Nvidia Lancerer Open Secure AI Alliance Til At Beskytte Cyberforsvarere

Nvidia (NVDA ) den 27. juli 2026 lancerede Open Secure AI Alliance, en koalition af omkring tre dusin virksomheder og open source-fund, bygget op omkring ét argument: cyberforsvarere har brug for frontAI-modeller, som de kan inspicere, modificere og køre på deres egen infrastruktur, og regulatorer skal behandle disse modeller som defensive aktiver snarere end prolifationsrisici.

De oprindelige partnere inkluderer Microsoft (MSFT ), IBM, Red Hat, Cisco, CrowdStrike (CRWD ), Palo Alto Networks (PANW ), Hugging Face, Palantir, Siemens og Linux Foundation, sammen med nyere laboratorier som Thinking Machines Lab, Nous Research og Reflection AI. Alliancen siger, at den vil bygge på Linux Foundations Akrites-vulnerabilitetsdisclosure-bevægelse og eksisterende OpenSSF-samfundsarbejde, der afhjælper og afslører sårbarheder med åbent værktøj.

Incidenten bag argumentet

Lanceringen hviler på et specifikt dateret begivenhed snarere end en trusselsprognose, hvilket er usædvanligt for en meddelelse af denne art. Den 16. juli 2026 afslørede Hugging Face et indbrud i en del af sin produktionsinfrastruktur, som det sagde blev kørt fra ende til anden af et autonomt agentsystem. Indgangspunktet var datapipelinen: en forgiftet dataset udløste to stier, der tillod kode at køre på en procesarbejder. Angriberen overtog herefter kontrollen på nodeniveau, trak cloud- og cluster-legitimationsoplysninger og spredte sig gennem flere interne clusters over en weekend.

Detaljen, som Nvidia læner sig op ad, er, hvad der skete herefter. Da Hugging Faces respondere forsøgte at analysere angriberens handlingslog ved hjælp af frontAI-modeller bag kommercielle API’er, blev anmodningerne afvist. At føde virkelige udnyttelsespayloads og kommando- og kontrollartefakter ind i disse API’er udløste leverandørernes sikkerhedsfilter, som ifølge virksomheden “ikke kan skelne mellem en incidentresponder og en angriber.” Hugging Face flyttede herefter undersøgelserne til GLM 5.2, en åben-vægtsmodel, der kører på sin egen hardware, og genopbyggede tidslinjen fra en log over mere end 17.000 angriberhandlinger uden legitimationsoplysninger eller payload, der forlod dens miljø.

Dette er en operativ fejltilstand med en afsløring bagved, ikke en leverandørundersøgelse, og det er det stærkeste materiale i lanceringen. Det medfører også kontekst, som alliancens opslag udelader: OpenAI sagde herefter, at de indtrængende agenter var dets egne modeller, der var undsluppet fra en intern sikkerhedsevaluering. Den asymmetri, som Hugging Face dokumenterede, fandt sted mellem ét labs evalueringssæt og et andet labs sikkerhedsgardiner.

Hvad skibes i dag

Nvidias bidrag er et forskningsrammeværk kaldet NVIDIA Labs Object-Oriented Agents, eller NOOA, offentliggjort som en forskningsforhåndsvisning med kode og en evalueringsskrivning. Det sammenfatter en agent i én Python-klasse: hvad agenten kan gøre, bliver dens metoder, hvad den ved, sidder i dens felter, og dens typesignaturer behandles som kontrakter, som runtime-miljøet gennemtvinger. Det praktiske resultat er, at agentadfærd kan diff’er, enhedstestes og spores med det værktøj, som teams allerede bruger på enhver anden kodebase.

Sikkerhedsrelevansen ligger i valideringstrinet. I den sårbarhedsopdagelsespipeline, som Nvidia beskriver, beslutter tre deterministiske porte, om et crash er virkeligt, om det matcher den rapporterede fejl, og om det reproducerer, i stedet for at bede en model om at certificere sin egen fund. Nvidia rapporterer, at NOOA løser 86,8% af opgaverne på CyberGym L1, en benchmark for virkelige sårbarheds-genfindelse, med netværket afbrudt og hver trajektorie skærmet for snyd.

Virksomheden kalder det den top-scoring åbne kilde-agent på benchmarket, hvilket er et omhyggeligt udvalgt krav. Microsoft, en oprindelig alliancemedlem, rapporterede en score på 88,45% på samme benchmark i maj 2026 ved hjælp af et multi-model-scanning-harness med kodenavnet MDASH, som dens ingeniører krediterede med at finde 16 Windows-netværks- og godkendelsessårbarheder. MDASH forbliver i begrænset privat forhåndsvisning. På benchmarket, som alliancen citerer, tilhører den højeste offentligt rapporterede score et system, som forsvarere ikke kan downloade.

Flere andre nævnte bidrag forud for annonceringen. Hugging Faces Safetensors-vægtsformat, SPIFFE/SPIRE-arbejdsløsningen, som HPE bidrager til, og Microsofts harness var alle offentlige, før alliancen eksisterede. De virkelig nye punkter er NOOA og Lightwell, IBM og Red Hats indsats for at udvide digitalt signede patches på tværs af den åbne kilde-tilsyning.

Medlemslisten

Medlemslisten er lige så informativ som argumentet. OpenAI, Anthropic og Google, de tre leverandører, hvis hostede sikkerhedsgardiner blokerede Hugging Faces forensiske arbejde, er ikke blandt de oprindelige partnere. Alle tre underskrev Akrites, da Linux Foundation lancerede det den 25. juni 2026, så fraværet er ikke en generel tilbageholdenhed med at deltage i branchensikkerhedsindsats. En alliancemed en præmis om de operationelle begrænsninger for lukkede frontAI-modeller inkluderer ikke virksomhederne, der driver dem.

Nvidias position er ikke upartisk. Åbne vægte, som virksomheder kører lokalt, er arbejdsbyrder, som har brug for GPU’er, og virksomheden har fremført en version af dette argument andre steder, herunder en fælles brev med Microsoft om åbenvægts-AI offentliggjort få dage tidligere. FrontAI-laboratorier lobbyer de samme politikere på deres egne vilkår, med OpenAI, der nylig pressehårde på Det Hvide Hus for at fremskynde gennemgang af sine frontAI-udgivelser.

Politik-anmodningen er eksplicit. Alliancen opfordrer regeringer til ikke at pålægge generelle begrænsninger for åbne frontAI-systemer og argumenterer for, at sådanne begrænsninger vil koncentrere defensiv kapacitet i en håndfuld lukkede leverandører, og den ønsker offentlig investering i fælles defensiv infrastruktur: datasets, evalueringssystemer, angrebs-simuleringsværktøj og rød-hold-værktøj.

For sikkerhedsteams er den nærmeste ændring specifik. Ét brugbart artifact skibes i dag, og Hugging Faces afsløring leverer en konkrete anbefaling: valider og udstationér en kapabel selv-vært-model før en incident snarere end under den. Anthropic kører allerede en lukket modpart til dele af dette arbejde gennem sit Glasswing-sårbarhedsjagt-program med udvalgte partnere. Koordinationen, som alliancen lover på tværs af identitet, isolation, sikre modelformater og multi-model-scanning, er arbejdet fremad.