT 仍然拥有较高估值，这意味着公司能够容忍的执行失误空间更小。即使在近期估值压缩之后，该股前瞻非 GAAP 市盈率仍然达到 38.79 倍，而行业中位数仅为 22.86 倍。我的新模型假设，在新的 680 美元目标价下，AMAT 可以在 2027 年 17 美元 EPS 基础上维持 40 倍估值。这显然比此前 50 倍以上的前瞻非 GAAP 市盈率更容易合理化，但它依然依赖 AMAT 将更高的晶圆代工逻辑、DRAM、封装以及 AGS 收入转化为我模型中所假设的利润率扩张。因此，出口限制、贸易政策变化或者客户产能爬坡速度放缓，都可能对股价造成双重打击：一方面降低前瞻盈利预测，另一方面压缩投资者愿意支付的估值倍数。这一点尤其重要，因为 AMAT 正在大规模投资制造产能、研发以及客户支持体系，以满足延伸至 2030 年的需求，这也提高了公司一旦判断需求错误时所要承担的成本。不过目前，我认为这一风险仍然可控，因为前瞻非 GAAP PEG 已经下降至约 1.3 倍，同时管理层的需求可见度也有所改善。
最后观点（Final Thoughts）
归根结底，我最初关于 AMAT 的投资逻辑依然非常成立，而且虽然我将目标价从 802 美元下调至 680 美元，但第三季度业绩实际上进一步强化了这一逻辑。真正重要的变化是，公司经营基本面已经改善，而我采用的估值框架变得更加保守。先进制程晶圆代工逻辑、DRAM/HBM、先进封装和 AGS 的发展速度都快于我最初的预期，同时管理层目前对于客户需求和产能需求的可见度已经延伸至接近 2030 年。我的更新模型将 2027 年非 GAAP EPS 从 15.9 美元提高至约 17 美元，但我现在采用 40 倍前瞻非 GAAP 市盈率，而不是此前的 50.44 倍，因为我认为，在近期估值压缩之后，这能提供一个更加合理、更加站得住脚的估值。在目前约 492 美元的股价下，我的 680 美元目标价仍然意味着 38% 的上涨空间。在我看来，更强的盈利能力、更低的入场价格以及更加审慎的估值倍数相结合，创造了比此前更好的风险收益结构。这就是为什么我继续重申对 AMAT 的“强烈买入（Strong Buy）”评级。
OpenAI 的 Agent Commerce 战略：从商品发现到代理结账从 Search / Feeds / Content 到 ChatGPT，再到 merchant systems、checkout 与 payment infrastructure，交易入口正在迁移。
电商入口正在迁移，Chatbot 和 AI 正在成为下一代重要的商品发现入口。
过去，用户买东西，通常先去搜索引擎、电商平台首页、社交媒体或者测评内容里找答案。现在，越来越多用户开始先把需求交给 AI：预算多少、买给谁、用途是什么、最在意什么，再让它帮自己筛选、比较、收敛。
这里的变化不只是多了一个购物功能，真正的变化是，商品发现、交易组织，结账方式，都可能被重新定义。
OpenAI 尝试过做导购，也试过把结账留在 ChatGPT 里，但第一轮验证下来，商户并没有把 checkout 这道门轻易交出去。于是 OpenAI 的策略开始收缩：不再急着吃掉完整交易闭环，而是先回到一个更有杠杆的位置，抢商品发现、决策过程和交易发起入口。
OpenAI 并不要做支付公司，它是在抢支付上游。
一、它先抢的不是支付，而是购物入口
过去二十年，电商入口大致分成三类：搜索、推荐和内容。用户先去 Google、Amazon、淘宝搜关键词，或者在平台首页、信息流、广告位里被分发内容，再或者通过测评、榜单、种草帖、短视频，把模糊需求一步步变成购买决策。 当下ChatGPT 切入的，正是这三类入口交界的那一层。
用户不一定一开始就知道自己要买什么，但他通常知道自己的需求：预算多少、给谁买、用途是什么、哪些约束不能碰。过去，这类问题要靠搜索、比价、内容、评论来拼。现在，OpenAI 试图把它收进一段对话里，它最重要的战略动作，不是帮用户完成支付，而是先让用户不去别处问。
一旦用户先在 ChatGPT 里提出购买意图，商品分发的第一道门就换人了。那时最有价值的，不再是谁拥有更多页面，而是谁更早理解用户到底要什么。对 OpenAI 来说，这正是它切入 Agent Commerce 的起点。
二、代理式导购，解决的不是信息，而是决策
传统导购解决的是信息过载，ChatGPT 解决的是决策成本，用户不需要自己翻几十个页面，不需要来回比参数，也不需要在“便宜一点”和“靠谱一点”之间反复横跳，只需要把约束说清楚，系统来收集、比较、追问、收敛。
2025 年 11 月，OpenAI 推出了 shopping research，试图把“选品”本身做成一种 AI 代理服务：系统会追问需求，帮助比较不同方案，生成更像购买指南的结果。这一步的关键不在于展示了多少商品，而在于它开始直接介入“怎么买、怎么比、怎么问”的过程。真正高价值的，从来不是最后那一下支付，而是支付之前那段决策过程。谁接住这段过程，谁就开始影响用户看到哪些商品、用什么逻辑比较、哪些信息被强调、哪些商户更容易被选中，以及最终在哪完成交易。
这已经不是普通搜索优化，这是交易上游的重写。
三、OpenAI 官方怎么定义 Agentic Commerce
OpenAI 对 Agentic Commerce 的官方定位，其实已经越来越清楚。它不是要把 ChatGPT 做成另一个电商平台，也不是急着自己下场做支付。更准确地说，OpenAI 想让 ChatGPT 成为用户发现商品、比较选项、收敛决策、发起购买的界面。
