思科推小模型Antares：安全AI的“降维打击”还是“精准补位”？

核心判断：思科此举不是要颠覆AI安全赛道，而是用“小模型+场景化”策略，试图在漏洞检测这个细分领域建立护城河。这对思科来说，是重新定义其安全业务增长曲线的关键一步。

短期看：思科正在用“小模型”打一场“不对称战争”

AI安全领域，大模型通吃的故事已经讲太久了。OpenAI的GPT-4o、Google的Gemini，动辄千亿参数，但真正落地的安全场景却寥寥无几。原因很简单：安全是“高精度、低延迟、强隐私”的战场。大模型跑一次推理需要几秒钟，带宽成本极高，且无法在客户端本地部署——这恰恰是思科的老本行。

Antares直接推出350M、1B参数版本，后续还有3B版本。这个参数规模意味着什么？它可以在思科的路由器、交换机、防火墙等边缘设备上跑，甚至能嵌入到终端设备中。思科显然在赌：真正的漏洞检测，不是靠云端大模型“猜”，而是靠本地小模型“实时扫描”。

[!info] 根据思科官方数据，Antares在CVE漏洞分类任务上的准确率比同等参数量的通用模型高出12个百分点，推理延迟控制在50毫秒内。对于安全分析师来说，50毫秒意味着响应速度提升了一个数量级。

更重要的是，思科握有全球最大的网络设备安装基础。超过3亿台路由器、交换机，每天产生的网络流量和日志数据本身就是天然的训练场。Antares可以借助这些设备进行“联邦学习”，在不泄露客户数据的前提下持续优化模型。这种“数据飞轮”一旦转动，竞争对手很难复制。

长期看：竞争格局会从“通用大模型”转向“场景小模型”，但思科面临两个隐忧

第一个隐忧是：Palo Alto Networks和CrowdStrike等安全原生厂商已经跑得更快。Palo Alto的Precision AI方案已经在2023年就实现了基于小模型的实时威胁检测，其模型参数只有200M，但专门针对恶意流量分类。CrowdStrike的Charlotte AI则走的是“大模型+小模型”混合路线，用大模型做上下文理解，用小模型做终端检测。

思科的优势在于网络层，但漏洞检测最终要落到“代码审计”和“二进制分析”层面，这恰恰是思科相对薄弱的环节。Antares目前只定位在“已知漏洞匹配”和“简单漏洞分类”，尚未涉及自主发现未知漏洞（0-day）。这就像给搜索引擎加了一个“关键词匹配”的过滤层，而不是真正的“智能搜索”。

第二个隐忧是：小模型赛道本身并不拥挤，但门槛正在降低。Hugging Face上已经有大量针对安全领域微调的小模型，比如CodeBERT、SecBERT，参数规模都在100M-500M之间。如果思科不能通过“数据+硬件绑定”形成壁垒，很容易被开源社区复刻。

思科在AI安全领域的最大赌注不是算法，而是其“网络设备+边缘计算”的硬件生态。但问题是，当客户已经习惯用CrowdStrike的终端代理或Palo Alto的云防火墙时，为什么还要换用思科呢？

趋势预测：边缘安全AI将进入“模块化”时代，思科可能成为“安全即硬件”的赢家

未来三年，我预测安全AI的部署模式将从“云端集中分析”转向“边缘实时响应”。思科如果能把Antares以“固件更新”的形式推送给现有客户，只需要在设备上额外激活一个License，就能立刻产生收入——这比任何云订阅模式都更直接。

但思科需要警惕：不要重蹈“路由器+安全”整合失败的覆辙。2010年代思科曾试图在路由器上集成防火墙和IPS，结果被专业安全厂商逐个击破。这次的小模型战略，如果只是“网络设备的一个附加功能”，而不是“独立的安全产品”，最终可能沦为硬件销售的赠品。

我的判断是：思科将在2025年前推出Antares的“安全即服务”版本，通过API和开放平台，让第三方安全厂商也能在其设备上运行定制化小模型。届时，思科的角色将从“设备制造商”转变为“边缘AI算力平台”。这个赛道天花板，或许比我们想象的要高得多。

原文链接：https://www.ithome.com/0/980/239.htm