Prevalent AI 获得 2200 万美元融资，以扩大企业可信上下文在 AI 系统中的规模

Prevalent AI 已从 2200万美元的增长资本 获得 Integrity Growth Partners (IGP) 的投资，标志着这家总部位于伦敦的公司九年历史上的首次主要外部投资。随着企业在快速采用人工智能: AI 系统可能变得更强大，但其决策的可靠性仅取决于组织可用的数据和上下文。

九年后首次外部资本

此次融资之所以值得关注，部分原因在于 Prevalent AI 走了一条相对少见的网络安全市场路径。公司并未依赖反复的风险投资轮来支撑增长，而是花近十年时间围绕大型企业客户的收入进行建设，随后才引入主要机构资本。

Prevalent AI 由首席执行官 Paul Stokes 与首席运营官 Arun Raj 共同创立，二人均来自英国情报界。公司称其创始团队包括 政府通信总部 (GCHQ) 的校友，这段经历帮助塑造了公司在连接碎片化信息方面的专注，因为在信息不完整或不准确的环境中，运营后果可能非常严重。

ISTARI 由新加坡投资公司 Temasek 支持，于 2021 年通过二级交易成为少数股东，但此次 IGP 投资是首次直接注入公司的主要资本。

将碎片化的企业数据转化为上下文

Prevalent AI 试图解决的核心问题并非企业数据不足，而是用于决策的数据往往分散在数十甚至数百个系统中，这些系统对同一组织的描述各不相同。

例如，安全团队可能依赖漏洞扫描器、终端平台、身份系统、云基础设施、配置管理数据库、工单软件以及运营工具。每个系统只提供部分视图，记录重复、标识冲突且资产之间的关系不完整。

Prevalent AI 的 Security Data Fabric 旨在从这些不同系统摄取信息，进行标准化、消除不一致并映射资产、身份、漏洞、应用、控制以及其他运营信息之间的关系。生成的数据被维护为持续更新的知识图谱，而不是另一个孤立的安全数据库。

当 AI 代理介入时，这一区别变得尤为重要。人类有时能够识别出两个略有差异的记录指向同一服务器、员工或应用。但以机器速度做出决策的自动化代理需要提前可靠地建立这些关系。

Prevalent AI 技术如何运作

在集成层，Prevalent AI 使用 DataBridge 连接云端、软件即服务 (SaaS)、本地和运营系统。平台随后应用实体解析来调和记录，构建企业环境的统一视图。

知识图谱通过关联这些实体的关系再添一层。例如，系统不再将漏洞视为孤立的发现，而是将其与受影响资产、资产的业务重要性、所有者、相关身份、现有安全控制以及相关威胁信息相连接。

Prevalent 的暴露管理工具利用这些上下文识别风险集中点并优先安排修复。平台还可以跨工具关联发现，减少重复的漏洞记录，并持续监控资产、身份和基础设施的变化。

生成式 AI 被叠加在这一结构化基础之上，而不是让其自行解释原始企业数据。比如，Prevalent 的 Navigator 工具让用户通过生成式 AI 界面查询知识图谱中的信息。

公司还提供 DataForge，可生成同步的合成数据集用于 AI 开发、模型测试和质量保证，无需在实验过程中暴露敏感的生产数据。

超越网络安全的布局

网络安全是自然的起点，因为信息不完整会直接影响对漏洞、身份、事件和控制的决策。但 Prevalent AI 越来越将其底层技术视为企业基础设施，而非仅限于安全的产品。

公司称客户已经将相同的数据基础扩展到金融犯罪分析、运营情报、合规、自动化以及 AI 驱动的工作流等领域，而无需重建底层架构。

这一更广阔的机会是本次融资的主要原因之一。

对于 AI 代理而言，挑战正日益从“模型是否足够智能以完成任务”转向“它是否能够获取关于其运行组织的准确信息”。代理可能能够识别安全漏洞、调查账户或触发自动化工作流，但如果它无法可靠地判断哪些系统存在、它们如何相连、谁拥有它们以及哪些策略约束其行为，其价值将迅速下降。

Prevalent AI 实际上在押注企业上下文将成为 AI 堆栈的重要层，尤其是对于那些期望代理执行操作而非仅提供答案的组织。

企业 AI 提高了风险的赌注

本轮融资的时机反映了企业 AI 的更广泛转变。组织正从单一的副驾驶模型转向能够与基础设施、应用和业务流程交互的代理。

这种转变放大了底层数据不佳的后果。

Prevalent AI 认为其主权架构在这些环境中尤为相关。其平台设计为在客户控制的基础设施内运行，使企业数据保持在组织内部，而不是让运营知识图谱依赖共享基础设施或特定模型提供商。

对于高度监管的行业来说，随着公司尝试让 AI 系统更深入地访问敏感内部信息并拥有更大行动权限，这可能成为重要考量。

可信上下文为何可能成为企业 AI 的关键

随着 AI 系统从提供建议转向在企业内部执行操作，围绕这些系统的数据质量将变得愈发重要。负责调查安全事件、批准工作流或响应运营问题的代理需要的不仅是单个数据库的访问权，而是对资产、身份、应用、策略和业务流程之间关系的准确全景。

这为企业带来了日益增长的基础设施挑战。许多组织已经积累了多年分散的软件平台、重复记录和不一致的命名规范。大型语言模型可以让这些信息更易查询，但它们并不会自动解决冲突或判断哪个来源可信。若缺乏可靠的上下文层，更多自主的 AI 只会让现有数据问题以更快、更大规模影响决策。

因此，知识图谱和数据结构层可能成为新兴企业 AI 架构的重要组成部分。这些系统并非取代数据库或 AI 模型，而是位于两者之间，持续调和信息并维护代理在决定行动时可使用的关系。

其影响也远超网络安全。欺诈检测、合规监管、供应链管理、IT 运维等领域同样面临跨多个系统分布的信息决策问题。随着公司在这些职能中部署代理，保持组织的一致表示可能变得愈加必要。

这也可能改变 企业评估 AI 基础设施的方式。模型性能仍然重要，但组织可能会更强调为模型提供的数据的来源、时效性以及关系。在这种环境下，竞争优势可能不再仅仅来源于拥有更强大的 AI 模型，而是来源于为模型提供更准确的企业理解。