这条路线的重点，不在 payment rail，而在交易上游。它先抢的是商品发现和决策过程，再尝试向下延伸到结账界面；支付执行、订单履约和大部分交易责任，暂时仍留给 Stripe 和商户。从这个角度看，OpenAI 的 Agent Commerce 战略，不是“做支付”，而是“占住支付之前最有杠杆的位置”。
我们来看OpenAI的官方时间线，这条路线并不是一开始就想清楚的。2023 年 3 月，OpenAI 先用 ChatGPT plugins 试水，把 Klarna、Shopify、Instacart、KAYAK 这些购物和交易能力接进来。这一阶段更像是是“给 ChatGPT 接电商工具”。用户在聊天里提需求，插件返回商品、价格、链接和服务能力。
但插件模式的问题也很明显：体验不统一，入口分散，用户心智弱，OpenAI 也并不真正控制交易界面。它能调工具，但还没有掌握 commerce surface。到 2025 年 9 月，OpenAI 真正下场，发布 Buy it in ChatGPT，把 Instant Checkout 和 Agentic Commerce Protocol 一起推出来，第一次试图把“从聊天到下单”直接留在 ChatGPT 里。这说明它当时想拿的，不只是导购，而是更深地进入结账界面。
再到 2025 年 11 月 24 日，OpenAI 推出 shopping research，开始把重点放到购物研究、比较和决策辅助上。到了 2026 年 3 月 24 日，OpenAI 在 Powering Product Discovery in ChatGPT 里给出了更清楚的官方表态：第一版 Instant Checkout 没有达到它希望提供的灵活性，因此开始允许商户继续使用自己的 checkout experience，而 OpenAI 自己则把重点重新放回 product discovery。
这个变化非常关键。
它说明 OpenAI 不是没试过更深地吃交易闭环，而是试过之后发现，至少在第一版上，商户对原生结账的接受度和灵活性要求，比想象中更高。商户真正在乎的，从来不只是“能不能点支付按钮”，而是品牌体验谁控制、支付方式谁决定、会员体系能不能接上、归因和数据回流怎么算、优惠券和忠诚度怎么保留、谁是 merchant of record、风险和责任谁来背，于是它的战略开始收敛：先不急着统一 checkout，而是先把商品发现和交易发起入口握在手里。
从这个角度看，OpenAI 对 Agentic Commerce 的官方定位，不是“做支付”，而是“成为用户发现商品、比较选项、收敛决策、发起购买的界面”
四、为什么 OpenAI 没先拿下结账，而是先回到商品发现
从结果看，OpenAI 并不是从一开始就只想做商品发现，它试过插件式接入，试过对话内原生结账，也试过把购物研究做成 AI 代理服务。问题是，真正进入交易闭环之后，它很快撞上了商户控制权的问题。没先拿下结账，问题大概率不在“能不能支付”，而在“商户愿不愿意把结账主权交出来”。
商户愿意接 AI 流量，也愿意接 AI 带来的高意图用户，但不等于愿意把 checkout 主权交出去。因为 checkout 不只是一个付款页面，而是品牌体验、支付方式、会员体系、订单归因、优惠券、忠诚度、售后和责任链条的汇合点。OpenAI 第一版 Instant Checkout 没跑通，本质上不是技术按钮没打通，而是这套商户需求还没有被充分满足。
这也是为什么 OpenAI 后来把重点重新放回 product discovery。它想拿的，不是清结算，不是收单，不是资金流，而是交易链路里更轻、但更有杠杆的一层：用户先来哪里提需求，商品怎么被理解和比较，商户怎么接入这个新分发系统，订单信息怎么通过协议被传递，最后的购买动作又在哪里被确认。
换句话说，OpenAI 不是放弃了 Agent Commerce，而是调整了自己在 Agent Commerce 里的位置。它没有继续硬吃 checkout，而是先去占住交易上游最有价值的控制点，从商业结构上看，这是一条更聪明的路线。
五、OpenAI、Stripe 和商户之间，正在形成新的分工
如果把这条链拆开看，三方分工已经越来越清楚。OpenAI 负责用户意图、商品发现、比较与决策、发起购买的界面，以及商户接入协议。Stripe 负责支付凭证、token 化授权、风险信号和 agent payment 的执行基础设施。商户负责库存、订单、履约、售后，以及大部分真实交易责任。
这意味着，OpenAI 抢的是入口和界面层，Stripe 做的是支付基础设施层，商户保留的是交易责任层。这也是为什么 OpenAI 可以把自己讲成 AI agent for the user，同时又强调商户保留支付、系统和客户关系控制权。因为这才是它现阶段最舒服的位置：吃上游，不背下游。
很多人会问，既然都已经做到代理结账了，为什么不继续往下做钱包、支付、金融服务？答案很简单：现在往下做，不划算。
第一，监管太重。支付不是 UI 能解决的问题，而是牌照、合规、反欺诈、争议处理、网络规则和资金责任的集合。第二，信任还没建立完。用户今天愿意让 AI 帮自己找商品，不等于愿意让 AI 自主动钱。第三，商户也不会把最后一道门轻易交出去，尤其是在品牌、会员、支付和数据这些最敏感的地方。
所以 OpenAI 当前最优策略不是全吃，而是抢最值钱的那一段。这也是为什么它的 commerce policies 非常保守。它不是不知道这些方向有想象力，它只是知道现在不该碰。
六、对商户来说，这不是多一个流量渠道，而是多一个代理分发系统
很多商户今天看 ChatGPT shopping，可能会把它理解成一个新流量口。但它更接近一个新的分发系统。
过去商户优化的是 SEO、广告投放、商品页转化和 checkout 漏斗。以后商户还要优化另一层：商品信息能不能被 AI 正确理解，参数、价格、库存、促销能不能结构化传递，品牌在对话里的可比性是否足够清晰，商户系统能不能承接 agent-driven intent。
换句话说，未来商家不仅要优化给人看的页面，还要优化给代理读的数据。谁先适应，谁就更容易吃到 Agent Commerce 的增量。
对商户来说，ChatGPT 不是多了一个广告位，而是多了一个会主动比较、主动筛选、主动发起购买的代理分发系统。
七、对支付行业来说，真正的变化是“代理授权”被推到了台前
从支付行业看，这件事最值得研究的，不是 ChatGPT 能不能带来多少 GMV，而是它把一个长期问题提前摆上台面：当交易发起者从“人点按钮”变成“代理执行授权”，支付系统的控制点会不会转移？
过去支付系统最关心的是卡和钱包、路由和收单、风控和拒付、身份验证。未来还要多一层：谁能代表用户发起支付，授权边界怎么定义，支付凭证如何做限额、限时、限商户 token 化，商户如何判断是“用户本人支付”还是“代理支付”，dispute、退款和责任链路又如何追溯。
如果这层成立，那么未来支付行业的一部分护城河，可能会从 payment rail 本身，转向 agent authorization。这也是为什么 OpenAI 虽然没做支付公司，却已经进入了支付战略的讨论中心。因为它已经开始影响交易是如何被发起的。
结语
OpenAI 在 commerce 上的路线，已经比很多人想得更清楚。它不是从一开始就只想做商品发现，它试过插件，试过购物研究，也试过把原生结账直接做进 ChatGPT。但跑了一轮之后，它发现最容易先拿下的，不是 payment rail，也不是商户 checkout，而是交易上游的入口和决策过程。
所以它现在的策略很明确：先拿 discovery，再试 checkout；支付执行交给 Stripe，商户控制权暂时还给商户，自己则占住用户意图、交易界面和协议标准。
对 OpenAI 更准确的判断不是“它要做支付”，而是：
它不做支付公司，但它正在抢支付上游。
未来真正的争夺，未必是谁来清算每一笔钱，而是谁先成为 agent 时代的交易入口、决策界面和授权起点。谁占住这三层，谁就更有机会定义下一代 commerce。
深度对话 EthSystems 创始人 Mo：当数万亿美元资产上链时，为何隐私成为决定性因素引言
在今年的 Asia Onchain Finance 峰会上，EthSystems 创始人 Mo 在香港首次完整阐述了对机构区块链采纳和隐私基础设施的看法：为什么隐私将成为以太坊从“支持数百亿美元资产”发展到“支撑数万亿美元金融活动”的关键组件；为什么传统金融机构会越来越多地转向公链；以及为什么香港和亚洲正在成为下一波 RWA（实物资产代币化）和机构级 Web3 采纳的关键市场。
从高盛到以太坊基金会，再到创立 EthSystems，Mo 分享了自己从传统金融走向加密原生基础设施的旅程，他如何在长期愿景与实际业务需求之间取得平衡，并向正在 Web3、RWA 和稳定币相关领域创业的年轻创始人给出建议。
核心观点
香港将深厚的金融市场经验与开放的监管试验态度结合起来，使其成为 RWA 和机构级 Web3 采用的重要市场。
隐私并不意味着“把一切都藏起来”。它真正的含义是：在什么情境下，由谁以何种方式访问哪些信息——这种精确控制能力是机构采纳的必要基础。
传统资产中规模达数十万亿美元的部分最终有可能迁移到链上，但要实现有意义的采纳，必须先解决隐私和合规方面的挑战。这正是 EthSystems 希望填补的基础设施缺口。
目前公链隐私技术已经提供了一套广泛的工具箱，包括零知识证明、多方安全计算和全同态加密等，可以按照不同机构需求进行组合。
展望未来，经监管的代币化股票，特别是代表美国股票的代币化产品，有望在稳定币之后成为下一类获得机构广泛采纳的主要 RWA 品类。
对加密原生社区而言，机构采纳并不意味着要牺牲加密世界的初衷，反而提供了一条路径，可以通过现有金融基础设施把下一批——甚至数十亿——用户带到区块链网络上。
香港在链上金融中的角色不仅仅是监管试验场。凭借其区域金融枢纽地位，它有潜力成为未来基于区块链的金融活动的重要结算中心。
访谈实录
首次向香港介绍 EthSystems
问：这是你第一次在香港公开介绍 EthSystems 以及你对机构基础设施的愿景。对于你来说，这个时刻在 Asia Onchain Finance 峰会的背景下有什么意义？
Mo：
我认为时间点和地点都格外有意义。
一方面，香港拥有非常坚实的金融基础，聚集了大量全球与区域性的金融机构。另一方面，这里的监管机构对区块链、资产代币化以及基于沙盒的试验采取相对开放的态度，使香港成为一个可以真正测试和开发新产品的地方。
从我们的角度来看，香港既具备全球联通性，又紧密连接区域市场，这让它非常适合作为在真实世界场景中验证机构级隐私基础设施可行性的环境。
从高盛到以太坊，再到 EthSystems
问：你职业生涯从高盛等传统金融机构的量化和交易系统起步，后来加入以太坊基金会，最终创立 EthSystems。你能否讲一讲这段旅程？有没有哪个关键时刻让你决定把职业道路建立在以太坊和链上金融之上？
Mo：
我的第一份正式工作在高盛，负责算法交易系统。
从传统金融起步最大的好处之一，是可以非常直接地理解机构在安全性、复杂性和规模方面的要求。
大多数核心金融系统都高度保密，运行在私有环境中，并且对稳定性和合规性有极高的标准。
后来，我加入了以太坊基金会，主要专注于隐私和机构相关的项目，最终负责亚太地区（APAC）的机构合作。
在那段时间里，我与许多银行和资产管理公司合作。逐渐变得非常清晰的一点是 —— 对话的内容发生了变化。
以前机构在问的是：
“这项技术安全吗？”
“我们是否应该尝试一下？”
但后来讨论变成了：“我们如何把真实业务运营搬到链上？”
当你看到严肃的机构集体从试验阶段走向生产级采纳，再叠加以太坊多年在密码学和隐私方面的研发积累时，就自然会产生另一个问题：
如果我们希望把这些研究转化为真实的生产系统，需要什么样的商业载体？
这个问题就成为 EthSystems 的起点。
从以太坊基金会研究到创建公司
问：在以太坊基金会，你的角色更多聚焦于公共物品和生态发展，包括机构隐私项目和 APAC 企业合作。如今作为创始人，你需要在真实的监管与商业约束下交付产品和服务。在这一转变中，最大的挑战是什么？
Mo：
以太坊基金会是一个非常独特的探索和研究环境。
你可以与来自全球的研究者合作，研究新的密码学原语和协议，并在不以即时商业目标为首要驱动力的前提下，深入理解问题。
当你离开那个环境，开始创立公司时，就需要完成所谓的“最后一公里”。
你不再只是证明概念，而是要构建能够在生产环境中运行的系统 —— 包括支撑合规要求、运营要求、与现有 IT 基础设施集成，以及提供服务等级承诺。
最大的思维转变在于：接受在真实世界约束下寻找“最优解”，而不是在理想环境中追求“完美解”。
同时，你也要对结果负责 —— 不仅是对一个开放生态或研究方向，还要对你的团队、客户和投资人负责。
EthSystems 到底在构建什么？
问：如果要用一句话向一家传统银行或资产管理机构的 CEO 解释 EthSystems 做什么，你会怎么说？
Mo：
用一句话来说：EthSystems 帮助机构在不需要向全世界暴露其商业机密信息的前提下，将真实金融应用安全地部署到公链上。
问：如果可以再补充一句话，你会说 EthSystems 更多是在解决“恐惧”问题，还是在创造“机会”问题？
Mo：
我认为两者都有。
但从机构视角来看，第一步往往是降低恐惧。
机构担心合规、隐私和安全。在他们能认真思考机会之前，必须先有信心 —— 公链并不等同于“完全透明、毫无保护”。
相反，公链可以在保持合规、向监管机构和相关交易对手提供必要可见性的同时，仍然对其他所有人维持适当的保密。
当这些顾虑得到解决后，机构就可以开始思考机会：
区块链结算能否降低成本？
能否帮助他们接触此前难以触达的全球流动性和新用户群体？
为什么隐私不等于“保密”
问：你参与了多个开源概念验证项目，包括私密稳定币转账、私密债券、跨链隐私结算、遮蔽资金池（shielded pools）和隐私映射等。如果必须选一个例子来向没有技术背景的人解释隐私基础设施的价值，你会选什么？
Mo：
我通常会用一个非常简单的支付例子来解释隐私的真正含义。
想象一下，我给你汇款。
当然，你应该知道金额和交易对手是谁。但理想情况下，这笔交易不应该成为无关人员可以在链上随意观察的对象，因为它只是我们两个人之间的交易。
对金融机构来说，情况更为敏感。
他们可能管理着大规模基金头寸、复杂的交易策略以及客户数据。这类信息从法律和商业角度都需要严格的访问控制。
如果你希望将这类活动迁移到以太坊这样的公链上，就需要一套密码学工具来实现：
“需要知道的人可以看到必要信息，不需要知道的人则看不到。”
这正是零知识证明、多方安全计算和选择性披露等技术发挥作用的地方。
所以在我看来，隐私从来不意味着秘密。
它并不是说一切都完全隐藏，谁都看不到任何东西。
而是指在一个多方参与的系统中，仔细管理在何种情境下、由谁来查看哪些信息。
隐私技术工具箱：从 ZK 到 MPC 和 FHE
问：从技术角度看，如果我是一个非常重视客户数据、持仓和交易记录的机构，而且不希望敏感信息在链上暴露给无关方，目前有哪些可用的解决方案？
Mo：
首先，并不存在一种单一的“通用隐私解决方案”。
在现实中，它更像是一个工具箱。
这个工具箱里有不同的密码学原语，包括零知识证明（ZK）、多方安全计算（MPC），以及诸如全同态加密（FHE）等更前沿的技术。
很多钱包已经在使用 MPC 来提升密钥管理安全性。
许多区块链隐私解决方案是围绕 ZK 构建的，使系统能够在不揭示底层数据的情况下证明某个状态或条件是有效的。
FHE 今天仍然属于更早期的技术，但从长期来看，它有潜力在某些专业化应用中发挥作用。
在 EthSystems，我们的一部分工作，是帮助机构导航这片复杂的技术版图——为其需求选择并组合合适的技术。
另一部分工作，是识别现有工具不足的领域。当某个具体用例尚没有合适解决方案时，我们会与研究社区合作开发新的原语和协议。
我们的目标是系统性地映射主要的真实金融用例，并将它们与相应的隐私解决方案连接起来。
在解决方案尚不存在的地方，我们会去构建它们。
这些技术离企业工作流程有多远？
问：隐私和合规技术距离广泛整合进企业工作流程还有多远？
Mo：
其中一些已经在企业工作流程中使用，尽管更广泛的市场可能尚未充分意识到这一点。
例如，某些支付隐私解决方案已经相对成熟。
但是，如果你观察更复杂的领域，比如 KYC 和数字身份，我们还没有真正到达一个存在行业统一标准的阶段。
不同路径仍在竞争和演化，因此这一领域可能还需要更多时间。
对于很多机构用例而言，我们已经可以识别出由多种技术组合构成的方案，用来支撑核心隐私和合规需求。
不过，可行性、成熟度和可扩展性仍然取决于具体用例、部署环境、性能要求以及监管背景。
差异在于：成熟度和可扩展性会随着具体用例而变化。
加密社区的“下一个十亿用户”将通过传统金融轨道到来
问：你经历了早期更封闭的加密原生生态，也见证了最近这波机构采纳浪潮。对于加密原生社区来说，从小社区走向机构采纳究竟意味着什么？
Mo：
在加密世界里，一个长期被反复提及的问题是：
我们如何让下一个十亿，甚至二十亿人使用区块链系统？
如果仅依靠加密原生社区和内部循环，要实现这个目标会非常困难。
现实是，大多数人仍然通过传统渠道获取金融产品——银行、支付服务商、券商以及互联网金融平台。
所以在我看来，连接传统机构、政府、监管以及公链，是将下一个十亿用户带上链的最现实路径。
对加密原生社区而言，这不应被视为妥协。
相反，这应该是一件值得兴奋的事。
通过传统金融渠道，下一个十亿用户可能会在他们已经使用的金融产品和服务中，自然而然地被引入区块链系统。
公链 vs 私链：真正的分界在哪里？
问：很多机构仍在争论：到底应该构建在公链上，还是私有／许可链网络上？尤其在亚洲市场背景下，你如何看待二者的角色？
Mo：
传统机构习惯于在完全封闭且可控的系统中运行。
因此，对他们来说最直观的做法，往往是从私有或许可链开始。
这种做法有优势：合规边界更容易界定，治理也更简单。
然而，它也有明显局限。
流动性被割裂，生态变得封闭，机构无法充分受益于公链已经积累的底层基础设施、开发者网络以及网络效应。
公链则相反。
它们提供大规模流动性和开放生态，更适合作为全球金融活动的长期基础。
但前提是，我们能够在其之上构建足够强的隐私和合规层。
我的观点是，未来的金融系统会是一个多层的网络结构。
最底层是像以太坊这样的公共基础设施。
在其之上，会有针对不同监管环境、资产类别和隐私需求而设计的各类层级。
EthSystems 所做的，是帮助机构在公共基础设施之上构建符合其特定需求的那一层。
香港是监管沙盒还是结算中心？
问：回到今天的活动，你如何看待香港在全球链上金融版图中的角色？它更像“监管沙盒”，还是“真正的结算中心”？
Mo：
我认为两者兼具。
从监管角度来看，香港金管局等机构对代币化项目和沙盒机制持开放态度，使香港成为测试新型链上金融产品的非常合适环境。
同时，香港已经是一个区域金融枢纽，拥有大量跨境资本流动和机构活动。
一旦相关基础设施和监管框架成熟，香港有潜力从沙盒演变为真正的链上结算中心。
换句话说，它不仅是进行试验的地方，也会成为持续进行真实金融活动的地方。
下一波 RWA：代币化股票与长尾资产
问：我们已经看到货币市场基金、债券和私募信贷等资产上链。展望未来三到五年，你认为哪些 RWA 类别最有可能实现大规模采纳？会是房地产，还是其他？
Mo：
回顾过去几年，稳定币显然是最成功的链上资产类别之一。
今天，很多讨论也在扩展到代币化存款——本质上是可以存在于链上的银行存款。
这两个领域仍在显著增长。
展望未来，我认为代币化股票具有很强潜力，尤其是代表美国股票等资产的受监管代币化股票产品。
全球有许多投资者出于各种原因，无法便利地进入某些资本市场。
如果他们可以通过合规的代币化股票产品获得敞口，潜在需求会非常可观。
除此之外，娱乐相关资产的代币化——比如演唱会门票和剧院票——也是一个有趣方向。
香港已经出现了一些通过代币化探索票务相关资产的案例。
未来，围绕这些高频、面向消费者的资产，自然可能会涌现出二级市场和流动性层。
二级市场流动性会成为挑战吗？
问：以香港的票务代币化为例，一个常见忧虑是：是否会有足够的二级市场流动性？你如何看待这一挑战？
Mo：
如果回顾 DeFi 的演化，有一个反复出现的模式：
在存在真实需求的地方，代币化可以让我们更容易对新的结算和市场结构进行试验，但仅靠协议设计并不能解决所有问题。
对于演唱会门票这类资产，在传统世界中已经存在活跃的二级市场。
当前的挑战在于底层基础设施效率低下，信任成本高。
代币化可能改善某些票务场景下的来源追溯、转让规则和结算流程。不过，二级市场的可行性及其设计，将高度依赖发行方政策、资产标准化程度、本地监管、消费者保护以及具体票务特征等因素。
做市方可以因为手续费和潜在收益参与其中，而用户则从更高的便利性和更好的信任机制中获益。
因此，我不会对这类资产的流动性问题过度悲观。
关键因素最终还是市场机制设计和用户体验。
隐私、合规与去中心化
问：最近，恶意贡献者篡改钱包代码的事故再次引发了一个讨论，去中心化是否就自动意味着更安全？如果机构客户数据和交易信息由某些节点或服务提供方管理，如何避免单点故障？隐私技术在其中扮演什么角色？
Mo：
首先，我会非常谨慎地区分具体公司或事件与更宏观的问题。
个案当然可以讨论，但更重要的问题是：
我们如何利用技术和架构减少单点故障相关的风险？
这里一个重要概念是选择性披露。
通过零知识证明等技术，同一份底层数据可以以不同方式呈现给不同参与方，每一方只看到其有权访问的信息。
例如：
只有机构内部极少数人员可以访问完整的客户身份信息。
监管机构在合适授权下，可以访问特定必要字段。
外部方则完全无法访问这些数据。
选择性披露和数据最小化可以通过限制任何单一参与方可访问的信息量，来降低泄露事件的影响。
而要避免单点故障，还需要更广泛的架构措施，比如分布式或门限控制、密钥和职责的分离、独立验证、具备韧性的服务基础设施，以及尽量减少对单一实体的依赖。
因此，去中心化本身并不自动保证安全。
关键在于我们如何组合密码学工具，以足够精细的方式设计信息流动和权限。
关于隐私的最大误解：认为它意味着“谁都看不到任何信息”
问：在与你的机构沟通中，你看到的关于隐私的最大误解是什么？
Mo：
最大的误解之一是把隐私等同于完全保密。
我更倾向于把隐私理解为对信息流的控制：
谁在什么情境下，拥有查看哪些数据的权利，以及这些边界是如何被精确设计和执行的。
在现实中，金融系统不可能完全透明，因为那会直接破坏市场稳定性。
同时，它们也不可能完全不透明，否则就会在监管和信任方面产生问题。
可行的解决方案是在透明度和隐私之间找到工程化的平衡。
为公链构建隐私基础设施，从根本上来说就是提供实现这种平衡所需的工具。
在规模方面，我们常常谈到未来 10 到 20 年内可能有数十万亿美元资产迁移上链。
但前提是必须先解决隐私和合规方面的挑战。
在这些问题得到解决之前，这些资产不会迈出上链的第一步。
时间表：隐私基础设施何时成熟？
问：回到一个很多人都关心的问题：你认为我们什么时候会看到一个隐私已经成熟、RWA 基础设施也已充分发展的市场？
Mo：
任何关于时间表的预测都需要谨慎。
即便是最有经验的产品经理和工程师，也很难对长期基础设施的发展给出高度精确的预测。
从技术可行性角度来看，我们今天已经能在有意义的规模上提供隐私能力。
不过，不同路径会带来不同权衡，包括性能、去中心化程度和安全保证。
如果我们把标准定义为：
“公链可以同时满足机构在隐私、合规和规模方面的要求”，
那么我认为未来 6 个月会是非常关键的窗口期。
在这一阶段，许多更接近生产级基础设施的解决方案很可能会成熟，并开始支持真实世界的落地部署。
何时链上交易量会超越传统金融？
问：你认为区块链上的交易量何时会真正超过传统金融市场？
Mo：
我大概不会用“超越”来描述。
我更把它理解为融合与趋同。
今天，Web3 上已经有显著的交易活动，但与传统金融市场相比，规模仍小几个数量级。
更可能发生的情况是，传统金融市场逐步迁移到区块链基础设施之上。
那时，我们所谓的“链上交易量”已经包含了此前存在于传统金融系统中的活动。
这不是一个取代另一个的问题。
相反，这两个系统会逐步融合。
给 Web3 创始人的一句建议
问：现在，香港以及整个亚洲有很多年轻创始人正在 Web3、金融科技、RWA 和稳定币等领域创业。基于你从以太坊基金会到成为创始人的旅程，如果只能给他们一句建议，你会说什么？
Mo：
也许最重要的一点建议是：
永远把真实用户需求放在技术之前。
在 Web3 领域，人们很容易被技术本身所吸引。
大家可以花很多时间讨论某个原语或新的证明系统有多先进。
这些技术当然很重要。
但如果你无法清晰回答：
“这究竟帮助了谁？以及它以更好的方式解决了什么问题？”
那么这项技术距离真正的大规模采纳仍然很远。
找到一个真正的现实需求，并使用合适技术去解决它，是这个行业中最稀缺的一种能力。以下为翻译结果：
Optex Systems，市场关注国防光学订单、利润及研发动向Optex Systems Holdings (OPXS) 作为一家防务与商用精密光学瞄准系统制造商，近期接连公布业务进展情况，引起了市场的关注。该公司的核心在于稳定供应应用于军用车辆和光学项目的各类光学设备。
Optex Systems 生产光学组件、激光防护滤光片、夜视仪部件、潜望镜、步枪瞄准镜、监视用瞄准设备等多种产品。这些项目与国防工业需求直接挂钩，因此单个合同的获得会立即影响其业绩和积压订单。
公司公开的主要更新通常包括新合同的签订、积压订单变化、利润率走势、研发进展以及核心人员任命等。尤其是光学镀膜技术和精密光学工程相关人才的获取，被视为与产品竞争力直接相关的因素。
客户基础也相对明确。除直接向军方供货外，还通过大型防务承包商进行供应。其产品所应用的平台包括艾布拉姆斯主战坦克、布雷德利装甲车、轻型装甲车、装甲安全车辆以及斯特赖克系列车辆等。这表明Optex Systems的业务并非单纯的零部件供应，而是与实际军用作战体系紧密相连。
市场在看待这类防务光学企业发布的信息时，往往不仅关注单纯的销售额规模，还会一同考察“订单持续性”和“利润率防御能力”。这是因为即使新合同增加，如果成本负担加重，盈利能力也可能受到影响。相反，如果光学滤光片和镀膜等高附加值产品占比扩大，利润率改善的可能性也会增大。
研发同样是一个重要变量。防务光学零部件在耐用性、精度、夜间操作性能、激光防护能力等方面必须满足高标准。因此，技术研发成果很可能与未来获取更多订单或扩大现有客户群相关联。
最终，Optex Systems的业务动向并不仅仅停留在“小型防务零部件股”的短期新闻上。它被解读为同时展示军用光学设备需求、防务供应链稳定性以及高附加值光学技术竞争力的指标。展望未来，合同获取与积压订单、利润率以及技术人才的储备预计将成为评估该公司的核心支柱。
TP AI 注意事项
本文使用基于 TokenPost.ai 的语言模型进行摘要总结。文中主要内容或存在遗漏，亦或与事实有所出入。Epic Microsystems，为AI数据中心电力创新确保374亿韩元资金Epic Microsystems以革新下一代人工智能(AI)数据中心的电力为目标，获得了2,100万美元(约合3,024亿韩元)的初期资金。由Seligman Ventures主导的本次A轮融资，英特尔资本、Iconiq Ventures、Cambium Capital等参与其中，使总投资额增至2,600万美元(约合3,744亿韩元)。
当前AI工作负载不仅催生了新建数据中心的需求，也推动了提升现有设施效率的努力。随着AI机架的电力需求在过去几年急剧增长，传统的低电压电力传输系统已接近极限。在此背景下，Epic Microsystems计划采用混合开关电容器架构，以取代基于电感器的系统，从而提高功率密度并改善热性能。这将为在单个机架内布置更多计算和冷却设备腾出空间。
Epic的首席执行官萨宾·埃夫蒂米表示："AI数据中心的新型电力传输方式不仅能满足当今需求，还将有助于未来的路线图设计。"他期待此项技术将在向即将到来的多兆瓦时代转型中发挥关键作用。Proear Systems，D轮融资后企业估值达16.4亿美元位于硅谷的芯片冷却初创公司Frore Systems通过D轮融资获得1.43亿美元（约合2.0592万亿韩元）投资，公司估值提升至16.4亿美元（约合2.3788万亿韩元）。本轮融资由MVP Ventures领投，富达管理与研究公司、Top Tier、Mayfield Fund、高通创投等机构参与投资。
随着数据中心行业加速发展，处理AI工作负载的基础设施扩建需求日益增长。AI芯片会产生大量热量，导致效率和性能下降。为解决这一难题，Frore Systems开发了独创的冷却解决方案。该公司约八年前由高通前工程师创立，初期专注于智能手机和平板电脑等小型设备的冷却技术开发，而AI计算的快速发展使其捕捉到更大机遇。
在英伟达CEO黄仁勋的建议下，Frore Systems近期开始将业务从小型设备扩展至适用于GPU及其他芯片的液体冷却解决方案。由此，公司开发出不仅能兼容英伟达芯片，还可适配多家芯片制造商产品的冷却产品系列。
Frore的核心产品LiquidJet Nexus Tray通过使特殊冷却液在数据中心机架内的处理器周围循环，实现更高效的散热。与传统平面冷板不同，该产品采用三维流道结构，可根据多种芯片类型定制设计，具备更强的散热能力。这有助于降低以AI为中心的服务器机架耗电量，同时提升性能。
MVP Ventures的安德烈·德·巴乌比尼指出："热设计已成为当前AI基础设施建设中最突出的挑战"，并评价道："Frore创新的冷却平台为超大规模数据中心和边缘环境实现了高计算密度与能效。"
本轮融资将用于提升制造能力与扩大系统产量。目前产品仅在中国台湾制造，未来计划扩大生产区域。公司主要客户包括大型云基础设施提供商、自建数据中心的企业以及计划开发国家计算网络的政府机构，但未透露具体名称。Union Systems公开AI自动化核心“Flight2”…复杂工作流程迎刃而解起源于Lyft内部机器学习平台的Union Systems已超越单纯的开源成功案例，正逐步演进为AI基础设施的核心平台。该公司为解决大规模AI模型部署与数据驱动预测的复杂性，开发了名为"Flight"的工作流编排工具，近期更推出了全面升级的"Flight 2"。
传统AI开发模式因数据老化与开发周期冗长，存在功能受限与运营效率低下的局限。对此，Union.ai销售工程总监Chris Matteson指出："当耗费六个月推出模型时，数据往往已经过时"，并强调Flight 2通过连接各类工具并实现自动化，能够基于实时数据持续运营AI模型。
这一进展由Matteson与Union Systems高级机器学习工程师Niels Bantilan在KubeCon + CloudNativeCon NA 2025大会上，通过SiliconANGLE媒体直播平台theCUBE正式披露。他们强调，随着Flight 2的问世，企业首次获得将复杂AI工作流转化为可响应系统的机遇。
随着AI基础设施日趋复杂庞大，众多企业正受困于大量孤立工具与手工流程导致的开销及维护负担。在此"基础设施过剩"的背景下，Flight 2通过整合异构工具，实现从失败API调用到内存分配的全程自动化，同时保障系统一致性与可扩展性。
此外，Flight 2被重新设计为完全基于Python的原生平台，支持条件逻辑、循环操作及实时生成级联处理等动态执行功能。Bantilan表示："Flight 2是吸纳社区反馈后推陈出新的开放平台，我们将先行完成内部构建，预计在今年底或明年初开源发布。"
Flight 2特别针对智能体AI与实验驱动的研究工作流进行优化，能敏捷应对实时变化的业务需求。这预示着未来AI工作流自动化将超越简单集成管理工具，转向聚焦灵活协调与持续演进。Union Systems正通过该平台精准瞄准企业同时实现AI运营敏捷性与规模扩展的双重需求。Immunefi推出可存放漏洞赏金的智能合约Vault SystemsPANews 9月26日消息，据Decrypt报道，Immunefi宣布推出智能合约系统Vault Systems，允许开发人员安全地存放用于支付黑客或研究人员报告其代码漏洞的资金。这些资金只有在漏洞报告经过验证后才会释放给黑客。Immunefi创始人Mitchell Amador表示，这样做的目的是在通常谨慎的两方之间建立信任。
黑客社区和项目开发人员之间的关系可能非常复杂。开发人员特别担心他们的项目被滥用，但即使是有善意的黑客也可能对发现漏洞而陷入法律困境感到担忧。甚至当他们提交报告时，他们也担心他们的工作不会得到适当的承认或报酬。Offchain Labs将与Espresso Systems合作开发交易排序技术TimeboostPANews 9月12日消息，据官方博客，Arbitrum开发团队Offchain Labs宣布与区块链基础设施公司Espresso Systems达成合作，将在以太坊Rollup中引入去中心化和开放的共享排序技术。
双方将研究和开发Offchain之前提出的交易排序策略Timeboost，允许Arbitrum等任意网络采用Timeboost并直接与Espresso Sequencer集成。Offchain Labs即将分享Timeboost构建器模块的研究和开发以及将Espresso Sequencer与Arbitrum技术链集成的能力的路线图。GCSA Agent 在全球高难度真实漏洞基准测试中展现自主漏洞分析与 PoC 生成能力 GCSA Agent 在全球高难度真实漏洞基准测试中展现自主漏洞分析与 PoC 生成能力。 香港，2026 年 8 月 29 日 —— 全球网络安全联盟（Global Cybersecurity Alliance，GCSA）今日宣布，GCSA Agent 在 CyberGym 基准测试中取得 91.3% 的成功率，进入 CyberGym “Leading Systems Above 90%” 领先系统区间。 CyberGym (https://www.cybergym.io/cybergym) 是由美国加州大学伯克利分校研究团队开发的大规模真实世界网络安全评测框架，共收录 1,507 个历史真实漏洞测试实例，覆盖 188 个大型软件项目，旨在评估 AI 智能体在真实漏洞分析场景中的实际能力。 与主要评估代码理解、知识问答或静态分析能力的传统 AI Benchmark 不同，CyberGym 要求 AI 智能体直接面对真实的漏洞代码环境。 在其核心 Level 1 测试中，AI Agent 仅获得漏洞描述以及尚未修复的代码库，需要自主完成代码分析、漏洞定位、攻击路径推理、PoC 构造和执行验证。只有生成的 PoC 能够在漏洞版本中成功触发目标漏洞、同时无法在修复后的版本中复现，任务才被认定为成功。 因此，CyberGym 所衡量的并不仅是 AI 是否“理解代码”，而是 AI 是否能够真正完成从安全分析到漏洞复现和验证的完整过程。 从大模型走向安全智能体 本次 CyberGym 测试中，GCSA Agent 基于 Grok 4.5 与 Grok 4.6 模型运行，最终取得 91.3% 的成功率。 这一结果也反映出 AI 网络安全领域正在发生的一项重要变化： 决定最终安全能力的，不再只是底层大模型本身。 真实漏洞研究通常需要连续完成漏洞描述理解、大规模代码检索、攻击面识别、漏洞假设建立、测试输入生成、程序执行、反馈分析以及 PoC 反复迭代等多个环节。 GCSA Agent 围绕这一完整过程构建智能体化安全工作流。 其目标并非简单地利用大语言模型进行代码分析，而是让 AI 能够进入真实执行环境，围绕安全问题自主形成假设、收集运行证据、执行测试，并最终以可复现结果验证安全发现。 此次 CyberGym 测试，为这一能力提供了一个可量化的外部基准。 面向真实世界的漏洞研究能力 CyberGym 的核心价值，在于缩小传统 AI 测试与真实网络安全研究之间的差距。 其评测环境会恢复软件项目漏洞修复前的代码状态，AI Agent 可能需要在包含数千个文件、数百万行代码的大型代码库中自主定位问题，并最终生成能够真正触发漏洞的 PoC。 更值得关注的是，CyberGym 的进一步研究已经显示，这种智能体化安全能力并不局限于复现已知漏洞。 在开放式漏洞研究实验中，AI Agent 已发现多项此前未知的零日漏洞（Zero-day Vulnerabilities）以及历史上并未完全修复的安全补丁，显示出自主漏洞分析技术向真实漏洞发现能力迁移的潜力。 对 GCSA 而言，这也是更重要的发展方向。 Benchmark 成绩不是终点。 GCSA 的目标，是进一步建立能够服务真实网络安全场景的 AI Security Agent，使其逐步参与漏洞发现、分析、验证乃至后续修复的完整安全生命周期。 构建 AI 原生网络安全能力 随着人工智能加速软件开发，AI 同样正在改变漏洞研究与网络攻防的方式。 面对规模越来越大、复杂度越来越高的软件系统，下一代网络安全体系将越来越依赖人类安全专家与自主 AI 智能体之间的协作。 AI Security Agent 有望帮助安全团队： * 更早发现具有真实利用价值的软件漏洞； * 在大型代码库中自动分析复杂攻击路径； * 自动生成 PoC，对漏洞进行执行级验证； * 通过真实运行结果降低传统安全检测中的误报； * 加快漏洞研判、验证与修复效率； * 扩展专业安全团队能够覆盖的软件与系统规模。 GCSA Agent 在 CyberGym 取得 91.3% 的成绩，是 GCSA 构建 AI 原生网络安全能力的重要阶段性成果。 未来，GCSA 将继续推进自主漏洞分析、AI Security Agent 与智能化网络安全技术研究，将前沿人工智能能力进一步转化为真实世界中的安全能力，为构建更加安全、可信和具有韧性的数字环境提供技术支持。 来源： GCSA全球网络安全联盟 官网： www.gcsa.org
